李文昕，賈東秀，陳建剛，傅子群，陳軍濤，4，5，郭洪運(yùn)，劉 磊

(1.山東科技大學(xué) 能源與礦業(yè)工程學(xué)院，山東 青島 266590；2.山東能源新汶礦業(yè)集團(tuán)有限責(zé)任公司 邱集煤礦，山東 德州 251105；3.山東能源新汶礦業(yè)集團(tuán)有限責(zé)任公司 榆樹(shù)井煤礦，內(nèi)蒙古 鄂爾多斯 016299；4.煤炭資源高效開(kāi)采與潔凈利用國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京 100013；5. 山東科技大學(xué) 礦業(yè)工程國(guó)家級(jí)實(shí)驗(yàn)教學(xué)示范中心，山東 青島 266590)

礦井水害嚴(yán)重影響著煤炭資源的安全開(kāi)采，而礦井開(kāi)采屬于地下工程，其隱蔽性給礦井水害防治帶來(lái)了較大困難。目前，我國(guó)礦井水害的防治方法主要有留設(shè)安全煤巖柱、注漿堵水、充填開(kāi)采等。注漿堵水技術(shù)是將注漿材料通過(guò)鉆孔注入含水層中，將含水層改造成弱含水層，或注入導(dǎo)水通道隔斷水源的供給，在隧道、地鐵、礦山開(kāi)采等地下工程的施工和運(yùn)營(yíng)中起到重要作用，因此，注漿效果評(píng)價(jià)方法的科學(xué)性和合理性，對(duì)于保障煤炭安全開(kāi)采和工人的生命健康至關(guān)重要。

當(dāng)前，含水層注漿效果評(píng)價(jià)的方法主要有物探、鉆探和水文信息分析，楊志斌[1]以流體力學(xué)為理論基礎(chǔ)，采用鉆孔高壓壓水的試驗(yàn)方法，建立了煤層底板突水通道截流或突水含水層堵源的預(yù)注漿治理效果定量評(píng)價(jià)模型；司馬丹琪等[2]以鯉泥湖礦區(qū)為例，構(gòu)建了礦區(qū)水文地質(zhì)概念模型和數(shù)學(xué)模型，最終利用模糊數(shù)學(xué)的理論，建立以各指標(biāo)為評(píng)價(jià)因子的模糊綜合評(píng)價(jià)模型，對(duì)注漿效果評(píng)價(jià)具有重要的指導(dǎo)意義；冉德立[3]結(jié)合河南永城陳四樓煤礦2517工作面注漿工程，以工作面底板注漿鉆孔成果數(shù)據(jù)為基礎(chǔ)，使用物探、Surfer軟件繪圖、突水系數(shù)評(píng)價(jià)、水化學(xué)等方法建立了注漿效果綜合評(píng)價(jià)體系，為注漿效果檢驗(yàn)及工作面安全回采提供了可靠依據(jù)。大多數(shù)礦井是通過(guò)對(duì)單位注漿量、滲透系數(shù)等指標(biāo)單因素分析進(jìn)行注漿效果評(píng)價(jià)，具有一定的不確定性，且注漿效果評(píng)價(jià)與人工智能分析結(jié)合鮮有研究。因此，基于黃河北煤田邱集煤礦灰?guī)r含水層注漿改造工程實(shí)際，采用機(jī)器學(xué)習(xí)和人工神經(jīng)網(wǎng)絡(luò)，提出基于數(shù)據(jù)訓(xùn)練學(xué)習(xí)形成評(píng)價(jià)模型的注漿效果智能化評(píng)價(jià)方法，對(duì)于完善注漿效果評(píng)價(jià)方法和保障煤炭資源的安全高效開(kāi)采，具有科學(xué)的指導(dǎo)作用和實(shí)際意義。

