封堵礦井突水點注漿量預測研究

施龍青 劉天浩 于小鴿 馮 濤 馬金偉

(1.山東科技大學地球科學與工程學院,山東省青島市，266590；2. 山東科技大學資源與土木工程學院, 山東省泰安市,271000；3.山東能源新礦集團內(nèi)蒙能源長城一號煤礦，內(nèi)蒙古自治區(qū)鄂托克前旗,016299；4.山東能源肥城礦業(yè)集團有限責任公司，山東省肥城市，271600)

?

★ 煤礦安全 ★

封堵礦井突水點注漿量預測研究

施龍青1劉天浩1于小鴿2馮 濤3馬金偉4

(1.山東科技大學地球科學與工程學院,山東省青島市，266590；2. 山東科技大學資源與土木工程學院, 山東省泰安市,271000；3.山東能源新礦集團內(nèi)蒙能源長城一號煤礦，內(nèi)蒙古自治區(qū)鄂托克前旗,016299；4.山東能源肥城礦業(yè)集團有限責任公司，山東省肥城市，271600)

在收集肥城煤田封堵突水點資料基礎上，分析了影響注漿量的主要因素是突水水壓、突水量、封堵過水通道長度、注漿壓力等，借助智能算法自動獲取支持向量機最佳參數(shù)的優(yōu)點，優(yōu)化支持向量機回歸分析能力，建立GA-SVR非線性模型和PSO-SVR非線性模型，并通過實際工程對封堵突水點注漿量做出預測。通過對比實際注漿預測結(jié)果，得出PSO-SVR模型預測結(jié)果相對準確，但預測結(jié)果波動性偏大，GA-SVR預測結(jié)果相對穩(wěn)定，但預測結(jié)果誤差相對偏大的特點。因此提出在進行注漿量預測時，采取兩種模型同時進行注漿量預測，取其區(qū)間值，實現(xiàn)又快又好又經(jīng)濟地封堵突水點。

突水點 遺傳-支持向量回歸機 粒子群—支持向量回歸機 注漿量預測 注漿影響因素 封堵

近年來，在封堵突水點過程中，國內(nèi)工作人員做出了多方面研究。刑文平調(diào)整注漿壓力、流量以及骨料、漿液配比等工藝，實現(xiàn)高效、快速、低成本、高質(zhì)量注漿效果；姬中奎采用物探與鉆探方法，查明過水巷道的位置，對奧灰含水層進行有效注漿；潘睿認為預注漿效果是由地質(zhì)、水文設計等參數(shù)決定，注漿過程要考慮多因素影響；許延春基于焦作礦區(qū)突水事故分析，歸納出注漿影響因素，并提出防治措施；趙慶彪針對大采深、高承壓奧灰水的特點，提出了區(qū)域超前治理的方法，在治理過程中取得不錯的安全效果。

以上都是從封堵突水點的注漿機理、注漿材料、注漿方法、探查突水通道等方面做出研究，著眼于快速封堵突水點，沒有思考節(jié)省注漿成本問題。事實上，往往在現(xiàn)場完成突水點封堵以后，出現(xiàn)大量的封堵物資浪費或閑置，造成封堵突水點的費用大于突水點排水費用，封堵突水點就失去了意義。本文在搜集封堵突水點資料基礎上，基于遺傳-支持向量回歸機(GA-SVR)和粒子群-支持向量回歸機(PSO-SVR)分類性強、小樣本適應度好的特點，分析了注漿量與突水水壓、水量、封堵孔過水通道及注漿壓力等因素的關系，建立注漿量與其影響因素之間的非線性模型，實現(xiàn)經(jīng)濟快速封堵突水點。

1 GA-SVR算法

1.1 樣本選取

在封堵突水點過程中，影響注漿量的因素有很多，常見因素包括突水量、突水水壓、封堵過水通道長度、注漿壓力及人為決策等。其中，在注漿過程中，漿液需要克服一定水頭壓力(即突水水壓)，因此，突水點的水壓影響注漿量的變化；封堵過水通道長度越長，封堵突水裂隙的可能性越大。因此，封堵過水通道與注漿效果成正相關關系；合適的注漿壓力影響著注漿效果，注漿壓力過大，造成突水裂隙破壞，注漿壓力過小，漿液不能克服一定的水頭壓力，漿液有可能被沖走，造成大量的注漿量損失。本文選取突水水壓、突水量、封堵過水通道長度、注漿壓力4個影響因素作為研究影響注漿量變化因素，共篩選出26個封堵突水點實例，見表1，前21個封堵突水點數(shù)據(jù)樣本作為優(yōu)化支持向量機算法的學習樣本，后5個樣本作為測試樣本。如果學習樣本達標后，用測試樣本驗證模型的泛化程度，如測試樣本達到要求，該模型可以用于實際預測。

