常量离子联合微量元素煤矿突水水源判别研究

李 涛，高 颖，郭亮亮

(1.六盘水师范学院 矿业与土木工程学院，贵州 六盘水 553004；2.矿山地质灾害成灾机理与防控重点实验室，陕西 西安 710065；3.陕西省一八五煤田地质有限公司，陕西 榆林 719000；4.陕西煤业化工技术研究院有限责任公司，陕西 西安 710065)

我国华北型煤田普遍受到底板承压水害的威胁[1-4]，而煤层底板含水介质相近，底板突水水源判别困难。我国华北型煤田底板含水层众多，每个含水层又分为多个组、段。有的含水层(组、段)富水性强，对煤炭开采危害重大。有的含水层(组、段)富水性弱，对煤炭开采不构成直接威胁。因此，煤炭开采过程中发生突涌水现象，对突涌水的水源判别有重大现实性意义。

有关煤矿突水水源判别的研究较为丰富。在方法上，有采用各类统计方法开展突水水源判别的：如王心义等[5]采用距离判别法研究了突水水源识别。又如余克林等[6]采用模糊综合评判法判别矿井突水水源。琚棋定等[7]则采用主成分分析与贝叶斯判别发判别矿井突水水源。矿井判别在判别数据源上，有利用不同测试结果进行判别：如牟林[8]利用水质动态曲线预测突水的水源。王玉民[9]、马杰[10]利用常规离子判别矿井突水水源。陈陆望[11]、桂和荣[12]利用微量元素判别临涣矿区突水水源。薛建坤[13]利用同位素判别矿井突水水源。别近年，又有团队在研究有机物在突水水源判别方面的应用。虽然大量的研究成果已经很大程度上解决了该技术难题[14]，但由于不同区域地下水环境差异较大，不同的方法和数据源应用的范围各有差异，因此需要对比不同的统计方法、不同数据源来研究适应研究区的突水水源判别模型。本文以渭北煤田的1个大型岩溶水文单元为研究区域，测试常量离子和微量元素含量，并对比验证不同判别模型的准确率。

1 研究区概况

1.1 区域概况

研究区域为渭北煤田，属陕西关中地区。主要包含铜川(包括徐家沟煤矿、东坡煤矿等)、蒲白(包括朱家河矿等)、澄合(包括董家河煤矿、王斜煤矿、澄合二矿、王村煤矿、山阳煤矿等)及韩城(包括象山煤矿、下峪口煤矿、桑树坪煤矿等)4个矿区。

渭北矿区主要开采二叠系煤层，共含有11层煤，其中主要开采的煤层是山西组和太原组的3#、5#、10#和11#煤层，煤炭开采过程中受顶板、底板等多种水害威胁。水害威胁严重的煤矿几乎每个工作面都有巨大的矿井涌水(工作面正常涌水量在100m3/h以上)，甚至发生过多次淹井事故。

1.2 研究区主要充水含水层概况

研究区可开采煤层较多，但研究区威胁最大的充水水源是奥灰含水层，因此本次研究的目标煤层为普遍受奥灰水威胁的煤层，即5#、10#和11#煤层。目标煤层除受奥灰水威胁外，其他主要充水水源还有太灰和二叠系砂岩裂隙含水层，这些含水层的主要特征如下：

1)二叠系砂岩裂隙含水层。该含水层为一个复合含水层，对采煤有一定威胁的含水层位包括山西组、下石盒子组及上石盒子组。通过对这些层位井上抽水实验和井下探放水工程分析，认为该含水层富水性弱。

2)太灰含水层。该含水层厚度为10～80m，属于裂隙承压含水层，富水性、透水性整体较强。在局部该组含水层又相变为石英砂岩含水层，厚1～2m，富水性较弱。该含水层的储水介质与下伏奥陶系灰岩含水层相近似，因此两者常规水质相近，这就常常造成突水水质判别的误判。