1 注漿效果評(píng)價(jià)指標(biāo)的選取

含水層注漿改造的實(shí)質(zhì)是將特定的注漿材料填充到含水層中的巖溶裂隙、孔隙和導(dǎo)水通道中，通過(guò)減小含水層的滲透性而成為隔水層的過(guò)程。注漿后的評(píng)價(jià)指標(biāo)，由于其產(chǎn)生的機(jī)理不同，對(duì)注漿效果評(píng)價(jià)的影響也不相同。因此，選擇合適的注漿效果評(píng)價(jià)指標(biāo)顯得尤為重要。針對(duì)邱集煤礦現(xiàn)有數(shù)據(jù)和實(shí)際開(kāi)采條件，選取了滲透系數(shù)、單位注漿量、終壓、總注漿量、漿液壓力、注漿位置(頂板或底板)、單位吸水率、總壓力、孔口壓力、水柱壓力、注漿段長(zhǎng)等十一種指標(biāo)來(lái)分析定向鉆孔注漿的改造效果，這些參數(shù)均屬于現(xiàn)場(chǎng)注漿工程結(jié)束時(shí)即可獲得的數(shù)據(jù)，保證了數(shù)據(jù)獲取的便捷性，同時(shí)也提高了該評(píng)價(jià)方法的快捷程度。

1.1 吸水率和滲透系數(shù)

一些學(xué)者認(rèn)為，不同的突水機(jī)理反映為形成不同的突水通道，不同的突水通道導(dǎo)致注漿巖土體的力學(xué)強(qiáng)度和滲透性能不同[4]。因此，可以把滲透性能作為注漿效果的評(píng)價(jià)指標(biāo)。反映巖體滲透性能的主要指標(biāo)為吸水率和滲透系數(shù)[5]，吸水率主要取決于巖土體中孔隙度的大小。根據(jù)注漿泵壓、吸水段長(zhǎng)度等計(jì)算單位吸水率q，當(dāng)計(jì)算結(jié)果不大于0.01 L/(min·m·m)時(shí)，才能結(jié)束鉆孔注漿施工。單位吸水率的計(jì)算公式為：

(1)

式中，q為單位吸水率，L/(min·m·m)；T為壓入流量，L/min；P為作用于試段內(nèi)的壓力(換算水頭高度)；L為試驗(yàn)段長(zhǎng)度，m。

滲透系數(shù)是用來(lái)表示流體通過(guò)孔隙骨架的難易程度的系數(shù)，被定義為單位水力梯度作用下的流量?！端姽こ蹄@孔壓水試驗(yàn)規(guī)程》推薦：當(dāng)試段位于地下水位以下，透水率在10 Lu以下，可用式(2)計(jì)算含水層的滲透系數(shù)。

(2)

式中，K為地層滲透系數(shù)，m/d；Q為壓水流量，m3/d；H為試驗(yàn)壓力，以水頭表示，m；r為鉆孔半徑，m。

1.2 總注漿量和單位注漿量

實(shí)踐表明，在注漿改造的工程中，注漿量的多少對(duì)于注漿效果具有一定的指示作用，尤其是單位注漿量，當(dāng)單位注漿量處于合理范圍內(nèi)時(shí)，含水層注漿效果隨著單位注漿量的增大而增強(qiáng)。因此，可根據(jù)單位注漿量的大小反映含水層注漿改造的效果。

1.3 漿液壓力和注漿終壓

漿液能夠進(jìn)入巖土體裂隙并擴(kuò)散壓實(shí)的主要?jiǎng)恿κ菨{液壓力。在定向鉆進(jìn)注漿防治水技術(shù)中，可以通過(guò)對(duì)漿液壓力的調(diào)控來(lái)實(shí)現(xiàn)注漿范圍的精準(zhǔn)控制，而且漿液壓力的變化也能反映注漿效果的好壞[6，7]。注漿終壓是控制注漿施工結(jié)束的參數(shù)，能夠決定注漿的充實(shí)率大小和質(zhì)量好壞[8]。所以，注漿終壓和漿液壓力是控制注漿施工和評(píng)價(jià)注漿效果的重要參數(shù)。