表1 礦井突水動水注漿數(shù)據(jù)樣本

1.2 支持向量機原理

支持向量機(SVR)是基于結(jié)構(gòu)風險最小理論和VC理論發(fā)展而來的，根據(jù)特定樣本學習精度和無錯誤識別其他任意樣本的折中，期待最優(yōu)推廣能力，常用于小樣本、非線性及函數(shù)擬合等機器學習問題。

f(x)=ωφ(x)+b

(1)

式中：ω——權值向量；

φ——非線性映射；

b——閥值。

為了在支持向量回歸機中保持較好的稀疏性，引入不敏感損失函數(shù)ε最小化經(jīng)驗風險，得到損失函數(shù)：

(2)

式中：L——損失函數(shù)。

在式(2)引入非負松弛變量ξm和懲罰因子C，待優(yōu)化的問題可以表示為：

式中：C——給定的常數(shù)；

式(3)是一個凸二次優(yōu)化問題，為了解決問題，引入拉格朗日乘子。

(5)

式中：αm——拉格朗日乘子。

(6)

無先驗知識的數(shù)據(jù)集，核函數(shù)首選徑向基核函數(shù)。

RBF核函數(shù)：

(7)

由于不同范圍的徑向基核函數(shù)取值的性質(zhì)和作用不同，當徑向基核函數(shù)取較大g值，其性能類似多項式核函數(shù)；當徑向基核函數(shù)取較小g值，其性能類似線性核函數(shù)，所以在實際問題的研究中，采用徑向基核函數(shù)往往可以獲得較好的效果。

支持向量機參數(shù)C及其核函數(shù)參數(shù)σ的選取是一個復雜問題，參數(shù)C控制著對錯分樣本的懲罰程度；徑向基核函數(shù)的參數(shù)為高斯分布的寬度，控制著函數(shù)的徑向作用范圍，決定著非線性映射的本質(zhì)。支持向量機的學習性能與參數(shù)C和σ之間沒有明顯的函數(shù)關系，所以遺傳算法(GA算法)的全局搜索特性可以實現(xiàn)支持向量機參數(shù)的有效選擇。遺傳-支持向量機是在支持向量機基礎上，充分利用遺傳算法以群體為基礎，不以單點尋優(yōu)、分類好等優(yōu)點對支持向量機參數(shù)進行尋優(yōu)，是選取支持向量機的最佳參數(shù)的一種算法。當前，遺傳-支持向量算法廣泛應用到礦井水害應用中，并取得了不錯的效果。

1.3 模型建立流程

選擇遺傳算法及粒子群算法作為本文的分析工具，建立非線性模型具體過程圖1所示。

圖1 模型建立流程圖

第一步，將前21個數(shù)據(jù)樣本中的注漿量數(shù)據(jù)讀入并保存為注漿量訓練樣本文件，將前21個樣本中的影響因素讀入并保存為注漿量影響因素訓練樣本文件，將后5個注漿量數(shù)據(jù)樣本讀入并保存為注漿量測試樣本文件，將后5個注漿量影響因素數(shù)據(jù)樣本讀入并保存為注漿量影響因素測試樣本文件，并將上述4個文件另存為一個MATLAB可讀文件。

第二步，將這個MATLAB可讀文件讀入遺傳-支持向量機算法程序，借助遺傳算法自動尋優(yōu)支持向量機參數(shù)C和g，然后通過樣本映射計算和線性擬合訓練，得到學習樣本擬合圖，并根據(jù)擬合程度的相對誤差的均方誤差(MSE)評價學習效果，若相對誤差的均方誤差沒有趨向于0，則學習效果不好，重新進行學習；若相對誤差的均方誤差趨向于0，則學習效果好，建立初始模型。

