常量离子联合微量元素煤矿突水水源判别研究
2020-07-24郭亮亮
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。