2 注漿評(píng)價(jià)方法

2.1 檢查孔法

檢查孔法是一種注漿后的檢驗(yàn)方法，是目前最可靠的一種方法[9]。注漿結(jié)束后，結(jié)合水文地質(zhì)特征和注漿信息，對(duì)可能比較薄弱的注漿區(qū)域設(shè)置檢查孔，再通過(guò)一系列手段進(jìn)行注漿效果評(píng)價(jià)，如通過(guò)對(duì)檢查孔取芯后進(jìn)行壓水試驗(yàn)測(cè)定滲透系數(shù)，但最終還是以滲透系數(shù)來(lái)反映注漿效果的好壞。

2.2 注漿信息分析法

注漿信息分析法是對(duì)注漿過(guò)程中產(chǎn)生的各種數(shù)據(jù)(注漿量、涌水量、漿液填充率等)進(jìn)行分析，挖掘和整合隱藏信息，對(duì)注漿效果進(jìn)行定性分析的方法，其優(yōu)缺點(diǎn)見(jiàn)表1。

表1 部分注漿資料分析法優(yōu)缺點(diǎn)Table 1 Advantages and disadvantages of partial grouting data analysis method

2.3 地球物理勘驗(yàn)法

地球物理勘探是利用巖體的物理差異來(lái)達(dá)到評(píng)價(jià)的方法，可以對(duì)注漿效果進(jìn)行宏觀評(píng)價(jià)，但是很多物探手段對(duì)水較為敏感，而對(duì)特殊注漿材料敏感度較低，難以反映其變化情況。

從目前常用的評(píng)價(jià)方法來(lái)看，檢查孔法需對(duì)待觀測(cè)區(qū)域進(jìn)行打孔鉆探，工程量大、所需費(fèi)用較高，且受地質(zhì)條件約束；注漿信息分析法計(jì)算量龐大、計(jì)算過(guò)程復(fù)雜且不能直接說(shuō)明注漿好壞；地球物理勘驗(yàn)法受限于設(shè)備精度和地質(zhì)條件，難以給出準(zhǔn)確的結(jié)果，總的來(lái)說(shuō)，上述注漿效果評(píng)價(jià)存在程序復(fù)雜、準(zhǔn)確度不足的缺點(diǎn)。人工神經(jīng)網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)是一個(gè)不斷發(fā)展完善的過(guò)程，在此，結(jié)合上述評(píng)價(jià)方法的優(yōu)缺點(diǎn)，本文采用人工神經(jīng)網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)，對(duì)注漿效果進(jìn)行科學(xué)評(píng)價(jià)分析，預(yù)期獲得一種實(shí)用、簡(jiǎn)單、科學(xué)而又準(zhǔn)確的評(píng)價(jià)方法。

3 評(píng)價(jià)模型建立

3.1 數(shù)據(jù)和可視化分析

通過(guò)對(duì)注漿參數(shù)進(jìn)行分析，發(fā)現(xiàn)總注漿量與單位注漿量存在密切聯(lián)系，在注漿段長(zhǎng)一定時(shí)，單位注漿量越多，總注漿量也越大。因此，總注漿量與單位注漿量的相關(guān)系數(shù)為0.64，相關(guān)度較高。

地面注漿總壓力為注漿孔內(nèi)漿柱自重壓力和注漿泵產(chǎn)生的壓力之和，注漿孔口壓力等于注漿總壓力減去注漿段中間的水柱壓力。因此，總壓力和孔口壓力的相關(guān)系數(shù)最高(R=0.88)。注漿終壓是注漿結(jié)束時(shí)注漿孔口的壓力，與孔口壓力也具有較高的相關(guān)度(R=0.82)，總壓力與終壓的相關(guān)系數(shù)為0.78，如圖1所示。

注：1—滲透系數(shù)，m/d；2—單位注漿量，t/m；3—終壓，MPa；4—總注漿量，t；5—漿液壓力，MPa；6—底板或頂板(底板=0，頂板=1)；7—單位吸水率，L/(min·m·m)；8—總壓力，MPa；9—孔口壓力，MPa；10—水柱壓力，MPa；11—注漿段長(zhǎng)，m圖1 數(shù)據(jù)特征相關(guān)性分析Fig.1 Data feature correlation analysis chart