第三步，根據(jù)測試樣本中封堵突水點注漿量預測值與實際注漿量的相對誤差驗證初始模型的泛化度，當相對誤差的均方誤差(MSE)趨向于0時，說明建立的初始模型泛化度好，初始模型即為動水注漿量的預測非線性模型；當相對誤差的均方誤差(MSE)較大時，需要返回第二步，借助遺傳算法重新進行支持向量機參數(shù)尋優(yōu)，直到找到最優(yōu)參數(shù)C和g，使相對誤差的均方誤差(MSE)趨向于0為止。

經(jīng)過多次訓練學習，得到進化帶數(shù)為100，種群數(shù)量為20，經(jīng)計算得到懲罰因子C=6.3257，最優(yōu)參數(shù)g=0.64926。通過映射計算和線性擬合訓練，得到的封堵突水點注漿量擬合結(jié)果曲線如圖2所示，經(jīng)計算，平均相對誤差為25.6%，最大相對誤差出現(xiàn)在樣本3#中，相對誤差是78.6%，出現(xiàn)離群點，當擴大樣本后，離群點現(xiàn)象消除。

圖2 GA-SVR 訓練結(jié)果擬合圖

2 PSO-SVR算法

2.1PSO算法

PSO初始化為一群隨機粒子(隨機解)，然后通過迭代找到最優(yōu)解。在每一次迭代中，粒子通過跟蹤兩個極值來更新自己。第一個就是粒子本身所找到的最優(yōu)解，這個解叫做個體極值pbest；另一個極值是整個種群目前找到的最優(yōu)解，這個極值是全局極值gbest。在找到這兩個最優(yōu)值時，粒子根據(jù)式(8)來更新自己的速度和位置：

(8)

式中：p——粒子當前的位置表示SVM參數(shù){C,g }的當前取值；

β——約束因子，控制速度的權重，通常取1；

c1、c2——學習因子，通常取c1=c2=2，根據(jù)模型的需求，設定其取值范圍；

r1、r2——介于(0,1)之間的隨機數(shù)；

w——慣性因子，非負數(shù)。

w越大說明粒子慣性大，搜索范圍大；w越小慣性小，搜索范圍小。

2.2PSO優(yōu)化SVR參數(shù)過程

本文利用PSO的全局搜索能力，對SVR參數(shù)進行優(yōu)化，PSO優(yōu)化SVR的參數(shù)流程如圖3所示。

圖3 PSO優(yōu)化SVR過程

第一步，首先對PSO和SVR參數(shù)初始化。包括粒子群中的參數(shù)c1、c2，進化代數(shù)和種群規(guī)模種群等及SVM參數(shù)C和g的設置。

第二步，隨機給出初始粒子和初始速度，并賦給其初始速度和位置，計算初始極值及極值點。

第四步，根據(jù)粒子當前最優(yōu)位置和種群最優(yōu)位置，并獲得一組SVM優(yōu)化的參數(shù)。

第五步，當粒子群的適應度滿足需求時或當?shù)阶畲蠓N群數(shù)，停止迭代，輸出參數(shù)結(jié)果；否則返回第三步重新進行計算，直到找到粒子合適的適應度值為止。

PSO-SVR模型的建立與GA-SVR模型建立流程相似，不同的就是兩種算法不同。粒子群算法(PSO)以群體為基礎，不單點尋優(yōu)，具有全局搜索的優(yōu)點。與遺傳算法相比，粒子群算法不需要進行變異，算法簡單實用，優(yōu)化效果好，能實現(xiàn)支持向量機在小樣本環(huán)境下自動尋優(yōu)的一種算法。遺傳算法染色體之間可以共享信息，整個種群比較平均移向最優(yōu)點，而粒子群算法是當前粒子單獨移向最優(yōu)點，移動速度更快，很大程度上是單項共享機制。

本文利用粒子群算法，按照圖1的流程建立初始模型，經(jīng)過多次訓練學習，得到進化帶數(shù)為100，種群數(shù)量為20，經(jīng)計算得到懲罰因子C=8.0209，最優(yōu)參數(shù)g=04993，c1=1.5，c2=2.7。通過映射計算和線性擬合訓練，得到的PSO-SVR方法封堵突水點注漿量擬合結(jié)果曲線如圖4所示，由圖4中可知，擬合結(jié)果最小相對誤差為6.29%，最大相對誤差為81.35%，平均相對誤差為26.59%，誤差較大的樣本隨數(shù)量的增加可以剔除。

