潞安矿区中部煤矿充水水源水化学特征及水源识别意义

杜金龙

(中煤地生态环境科技有限公司,北京 100070)

潞安矿区位于山西省沁水煤田中段，面积为770 km2，是中国大型煤炭矿区。主要含煤地层为上石炭统太原组(C3t)及下二叠统山西组(P1s)。3号煤层位于山西组下部，厚度大且稳定，是井田主采、首采煤层。3号煤层主要充水水源包括顶板砂岩裂隙水、顶板冒落带裂隙沟通上部第四系孔隙水、地表水，以及底板太原组灰岩水、奥陶系灰岩水、老空水。对充水水源进行水化学分析、有效识别是防治矿井突水事故的关键手段(耿建军，2019；朱雪莉，2020；陈守建等，2016)。

各类充水水源是所在含水层岩性、水动力条件、氧化-还原环境及酸碱度等综合作用的结果，各含水层在水文地球化学方面的相对独立性使得常规离子成分存在较大差异，这为水源判别提供了依据。砂岩含水层内各种长石砂岩的风化水解和离子交换作用使砂岩水多为HCO3-Na型水，Ca2+、Mg2+因沉淀作用含量降低(冯绪兴，2014)。灰岩水在较纯质灰岩中运移，钙镁离子在浸蚀性二氧化碳的溶蚀作用下，会使水中的钙镁离子浓度增加，形成以HCO3-Ca·Mg型为主的水质。老空水水质类型比较复杂，其和老空水的水源有关，砂岩水进入老空区后，开放环境中砂岩水溶解和吸收空气中CO2，使pH值降低，Ca2+、Mg2+有所增加。基于以上水质特征，可以利用矿井水源识别算法及软件对测试水样进行判别，该方法具有快速、准确、经济的特点(薛琮一等，2020;巨天乙等，1994)。

突水水源利用地下水提供的地球化学信息来进行判别(许汉学等，1991；杨海军等，2012；李燕等，2010)。水化学方法是水源识别的常用方法(高卫东等，2001)，具有快速、准确、经济特点，可分为简易水化学分析、多元统计法和非线性分析法。简易水化学分析包括水质分析和同位素分析，前者利用水质指标，后者采用同位素示踪来判别突水水源(韩永等，2009；Clark I D，1997)。多元统计法主要包括聚类分析(方沛等，2002；魏军等，2006)和判别分析(张春雷等，2010；陈红江等，2009)2类，前者利用数学方法判断研究对象之间的亲疏关系(即相似性)，从而对其进行分类，后者包括逐步判别、序贯判别、二次判别、距离判别、贝叶斯(Bayes)多类线性判别和 Fisher 判别分析(FDA)理论。其中，Bayes判别模型是从样本多元分布出发，充分利用多元正态分布概率密度提供的信息计算后验概率，确定样本归属。非线性分析方法主要有灰色系统理论、模糊数学综合评判、人工神经网络、地理信息系统(GIS)、SVM 支持向量机、可拓识别法等(巨天乙等，1994)。

笔者以潞安矿区中部代表性煤矿采集的99份水样为样本，对水化学特征进行了Piper三线图分析，揭示了不同来源水样的水文地球化学演化特征；之后利用聚类分析方法对三线图难以区分的水样进行了分类；最后利用Bayes判别模型建立了水源判别公式，对采集的矿井涌水水样的水源类型进行了识别。

1 数据采集

笔者搜集了潞安矿区中部(文王山断层与二岗山断层之间)代表性煤矿——王庄煤矿、常村煤矿及古城煤矿(图1)的水文地质类型划分报告，从中采集了各煤矿不同类型水样水化学数据99份。其中，已知来源80份，包括地表水4份、第四系孔隙水17份(以下简称孔隙水，采自农用水井)、二叠系砂岩裂隙水28份(以下简称砂岩水，来自钻孔、大巷涌水点或超前探放水点)、太原组灰岩水8份(以下简称太灰水，来自钻孔)、奥陶系上部灰岩水23份(以下简称奥灰水，来自钻孔)；未知来源的矿井涌水19份(采掘面)。水化学数据主要包括八大离子及其他离子、矿化度、pH值(表1)。

图1 采样矿床位置示意图Fig.1 Schematic diagram of sampling location

表1 采集水样分布情况一览表(份)Tab.1 Distribution of collected water samples

2 水化学特征

2.1 总体特征

对5种类型水样主要离子的毫克当量百分数(meq%)进行统计(剔除异常值)，发现如下特征(图2)。

图2 采集的已知水源水样水质指标统计图Fig.2 Statistical charts of water quality indexes of known water samples collected

(5)所有水样均呈碱性特征，pH值一般为7～9，个别大于10；从矿化度看，孔隙水<地表水<太灰水<砂岩水<奥灰水。

2.2 三线图分析

通过绘制Piper三线图，可形成如下认识。

(1)地表水、孔隙水分布于图3a的B、Q区，存在重叠，且前者Cl+SO4略总体上高于后者，表明两者具有同源性，地表水受到孔隙水补给，且后期有其他水混入。

a.潞安矿区;b.古城煤矿图3 采集水样Piper三线图Fig.3 Piper three-line diagram of water sample collection

(2)地表水样BW03的Na+K含量明显高于其他水样，毫克当量百分数可达到64%，Cl—离子含量也偏高，推测该水样已受到污染，不具有水化学意义。

(3)砂岩水、太灰水分布于图3a及图3b的P、C区，存在重叠，且前者Na+含量更高、后者Ca2+、Mg2+较高，体现出两者所在含水层的岩性差别，前者为砂岩，后者为砂岩夹薄层灰岩。