3)奥灰含水层。该含水层也是一个复合含水层组，整体富水性强～极强。该岩层历经多次构造破坏作用，岩层直立、倒转、褶曲、断裂，岩溶裂隙发育，为地下水的储存运移创造了良好条件。地下水以动储量和静储量并存为特征，是渭北煤田防治水的重点。

2 水样采集及测试

2.1 水样采取

2.1.1 取样点设计

对于渭北煤田煤矿突水来说，主要突水含水层有3个：二叠系砂岩裂隙含水层、太灰含水层及奥灰含水层。主要对这3个突水含水层进行采样，取样范围涉及图1中研究区的4个矿区。结合4个矿区揭露各含水层的程度，太灰含水层和奥灰含水层以澄合矿区和韩城矿区为主，二叠系砂岩裂隙含水层以铜川矿区和蒲白矿区为主。

在渭北煤田设计了采样点61个，采集到水样61组。涉及四个矿区主要生产的矿井涌出水、长观孔、民用井等。采样点分布如图1所示，其中二叠系砂岩裂隙含水层共取样23组，太灰含水层共取样15组，奥灰含水层共取样23组。

2.1.2 取样设备及方法

大量取样是在水位埋深较大的水文长观孔环境中开展，这种环境取样需要特定的深孔取水器。

因此设计了一种倒锥形倒流钻孔取水装置[15]，如图1所示，其优点在于：①在进水过程中，无需各类操作(采用虹吸原理，从取水装置底部自流进入)；②在提升过程中，锥形取水器可以保持平衡体态，取水器中的水样难以洒漏；③在取水效率方面，本装置采用一体化设计，能够高效获取水样；④在水样获取有效性方面，本装置不易受到外部污染。

整个取水装置的重量全由测绳承重。取水器放入取水钻孔，接触水面倒锥形取水器自动倾倒，基于虹吸原理取得水样。在取水样前，按照要求对取水器和装水样的聚乙烯瓶用蒸馏水洗涤3遍，然后用样品水洗涤3次。

图1 深孔取水器

2.2 水样测试

本次测试主要是进行水质简分析和水中微量元素测试，相关的测试项目及仪器见表1。水质简分析除表中主要测试内容外还测定TDS、总硬度等，微量元素则测试了44种(Li，Be，Sc，Ti，V，Mn，Cr，Co，Ni，Cu，Zn，Ga，Rb，Y，Nb，Mo，Cd，Sb，Cs，Ba，La，Ce，Pr，Nd，Sm，Eu，Gd，Tb，Dy，Ho，Er，Tm，Yb，Lu，W，Tl，Pb，Bi，Th，U，Sr，In，Zr，Hf)，但只有17种元素能够普遍测定出。其余27种元素，由于普遍含量不高，测试结果采用现有先进仪器无法准确测定，因此本次研究不做探讨，仅使用17种能够普遍测定出的元素进行统计分析。

表1 主要测试项目及仪器

3 突水水源判别分析

3.1 逐步判别分析确定特征指标

3.1.1 常量水化学项逐步判别分析

对各含水层的常量水化学测试指标(10个)，应用Fisher准则下的多类逐步线性判别分析(SPSS软件分析)，得出常量水化学项判别函数：

Y1=-0.007x1-0.041x2+25.85x3-0.027x4+

0.096x5+130.577x6-569.625

(1)

Y2=-0.094x1-0.127x2+48.887x3+0.015x4+

0.128x5+127.628x6-532.145

(2)

Y3=-0.113x1-0.002x2+48.554x3+0.034x4+

0.119x5+121.082x6-479.033

(3)

式中，Y1为二叠系砂岩裂隙含水层的常量水化学项逐步判别函数；Y2为太灰含水层的常量水化学项逐步判别函数；Y3为奥灰含水层的常量水化学项逐步判别函数；x1表示钾离子与钠离子浓度之和，mg/L；x2表示镁离子浓度，mg/L；x3表示铵根离子浓度，mg/L；x4表示氯离子浓度，mg/L；x5表示硫酸根离子浓度，mg/L；x6表示酸碱度。