圖4 PSO-SVR學習樣本擬合圖

3 測試樣本

本文測試樣本檢驗采用留一驗證法，根據(jù)初始模型注漿量預測值與實際值之間的相對誤差進行分析，若相對誤差的MSE趨向0時，則應用該模型，若達不到要求，對數(shù)據(jù)樣本重新進行學習訓練。

3.1GA-SVR測試樣本

將樣本22～26數(shù)據(jù)樣本帶入GA-SVR初始模型，得到檢驗樣本預測如圖5所示。

圖5 GA-SVR測試樣本擬合圖

由圖5可知，注漿量的預測值和實際值擬合情況非常好，只有測試樣本25、26擬合的變化比較大；測試樣本中GA-SVR預測注漿量與實際注漿量的相對誤差見表2。

表2 測試樣本相對誤差表

由表2可知，相對誤差較大的是樣本25、26，最小相對誤差是樣本24，平均相對誤差8.91%，小于模型的相對誤差25.64%，相對誤差的MSE為0.0867，趨向于0，說明該模型具有較好的泛化度。

3.2PSO-SVR測試樣本

將樣本22～26數(shù)據(jù)樣本帶入PSO-SVR初始模型，得到檢驗樣本預測如圖6所示，由圖6可知，注漿量的預測值與實際值擬合情況非常好，只有樣本25、26擬合的變化比較大；測試樣本中PSO-SVR預測注漿量與實際注漿量的相對誤差見表2。由表2可知，相對誤差較大的是樣本25、26，最小相對誤差是樣本24，平均相對誤差為7.20%，小于學習樣本的相對誤差26.59%，相對誤差的MSE為0.078，趨向于0，說明該模型具有較好的泛化度。

圖6 PSO-SVR測試樣本擬合圖

4 實際應用

將GA-SVR和PSO-SVR建立的模型應用到曹莊煤礦81004工作面和楊莊煤礦9401工作面封堵礦井突水中注漿量預測中，并分析實際工程中封堵突水點的注漿效果。曹莊煤礦81004工作面和楊莊煤礦9401工作面的實際注漿情況如表3所示。

表3 實際注漿情況表

曹莊煤礦81004工作面突水水壓為2.7MPa，最大突水水量為449m3/h，為加快封堵突水進度，根據(jù)礦壓顯現(xiàn)規(guī)律及已經(jīng)掌握的水文地質(zhì)資料，共使用了5臺鉆機，封堵過水通道長度為5m，在注漿過程中注漿壓力為5.6MPa，利用GA-SVR模型和PSO-SVR模型預測注漿量分別是4593t、4923.3t，實際注漿量為4839t，經(jīng)過注漿封堵后，突水點涌水量穩(wěn)定在11.7m3/h，封堵率為97.4%。經(jīng)計算，GA-SVR和PSO-SVR模型注漿量預測誤差率分別是5.08%、1.74% 。

楊莊煤礦9401工作面突水水壓為1.7MPa，最大突水量為743m3/h，封堵過水通道長度為3.5m，注漿過程中注漿壓力為3.7MPa，利用GA-SVR模型和PSO-SVR模型預測注漿量分別是3370.1t和3320.5t。經(jīng)過注漿封堵突水點后，突水點涌水量穩(wěn)定在3.4m3/h，封堵率為99.55%，實際注漿量為3705t。經(jīng)過計算，GA-SVR模型和PSO-SVR模型注漿量預測誤差率分別是9.03%、10.37% 。

在上述兩實例中，GA-SVR模型和PSO-SVR模型預測注漿量相對誤差平均值分別為7.05%、6.05%。PSO-SVR模型預測平均相對誤差比GA-SVR模型平均相對誤差更小，但GA-SVR模型預測結(jié)果更穩(wěn)定，PSO-SVR模型預測結(jié)果波動性更強。一般來說，選取更穩(wěn)定的GA-SVR模型，但考慮到波動性問題，因此在預測封堵礦井突水點注漿量時，同時采取兩種模型進行注漿量預測，取其區(qū)間值，從而實現(xiàn)經(jīng)濟快速封堵突水點。

5 結(jié)論

(1)基于GA-SVR和PSO-SVR兩種方法建立了封堵突水點注漿量與突水水壓、突水量、封堵過水通道、注漿壓力等非線性模型，經(jīng)實際工程驗證，預測封堵突水點的注漿量準確度高。