(4)砂岩水样出现3处异常：水样PG4与PG12水质接近孔隙水特征(位于图3a的QP带)，疑似有孔隙水混入；PG05水样(图3a右部孤点)Cl+SO4毫克当量百分数高达85%(主要是Cl-，为82%)，矿化度达1 870 mg/L，明显高于其他水样，呈现高Cl-高Na+特征(CL-N型水)。

(5)太灰水样出现2处异常：CG3水样Cl+SO4毫克当量百分数达82%(以Cl-为主)，Ca+Mg达64%(以Ca2+为主)，呈奥灰水特征(落在图3a中O区)，但Cl-含量明显高于后者，属CL-CN型水；CW02水样阴阳离子极不平衡(毫克当量相差24%)，矿化度为1 857 mg/L，是其他水样2～3倍，明显偏高。

部分奥灰水呈现太灰水特征，集中于CO1带(OC2、OC3、OG5水样)和CO2带(OG2、OC1、OC4水样)，矿井水文地质资料显示OG2采自破碎带，属奥灰、太灰混合水，因此判断上述水样可能均受断层影响，与太灰水沟通，且从水质上看，CO2带混合更为完全。

OG6水样CI-和Na+含量较高，根据煤矿水文地质资料推断，可能是临时止水封闭不严，上部太灰水、砂岩水渗入所致。

图3b为古城矿各类水样分布情况，从中可以看出奥灰水与太灰水混合过程，红色线上的OG06→OG05→OG02代表奥灰水逐渐混入更多太灰水，直至最终呈现太灰水特征；橙色线上的CG02→CG03则显示太灰水逐渐混入更多奥灰水。

2.3 聚类分析

从图4可见，原属奥灰水的样品OC1、OC2、OC3、OC4、OG2、OG5明显与太灰水更为接近；原属太灰水的样品CG3和奥灰水更为接近，且与OG6性质相似，应同属混合水；OW8、OW9、OW10性质接近，上述结果与Piper图分析结果高度一致。

由以上数据特征可见，砂岩水与太灰水由于水质接近，两者聚类现象差别甚微，在聚类分析图上两者几乎一样(图4)。

图4 太灰水与奥灰水聚类分析图Fig.4 Cluster analysis of Taiyuan limestone water and Ordovician limestone water

3 判别分析

根据piper三线图分析与聚类分析，地表水样BW03可能受到污染，奥灰水样OG7矿化度异常低，砂岩水样PG4、PG12，太灰水样CG03、奥灰水样OG06为混合水样，均剔除处理。奥灰水样OW07、08、09为径流活跃期水样，与一般奥灰水不同，不纳入判别分析。因此共有71组水样参与判别分析建模。

奥灰水样OC1、OC2、OC3、OC4、OG2、OG5与太灰水高度混合，且考虑到太灰水样品较少，将这些水样作为太灰水处理。

地表水、孔隙水：

砂岩水：

太灰水：

奥灰水：

通过对样品进行自我检验，准确率达到91.5%(表2)。

表2 样品预测分组表Tab.2 Sample prediction grouping table

对于多类判别的情况可利用基于马氏广义距离的F检验，对判别函数的辨别能力进行评价。当计算所得F值大于相应临界值时，两类间有显著差异，且F值越大差异越显著，判别函数辨别能力越强，判别效果越好。任意两类水源间的F值见表3。

由表3可知，在检验水平α=0.05时，F>Fα(5，63)，类间差异显著，说明选入的6个变量构建的函数判别能力强、效果较好，能有效地判别王庄煤矿4个主要突水水源。但同时也发现，由于2类砂岩水和3类太灰水的类间F值相对较小，相对容易产生误判。

表3 判别效果的F检验表Tab.3 F-test of discriminant effect

4 水源识别

本次搜集了2014～2019年以来的矿井涌水数据19组，水化学数据见表4。

表4 2014～2019年矿井涌水水化学数据表(mg/L)Tab.4 Chemical data of mine water inflow in 2014～2019(mg/L)

利用贝叶斯判别模型对各水样进行计算，结果见表5。从表5可知，矿井涌水以砂岩水为主，少量为地表水或孔隙水、太灰水。

表5 水样贝叶斯判别模型计算数据表Tab.5 Calculation data of water sample Bayes discrimination model

5 结论与讨论

(3)利用聚类分析(Ward法)对三线图上存在重叠现象的砂岩水、太灰水与奥灰水进行分类，结果显示，奥灰水与太灰水明显聚类，但局部存在奥灰水与太灰水穿插现象，表明此类存在水源混合；砂岩水与太灰水聚类现象不明显，两者区分难度较大。

(4)经上述分析，对水样进行了剔除与变换，最后基于71个水样，采用贝叶斯模型进行了判别分析，建立了地表水+孔隙水、砂岩水、太灰水、奥灰水等4种类型水样的判别函数，经自我检验，准确率达到91.5%。不足的是，函数对砂岩水与太灰水的判别能力不够显著。

(5)利用贝叶斯判别函数对采集的19个矿井涌水水样进行了水源识别，结果显示主要为顶板砂岩水(12个)，局部可能由于导水通道存在，为来自上部地表水、孔隙水(4个)，或者煤层底板以下太灰水(3个)。对于后验概率不高的水样(低于80%)存在水源混合的可能性较大。

致谢：感谢中国矿业大学(北京)地球科学与测绘工程学院刘守强教授及所在项目组成员的指导。