矿井涌水量动态影响因素分析——以贵州某煤矿为例

杨建华，蔡 云

(中国电建集团 贵州电力设计研究院有限公司，贵阳 550025)

矿井涌水量是煤矿安全监测的重要指标之一，对其进行科学预测既能为煤矿安全生产提供重要保障，也是评判排水方案设计是否经济、合理的依据[1]。矿井涌水量主要受多因素的相互作用，如井下复杂水文地质环境、地质构造、大气降雨、开采程度、开采面积、煤层顶底板的岩性特征等多种因素的影响，呈现出非线性、非平稳特性和自相关性。目前，在涌水量预测方法研究方面，主要有解析法、水均衡法、水文地质比拟法、相关分析法、灰色系统法和BP神经网络等方法[2-6]。其中，BP神经网络能更好地解决非线性映射，具有较好的预测效果[7]。本文分析了矿井复杂的水文地质条件、开采深度不断延深、开采面积增加等因素对矿井涌水量动态的影响，同时利用BP神经网络对矿井涌水量进行预测分析。

1 研究区背景

1.1 地质背景

研究区位于贵州省水城县境内，地处贵州高原西部山区地形，为中等切割中山地貌、山脉绵延，主体呈东西延伸，地势北高南西低，地形崎岖，起伏较大。地层岩性为二叠系上统峨眉山玄武岩(P3β)、二叠系上统龙潭组(P3l)砂岩、二叠系中统关岭组(T2g)灰岩、白云质灰岩、第四系(Q4)残积、坡积、冲积及洪积物。其地质构造较为发育，位于格目底向斜东段之南西翼，为一向北东倾斜的单斜构造,地层倾角一般在20°～30°。主要含煤地层为龙潭组，现主采为M20号煤层，平均厚度为2.17 m，全区可采。矿区主要煤层统计见表1。

表1 矿区可采煤层统计表

1.2 水文地质条件

矿区属珠江水系北盘江上游巴拉河流域。区内无较大河流经过，季节性山涧小溪发育,流量受季节影响较大。当地侵蚀基准面为巴拉河,煤炭储量大部分位于基准面之上。矿区充水水源主要为大气降水，其次为老窑水，最后为含水层之间的地下水。矿井直接充水水源为三叠系龙潭组基岩裂隙水，主要岩性为泥岩、粉砂质泥岩，为富水性较弱的含水层。矿区的主要含水层岩(组)自上而下为松散孔隙水含水层和龙潭组、飞仙关组基岩裂隙承压含水层，永宁镇组岩溶裂隙含水层。松散孔隙水含水层地下水位埋藏较浅，约为1.5～2 m，渗透系数为10.36 m/d，水质类型为HCO3-Ca型，总硬度9.62，矿化度250 mg/L，为弱富水性含水层；基岩裂隙含水层由灰岩、碎屑岩、粉砂岩、钙质砂岩、泥质粉砂岩及煤层组成，该段石灰岩中溶蚀裂隙较发育，含少量裂隙水，根据矿区抽水试验以及水样分析，矿区单位涌出量为0.013 3～0.018 8 L/s·m，渗透系数为0.005～0.006 m/d。水质类型主要为HCO3-Ca-Mg型，矿化度<100 mg/L，为弱富水性含水层。岩溶裂隙含水层以灰岩为主，地表岩溶较发育，含水层接受大气降水补给后，地下水通过岩溶裂隙、溶洞集中运移，含水性能好，富水条件差；由于抗风化力较强，地表多呈狭长反向陡崖、峭壁，不利于大气降雨的补给，排泄条件也较好，大气降水通过垂直岩溶裂隙补给含水层，并通过岩溶裂隙、溶洞汇集、径流和排泄，含较丰富的岩溶裂隙水，矿区钻孔抽水涌出量0.007 L/s，钻孔抽水单位涌出量为0.000 3 L/s·m，渗透系数为0.006 m/d，水质类型主要为HCO3-Ca-Na型，矿化度90.75 mg/L，总硬度4.2～6.6，为富水性含水层。矿区的主要导水通道为冒落带裂隙、断层破碎带。冒落带裂隙发育在砂岩、泥岩中的裂隙。断层破碎带破坏了岩石的完整性，使岩石的裂隙发育，渗透性较强，抗水压能力较弱。研究区地下水的补给主要来源为大气降水，是矿井涌水量的间接充水水源，其充水过程通过地表岩石裂隙及煤层采空区、冒落塌陷区裂隙等孔隙、孔洞进入地下，主要运移和储存于透水性较好的砂岩裂隙含水层，最终汇集于矿井坑道。