通過(guò)繪制注漿后灰?guī)r滲透系數(shù)的特征分布，發(fā)現(xiàn)大部分灰?guī)r的滲透系數(shù)位于連續(xù)區(qū)間內(nèi)，主要集中在0.00025 m/d附近，滲透系數(shù)在0～0.0005 m/d區(qū)域約占總數(shù)據(jù)量的85%，說(shuō)明注漿后灰?guī)r巖溶裂隙封堵較好。定向鉆孔注漿工程中，注漿終壓是注漿工程能否達(dá)標(biāo)的重要標(biāo)準(zhǔn)，分析發(fā)現(xiàn)，注漿終壓在滿足注漿結(jié)束標(biāo)準(zhǔn)的同時(shí)均集中在8.0～14.0 MPa之間，說(shuō)明注漿終壓均達(dá)到了設(shè)計(jì)要求。

最大灰?guī)r注漿量為39160 t，對(duì)應(yīng)注漿段長(zhǎng)屬于正常值，說(shuō)明該注漿孔附近裂隙較為發(fā)育，其他注漿量均集中在0～20000 t區(qū)間，其中，0～10000 t區(qū)間的注漿量占總數(shù)據(jù)量的90%以上。單位注漿量表現(xiàn)出了和總注漿量相似的分布特征。

灰?guī)r的總注漿壓力、孔口注漿壓力、漿液壓力、水柱壓力、注漿段長(zhǎng)和單位吸水率等參數(shù)的分布特征如圖2所示，可以看出，因相對(duì)薄弱區(qū)的存在，導(dǎo)致個(gè)別數(shù)據(jù)相對(duì)較高，但仍在標(biāo)準(zhǔn)范圍內(nèi)，訓(xùn)練集中的數(shù)據(jù)不存在缺失、大量重復(fù)和失真等異常情況。

圖2 注漿各參數(shù)分布Fig.2 Data distribution map

為方便數(shù)據(jù)分析，將頂?shù)装宸謩e設(shè)置為1和0作為數(shù)值型參數(shù)，數(shù)據(jù)歸一化處理后減小了與其他參數(shù)的數(shù)量級(jí)差異。注漿效果的評(píng)價(jià)標(biāo)準(zhǔn)是參考邱集煤礦含水層注漿效果的評(píng)價(jià)報(bào)告，基于現(xiàn)場(chǎng)注漿實(shí)際需要，設(shè)定為達(dá)標(biāo)區(qū)、合格區(qū)和相對(duì)薄弱區(qū)，并對(duì)其進(jìn)行了特征數(shù)值化處理。

3.2 機(jī)器學(xué)習(xí)模型

機(jī)器學(xué)習(xí)是研究計(jì)算機(jī)模仿或?qū)崿F(xiàn)人類的學(xué)習(xí)行為。該方法使用多種機(jī)器學(xué)習(xí)的算法，對(duì)目前已有數(shù)據(jù)進(jìn)行算法分析，完成一個(gè)從基礎(chǔ)數(shù)據(jù)到最終效果評(píng)價(jià)的迅速、快捷的轉(zhuǎn)換。鑒于現(xiàn)場(chǎng)注漿數(shù)據(jù)量相對(duì)有限，為提高分析精度，選取XGboost、支持向量機(jī)和K近鄰等模型對(duì)定向鉆孔注漿效果進(jìn)行評(píng)價(jià)。

3.2.1 XGboost

XGboost(全稱為Extreme Gradient Boosting)是經(jīng)過(guò)優(yōu)化的分布式梯度提升庫(kù)，具有高效、靈活且可移植的優(yōu)點(diǎn)。在工業(yè)界大規(guī)模數(shù)據(jù)方面，XGboost的分布式版本有廣泛的可移植性，能夠很好地解決工業(yè)界大規(guī)模數(shù)據(jù)的問(wèn)題[10]。其核心思想為：不斷地添加新函數(shù)，不斷地進(jìn)行特征分裂來(lái)讓函數(shù)成長(zhǎng)，每次都學(xué)習(xí)一個(gè)新函數(shù)，去擬合上次預(yù)測(cè)的殘差。當(dāng)訓(xùn)練完成得到k個(gè)函數(shù)時(shí)，要預(yù)測(cè)一個(gè)樣本的分?jǐn)?shù)。最后只需要將每個(gè)函數(shù)對(duì)應(yīng)的分?jǐn)?shù)加起來(lái)，即可求得樣本的預(yù)測(cè)值。