(2)GA-SVR和PSO-SVR兩種模型預測的結(jié)果與實際結(jié)果對比，各有優(yōu)劣，因此在實際工作中應采用兩種模型共同預測，取其區(qū)間值來選取注漿量。

[1] 邢文平，浮紹禮.井上下聯(lián)合高效快速封堵突水點技術[J].煤礦安全，2014(2)

[2] 姬中奎.復雜突水條件下礦井注漿堵水技術[J].探礦工程，2014(5)[3] 潘睿，張兵奇.主立井高承壓水上工作面注漿效果的影響因素研究[J].能源技術與管理，2014(2)

[4] 許延春，陳新明，姚依林.高水壓突水危險工作面防治水關鍵技術[J].煤炭科學技術，2012(9)

[5] 許延春，李江華，劉白宙.焦作礦區(qū)煤層底板注漿加固工作面突水原因與防治[J].煤田地質(zhì)與勘探，2011(4)

[6] 施龍青, 宋忠航, 呂大煒等. 新汶礦區(qū)翟鎮(zhèn)井田2#煤層小斷層發(fā)育規(guī)律研究[J].中國煤炭, 2015(7)

[7] 趙慶彪.高承壓水上煤層安全開采指導原則及技術對策[J].煤炭科學技術，2013( 9)

[8] 丁世飛，齊丙娟，譚紅艷.支持向量機理論與算法研究綜述[J].電子科技大學學報，2011(1)

[9] 孫云普，王云飛，鄭曉娟.基于遺傳-支持向量機法的煤層頂板導水斷裂帶高度的分析[J].煤炭學報，2009(12)

[10] 曹慶奎，趙斐.基于遺傳-支持向量回歸的煤層底板突水量預測研究[J].煤炭學報，2011(12)

[11] 劉勝，李妍妍.自適應GA-SVM參數(shù)選擇算法研究[J].哈爾濱工程大學學報，2007(4)

[12] 譚希鵬，施龍青，王娟等.基于支持向量機的導水裂隙帶發(fā)育高度預測[J].煤礦安全，2014(8)

[13] 何同弟，李見為，黃鴻.基于GA優(yōu)選參數(shù)的SVR水質(zhì)參數(shù)遙感反演方法[J].光電工程，2010(8)

(責任編輯 張艷華)

Study on grouting forecast of sealing mine water inrush point

Shi Longqing1, Liu Tianhao1, Yu Xiaoge2, Feng Tao3, Ma Jinwei4

(1. College of Earth Sciences & Engineering, Shandong University of Science and Technology, Qingdao, Shandong 266590, China; 2. College of Resources and Civil Engineering, Shandong University of Science and Technology, Taian, Shandong 271000, China; 3. Inner Mongolia Energy Changcheng No. 1 Mine, Shandong Energy Xinwen Mining Group, Otog Front Banner, Inner Mongolia 016299, China; 4. Shandong Energy Group Feicheng Mining Co., Ltd., Feicheng, Shandong 271600, China)

Based on the data of blocking water inflow point of Feicheng coalfield, this paper analyzed the main factors which affect grouting quantity, including water pressure, water inrush, length of sealing off water channel, grouting pressure, and the optimal parameters of the support vector machine was figured out by the intelligent algorithm. The GA-SVR nonlinear model and PSO-SVR model were established. By comparing the results of actual grouting, the PSO-SVR model was more accurate than the GA-SVR model, and the GA-SVR forecasting results were more stable and less volatile. Therefore, it would better use two kinds of models to predict the amount of grouting at the same time and take the interval value, so as to achieve fast and favorable sealing at water inrush point.

water inrush point, GA-SVR, PSO-SVR, grouting quantity forecast, grouting impact factor, sealing

國家自然科學基金(41572244)，教育部高等學校博士學科點專項科研基金(20133718110004)，山東省自然科學基金(ZR2015DM013)，泰山學者建設工程專項經(jīng)費資助

施龍青,劉天浩,于小鴿等. 封堵礦井突水點注漿量預測研究[J].中國煤炭，2017,43(6)：110-115,119. Shi Longqing,Liu Tianhao,Yu Xiaoge, et al.Study on grouting forecast of sealing mine water inrush point [J]. China Coal, 2017，43(6):110-115,119.

TD743

A

施龍青(1964-)，男，教授，博士生導師，主要從事礦井水害防治研究。