2 涌水量动态的影响因素分析

本次研究收集2011年12月至2017年6月间矿井月总涌水量数据进行数理统计分析(图1)，以反映涌水量的基本特征，矿井月总涌水量值反映涌水量多年时间尺度上的变化特征。全矿涌水量的平均值为46.56 m3/h,最大值为257.72 m3/h,最小值为6.51 m3/h。标准差为51.80 m3/h。置信度(95%)为12.64 m3/h，置信区间(95%)为33.93～59.20 m3/h。此外，从多年涌水量动态特征类型为起伏型，涌水量一直呈有规律的起伏变化，变化周期为1 a左右，但各年的变幅度不等，每年月均涌水量最大值均在5-7月份。

图1 月总矿井涌水量

2.1 大气降水对涌水量的影响

根据整理资料分析可看出，降雨对矿井涌水量的影响最为明显，矿井涌水量随降雨量的变化而变化，因此可得出这类动态变化的成因主要与降水量变化有关。在丰水期间，涌水量随降雨量的增加而明显上升；枯水期间，涌水量随降雨量减少而有所降低。这正体现了大气降水是矿井涌水量的主要来源[8]。以2016年为例，从1-4月份，降雨量从30 mm上升至153 mm，涌水量从26.6 m3/h缓慢上升31.9 m3/h；随后5月份降雨量达370.6 mm，涌水量快速增长且达到最高257.72 m3/h；在7-11月份，降雨量从281.92 mm急剧下降至25 mm，涌水量从7月份227.64 m3/h开始平稳下滑，于11月份为47.19 m3/h；最后12月份时降雨量有所回缓增长为73 mm，涌水量增长为47.60 m3/h，由以上数据可看出大气降水与矿井涌水量呈正相关。见图2。

图2 矿井涌水量与降雨量对比图

2.2 矿井开采深度对涌水量的影响

根据整理资料分析，开采深度对涌水量的影响没有太直接的联系(图3)，但随着开采深度的增加，矿井周围的水文地质条件较为复杂，且缺乏资料。在前人研究的基础上[9]，随着开采深度的增加，对涌水量的影响体现在多方面，开采深度增加，会引起补给水源发生变化，在开采初期，涌水量是由煤矿储量决定涌水量的大小，且开采量的缓慢增加，涌水量也随着增长。在2011年12月至2012年7月，开采深度为103.51～125.74 m,涌水量也缓慢增长为10.8～48.1 m3/h。其次，开采深度会引起围岩的物理性质发生变化以及围岩温升。当温度升高时，围岩易发生脆性破坏，使周围含水层的水对岩体的侵蚀作用增加，引起围岩的渗透系数增大，引起涌水量的增多。最后，随着开采深度的增加，原始地应力发生变化，对围岩的扰动较大，破坏围岩完整性，出现扰动裂隙，周围含水层的水从裂隙流动进入采空区，补给采空区积水，增大涌水量。

图3 矿井涌水量与开采深度对比图

2.3 矿井开采面积对涌水量的影响

开采面积随开采巷道长度的增加而增长，前期，巷道涌水量随开采面积增大而缓慢增大(图4)，根据整理资料可得出，在2011年11月至2012年8月，随着开采深度的增加，巷道长度的增大，开采面积也逐渐增大，其影响涌水量也缓慢凸显。当开采面积达到一定时，开采面积对涌水量的影响较小，从2015年6月起，开采面积增长十分缓慢，但涌水量却变化较大，说明开采面积已不是影响涌水量的主要因素。