3.2.2 支持向量機(jī)

支持向量機(jī)(Support Vector Machine，SVM)是通過(guò)一個(gè)非線性映射p，把樣本空間映射到一個(gè)高維或無(wú)窮維的特征空間中，使得在原來(lái)的樣本空間中非線性可分的問(wèn)題轉(zhuǎn)化為在特征空間中的線性可分的問(wèn)題[11]。目前，該技術(shù)已經(jīng)被廣泛用于模式識(shí)別、分類、工業(yè)工程、航天工程等多個(gè)領(lǐng)域，效果十分可觀。

3.2.3 K近鄰

K近鄰分類算法(K-Nearest Neighbor，KNN)是一種基本的分類方法，即給定一個(gè)訓(xùn)練數(shù)據(jù)集，對(duì)新的輸入實(shí)例，在訓(xùn)練數(shù)據(jù)集中找到與該實(shí)例最鄰近的K個(gè)實(shí)例。當(dāng)數(shù)據(jù)量小時(shí)，K近鄰算法體現(xiàn)出較好的性能。K近鄰分類算法簡(jiǎn)單、易理解、易實(shí)現(xiàn)，無(wú)需估計(jì)參數(shù)，無(wú)需訓(xùn)練；適合對(duì)稀有事件進(jìn)行分類；特別是對(duì)具有多個(gè)類別標(biāo)簽的多分類問(wèn)題，KNN表現(xiàn)較好。但由于該算法對(duì)每一個(gè)待分類的文本都要計(jì)算它到全體已知樣本的距離，才能求得它的K個(gè)最近鄰點(diǎn)，導(dǎo)致其計(jì)算量較大。

3.3 BP神經(jīng)網(wǎng)絡(luò)

3.3.1 BP神經(jīng)網(wǎng)絡(luò)原理

BP神經(jīng)網(wǎng)絡(luò)建立在梯度下降法的基礎(chǔ)上，是一種單向傳播，當(dāng)輸出結(jié)果和實(shí)際結(jié)果相差較大，BP神經(jīng)網(wǎng)絡(luò)會(huì)把誤差值反向傳播，將誤差分配給各個(gè)神經(jīng)元，經(jīng)過(guò)反復(fù)學(xué)習(xí)訓(xùn)練，獲得最小的誤差和閾值并達(dá)到期望后，停止訓(xùn)練[12]。BP神經(jīng)網(wǎng)絡(luò)的輸入輸出關(guān)系實(shí)質(zhì)上是一種映射關(guān)系：一個(gè)n輸入m輸出的BP神經(jīng)網(wǎng)絡(luò)所完成的功能是從n維歐氏空間向m維歐氏空間中一個(gè)有限區(qū)域的連續(xù)映射[13]。

3.3.2 網(wǎng)絡(luò)的設(shè)計(jì)

為了模型需要，利用MATLAB將數(shù)據(jù)歸一化，即映射至[-1，1]，并將結(jié)果數(shù)值化。因?yàn)橐粋€(gè)3層的BP神經(jīng)網(wǎng)絡(luò)已經(jīng)能夠完成任意的n維到m維的映射，無(wú)需添加隱層數(shù)即可完成目的。因此，選用輸入層—隱含層—輸出層的3層網(wǎng)絡(luò)。

利用MATLAB中神經(jīng)網(wǎng)絡(luò)工具包Neural Net Fitting工具，將歸一化后的數(shù)據(jù)作為輸入層，數(shù)值化結(jié)果作為輸出層，隱含層的神經(jīng)元個(gè)數(shù)根據(jù)經(jīng)驗(yàn)公式確定。