3.1.2 微量元素项逐步判别分析

对研究区各含水层的微量元素测试指标(17个)，采用Fisher准则下的多类逐步线性判别分析(SPSS软件分析)，则有微量元素项判别函数如下：

Y4=3.02x7+34.917x8-22.414x9+9.153x10+

15.042x11-18.899x12-6.613x13+37.641x14+

0.684x15+278.376x16-891.702x17-3.598x18-

23.004x19-0.008x20-600.411

(4)

Y5=2.182x7+26.231x8-15.547x9+6.89x10+

11.335x11-17.122x12-4.329x13+26.186x14+

0.611x15+218.865x16-627.5x17-2.577x18-

19.093x19-0.002x20-364.15

(5)

Y6=1.439x7+18.689x8-10.549x9+4.543x10+

7.765x11-9.859x12-3.02x13+17.224x14+

0.368x15+141.934x16-411.412x17-1.72x18-

12.175x19-0.003x20-170.035

(6)

式中，Y4为二叠系砂岩裂隙含水层的微量元素逐步判别函数；Y5为太灰含水层的微量元素逐步判别函数；Y6为奥灰含水层的微量元素逐步判别函数；x7表示锂元素浓度，μg/L；x8表示钪元素浓度，μg/L；x9表示钒元素浓度，μg/L；x10表示铬元素浓度，μg/L；x11表示镍元素浓度，μg/L；x12表示铜元素浓度，μg/L；x13表示锌元素浓度，μg/L；x14表示铷元素浓度，μg/L；x15表示钼元素浓度，μg/L；x16表示锑元素浓度，μg/L；x17表示铯元素浓度，μg/L；x18表示钡元素浓度，μg/L；x19表示铀元素浓度，μg/L；x20表示锶元素浓度，μg/L。

通过上述统计分析，研究区微量元素原有的17个指标优选出14个特征指标，包括Li、Sc、V、Cr、Ni、Cu、Zn、Rb、Mo、Sb、Cs、Ba、U和Sr。将14个特征指标数值分别代入前述3个判别函数，其函数值最大者判定为突水水源。

3.2 Bayes多类线性判别对比分析

3.2.1 常量水化学项多类线性判别分析

以研究区优选出的6种常量水化学特征指标作为因变量，采用SPSS软件中Bayes多类线性统计分析模型，分析结果见表2、3。

表2 常量水化学项Bayes多类线性判别函数

表3 常量水化学项Bayes多类线性判别结果

3.2.2 微量元素项多类线性判别分析

以研究区优进一步选出的7种特征微量元素含量作为因变量，采用SPSS软件中Bayes多类线性统计分析模型，分析结果见表4、表5。

表4 微量元素Bayes多类线性判别函数

表5 微量元素Bayes多类线性判别结果

由表4、5可以看出，在研究区以7种特征微量元素为因变量的二叠系含水层、太灰含水层、奥灰含水层三类主要突水含水层的Bayes多类线性判别函数中，各因变量系数绝对值由大到小依次为Cr、Ni、Rb、Mo、Li、Ba和Sr。由此可见，Cr、Ni、Rb含量在本方法突水水源判别时影响较大。以特征微量元素作为因变量的Bayes多类线性判别准确率为89.3%(28个水样中判定正确25个)，错误率为10.7%(28个水样中判定错误3个)，该函数判别效果整体较为显著。

3.2.3 常量离子联合微量元素项Bayes多类线性判别分析

同前所述，以研究区 7种特征微量元素和6个常量离子的含量作为因变量，采用SPSS软件中Bayes多类线性统计分析模型，分析结果见表6、表7。

表6 常量离子联合微量元素Bayes多类线性判别函数

表7 常量离子联合微量元素Bayes多类线性判别结果

4 结 论

1)发明的倒锥形深孔取水装置，采用虹吸原理设计，能够在深井中高效获取无污染水样，为微量元素准确测定提供了基础。

3)以常量离子联合微量元素为因变量的Bayes多类线性判别正确率为92.9%(28个水样中判定正确26个)，错误率为7.1%(28个水样中判定错误2个)，该函数判别效果整体最为显著。