图4 矿井涌水量与开采面积对比图

2.4 其它因素对涌水量的影响

影响总涌水量的因素还有断裂构造、观测操作记录不当等，其中观测不当造成的干扰比较容易识别。在矿区，总共揭露断层9条，其中正断层8条，逆断层1条。大于2 m落差断层3条，其中对矿井巷道开拓布置有较大影响的断层2条，受构造应力的影响，破坏煤矿顶板岩层完整性，降低了岩体强度，断层破碎带宽度为几米至十几米，断层裂隙较发育，断层破碎带缩短了煤层采空区和含水层之间的距离，连通更多含水层，裂隙水、大气降水、地表水等水源进入井巷系统，从而引起全矿涌水量的增加。

3 矿井涌水量预测

3.1 BP神经网络原理

ANN是根据对人脑的组织结构、功能特征进行模仿而发展起来的一种新型信息处理系统和计算体系的方法[9],其属于非线性动力学系统范畴，可实现输入到输出的非线性映射，具有良好的适应性、组织特性以及较强的学习和容错能力，能通过学习大量的样本而获取知识[10]。BP神经网络是Rumelhart、McClelland等提出误差反向传播算法而解决了多层前向型神经网络问题的方法。其优点在于BP神经网络能更好地解决非线性映射，具有较好的预测效果。通过学习一定数量的样本，不需要借助其数学知识就可得出输入与输出的映射关系。当BP神经网络运用在矿井涌水量预测时，只需要存在一定数量可供学习训练的涌水量样本，BP神经网络可通过训练学习建立矿井涌水量与多因素影响之间映射模型，并通过反复多次训练，BP神经网络模型便具备了记忆功能，即可应用于实际矿井涌水量的预测之中。本文通过分析矿井涌水量动态的影响因素，将矿井涌水量与各影响因素指标的映射关系概括为：

Q=f(F，D，S)

式中:Q为矿井涌水量；F为月均降雨量；D为矿井开采深度；S为矿井开采面积。

3.2 BP神经网络模型

根据BP神经网络模的原理，可采用3层结构，分别为输入层、隐含层和输出层。其中输入层神经元分别为月均降雨量、矿井开采深度、矿井开采面积3个指标，输出层神经元为矿井涌水量。建立BP矿井涌水量预测模型，见图5。

图5 BP神经网络模型结构示意

3.3 基于BP神经网络矿井涌水量预测结果及分析

采用收集的2011年12月至2017年6月的月均降雨量、矿井开采深度、矿井开采面积等指标作为输入信息，实测涌水量作为输出信息，进行模型参数识别与验证。并将其中49组数据作为训练样本进行学习，其余的18组数据作为模型的验证与分析，预测结果见表2和图6。

表2 BP神经网络模型涌水量预测结果

图6 BP神经网络预测涌水量与实测涌水量对比图

由图6可知，BP神经网络预测矿井涌水量拟合度较好，具有较好的涌水量排放的参考价值。但预测过程中，有的涌水量预测值与实测值误差较大，如2016年5月、2016年10月和2017年4月等误差较大，主要是受降雨的影响较大。当降雨量变化较大时，BP神经网络模型来不及反映其变化关系，因此造成的误差较大。

4 结 论

1)通过收集贵州某矿2011年12月至2017年6月的全矿涌水量资料整理分析得出，矿井涌水量最大值为257.72 m3/h,最小值为6.51 m3/h，标准差为51.80 m3/h，全矿涌水量的平均值为46.56 m3/h。此外，多年涌水量动态特征类型为起伏型，并呈现有规律的起伏变化，变化周期为1 a左右。但各年的变化幅度不等，每年月均涌水量最大值均在5-7月份，受降雨量的影响较大。

2)通过月均降雨量、矿井开采深度、矿井开采面积等影响因素对矿井涌水量动态进行分析可得出，矿井涌水量在前期，受降雨量、开采深度、开采面积的影响较大；在后期，主要受降雨量的影响。

3)采用BP神经网络模型对矿井涌水量进行预测，以月均涌水量、矿井开采深度、矿井开采面积为输入，矿井涌水量为输出，预测结果表明BP神经网络模型预测的涌水量与实测涌水量的拟合度较好。该模型可用来预测涌水量并为其他的矿井涌水量提供参考，并可为矿井制定疏水降压方案提供科学依据。