式中，h為隱含層節(jié)點(diǎn)數(shù)目，個(gè)；m為輸入層節(jié)點(diǎn)數(shù)目，個(gè)；n為輸出層節(jié)點(diǎn)數(shù)目，個(gè)；a為1～10之間的調(diào)節(jié)常數(shù)。

設(shè)計(jì)網(wǎng)絡(luò)結(jié)構(gòu)分別為15、16、17個(gè)隱含神經(jīng)元。

4 結(jié)果分析與簡(jiǎn)易平臺(tái)搭建

4.1 機(jī)器學(xué)習(xí)結(jié)果

基于黃河北煤田邱集煤礦現(xiàn)場(chǎng)灰?guī)r注漿的103組數(shù)據(jù)，部分注漿數(shù)據(jù)見(jiàn)表2，每組數(shù)據(jù)包含前文所述的滲透系數(shù)、單位注漿量、終壓、總注漿量等11種指標(biāo)，數(shù)據(jù)處理后，分析表明無(wú)異常情況。

表2 部分注漿數(shù)據(jù)Table 2 Partial grouting data

現(xiàn)場(chǎng)灰?guī)r注漿103組數(shù)據(jù)中，72組注漿數(shù)據(jù)用于模型訓(xùn)練，31組注漿數(shù)據(jù)用于模型測(cè)試。三種機(jī)器學(xué)習(xí)結(jié)果的混淆矩陣如圖3—5所示。①在K近鄰模型中，訓(xùn)練數(shù)據(jù)正確的個(gè)數(shù)為58組，測(cè)試數(shù)據(jù)正確個(gè)數(shù)為22組，測(cè)試正確率較低；在支持向量機(jī)模型中，模型訓(xùn)練的數(shù)據(jù)正確組數(shù)為62組，模型測(cè)試的正確數(shù)據(jù)為24組，測(cè)試正確率高于K近鄰模型，但是，針對(duì)第三類相對(duì)薄弱區(qū)，訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)組數(shù)均為0，難以準(zhǔn)確判斷相對(duì)薄弱區(qū)，原因是相對(duì)薄弱區(qū)的數(shù)據(jù)組數(shù)較少；XGboost取得的效果相對(duì)較好，訓(xùn)練數(shù)據(jù)全部正確，測(cè)試正確數(shù)據(jù)為25組，錯(cuò)誤6組，其中，第二類合格區(qū)錯(cuò)誤5組，可見(jiàn)在針對(duì)第二類合格區(qū)的分析存在不足。

圖3 K近鄰模型訓(xùn)練集和測(cè)試集混淆矩陣Fig.3 Nearest neighbor model training set and test set confusion matrix

圖4 支持向量機(jī)模型訓(xùn)練集和測(cè)試集混淆矩陣Fig.4 Support vector machine model training set and test set confusion matrix

圖5 XGB模型訓(xùn)練集和測(cè)試集混淆矩陣Fig.5 XGB model training set and test set confusion matrix

綜上，利用現(xiàn)有數(shù)據(jù)進(jìn)行訓(xùn)練得出：XGboost算法的準(zhǔn)確度最高(0.8064)；支持向量機(jī)算法準(zhǔn)確度(0.7742)；K近鄰效果最差(0.7154)。從運(yùn)行時(shí)間可知：K近鄰花費(fèi)之間最少；XGboost由于運(yùn)行過(guò)程中不斷添加函數(shù)，花費(fèi)時(shí)間也相應(yīng)增加。但是，三種機(jī)器學(xué)習(xí)的算法精確度均不能達(dá)到0.9，主要原因可能如下：①各指標(biāo)間存在很大的數(shù)量級(jí)差距，難以通過(guò)歸一化完全消除；②數(shù)據(jù)量和指標(biāo)組數(shù)較少，導(dǎo)致其精度較差；③相比合格和達(dá)標(biāo)的數(shù)據(jù)，相對(duì)薄弱區(qū)訓(xùn)練數(shù)據(jù)較少，影響了其精度。

4.2 BP神經(jīng)網(wǎng)絡(luò)結(jié)果分析

15個(gè)隱含神經(jīng)元的擬合程度達(dá)不到0.9，16、17個(gè)隱含神經(jīng)元的擬合程度分別為0.94、0.93，二者大致相等，但17個(gè)隱含神經(jīng)元的線性化程度更高。因此，設(shè)置17個(gè)隱含神經(jīng)元。

神經(jīng)網(wǎng)絡(luò)訓(xùn)練的均方根誤差在第4代時(shí)為0.12673，均方誤差約為0.075，如圖6所示。在訓(xùn)練第4代之前，隨著訓(xùn)練次數(shù)的增加，訓(xùn)練誤差與測(cè)試誤差同時(shí)下降；當(dāng)超過(guò)第4代后，訓(xùn)練誤差仍在下降，但測(cè)試誤差開(kāi)始上升，說(shuō)明此時(shí)訓(xùn)練過(guò)度。

圖6 最佳驗(yàn)證性能Fig. 6 Best verification performance graph

誤差直方圖如圖7所示，總體上屬于正常型誤差，但存在少量大數(shù)據(jù)偏差，說(shuō)明在正常范圍內(nèi)存在較大數(shù)據(jù)。借助黃河北煤田邱集煤礦注漿的分析模型，建立注漿數(shù)據(jù)的測(cè)試網(wǎng)絡(luò)，效果如圖8所示，可以看出，第一類達(dá)標(biāo)區(qū)與第二類合格區(qū)效果較好，數(shù)據(jù)相對(duì)集中，第三類相對(duì)薄弱區(qū)由于訓(xùn)練數(shù)據(jù)過(guò)少，存在一定的偏差，總體來(lái)說(shuō)準(zhǔn)確度達(dá)到0.9，證明該方法可行。

圖7 誤差直方圖Fig.7 Error histogram

4.3 簡(jiǎn)易系統(tǒng)搭建

比較XGboost、支持向量機(jī)、K近鄰三種機(jī)器學(xué)習(xí)與BP人工神經(jīng)網(wǎng)絡(luò)，發(fā)現(xiàn)BP人工神經(jīng)網(wǎng)絡(luò)精度最高，使用現(xiàn)場(chǎng)數(shù)據(jù)測(cè)試取得了較好的效果。根據(jù)通過(guò)MATLAB訓(xùn)練的BP人工神經(jīng)網(wǎng)絡(luò)模型，在此基礎(chǔ)上，通過(guò)pycharmIDE制作了演示系統(tǒng)，其工作方式為：下載excel模板，根據(jù)模板要求填寫(xiě)滲透系數(shù)、單位注漿量、終壓、總注漿量、漿液壓力、注漿位置(頂板或底板)、單位吸水率、總壓力、孔口壓力、水柱壓力、注漿段長(zhǎng)等數(shù)據(jù)；將文件上傳該演示系統(tǒng)，系統(tǒng)能夠自動(dòng)評(píng)價(jià)注漿區(qū)域的效果。

5 結(jié) 論

1)通過(guò)三種機(jī)器學(xué)習(xí)模型與BP人工神經(jīng)網(wǎng)絡(luò)模型的擬合分析，發(fā)現(xiàn)BP人工神經(jīng)網(wǎng)絡(luò)模型的擬合效果較好(0.93811)。

2)提出了采用BP人工神經(jīng)網(wǎng)絡(luò)模型的灰?guī)r含水層定向注漿效果智能評(píng)價(jià)方法。采用現(xiàn)場(chǎng)數(shù)據(jù)與擬合結(jié)果對(duì)比，可知BP人工神經(jīng)網(wǎng)絡(luò)模型分析的準(zhǔn)確度達(dá)0.9，驗(yàn)證了該方法的可行性。

3)隨著應(yīng)用次數(shù)以及時(shí)間的積累，注漿數(shù)據(jù)的樣本會(huì)不斷增加，樣本因素造成的結(jié)果誤差會(huì)不斷減小，效果評(píng)價(jià)結(jié)果的準(zhǔn)確性會(huì)進(jìn)一步提高。