奥灰岩溶裂隙水网络横向分布的预测方法

摘要

本发明公开了一种奥灰岩溶裂隙水网络横向分布的预测方法，包括：首先确定与奥灰岩溶裂隙水网络分布密切相关的指标，然后采集有地球物理探测的井下奥灰水文钻孔处的指标原始数据，对采集的指标原始数据建立核主成分模型，提取新的主成分，然后进行模糊标准化，以模糊标准化后的主成分数据与地球物理探测奥灰岩溶异常类型组成样本集，建立遗传算法优化SVM的预测模型；利用建立好的模型，对没有地球物理探测的井下奥灰水文钻孔处的奥灰异常区类型进行预测；最后绘制奥灰异常区类型的分布图，判断奥灰岩溶异常区类型分布范围，并分析奥灰岩溶裂隙水网络渗流场方向。本发明设计原理可靠，预测方法简单，预测精度高，预测环境友好。

权利要求

1.一种奥灰岩溶裂隙水网络横向分布的预测方法，其特征是，包括以下步骤：(1)确定与奥灰岩溶裂隙水网络分布密切相关的指标，然后采集有地球物理探测的井下奥灰水文钻孔处的指标原始数据；

所述与奥灰岩溶裂隙水网络分布密切相关的指标，是指能够反映岩溶裂隙发育程度、岩溶通道和奥灰富水程度的指标，具体包括断层影响因子、断层分维值、褶皱分维值、奥灰水温异常变化值和井下奥灰水文钻孔涌水量5个指标原始数据；

(2)建立KPCA-Fuzzy-GA-SVM的奥灰岩溶异常区预测预报模型：对采集的指标原始数据建立核主成分模型即KPCA，提取新的主成分，然后进行模糊标准化即Fuzzy，以模糊标准化后的主成分数据与地球物理探测奥灰岩溶异常区类型组成样本集，建立遗传算法即GA优化支持向量机即SVM的预测模型；

所述建立核主成分模型，包括以下步骤：

①将采集到的l个有地球物理探测的井下奥灰水文钻孔处的5个指标原始数据记为一个(l×5)维原始数据矩阵A；

②通过非线性映射 将原始数据矩阵A映射到高维特征空间，并计算出核矩阵K，K＝(kij)l×l，kij＝K(xi,xj)，(i,j＝1,2,...,l)，l是指标个数；其中非线性映射 的核函数为高斯径向基函数；

③根据方程lλα＝Kα，求取核矩阵K的特征值λ1≤λ2≤...≤λl和对应的特征向量α1,α2,...,αl，并通过正交化方法单位正交化特征向量，得到规范化的特征向量α′1,α′2,...,α′l；

④按照公式 选取m个最大特征值λ1,λ2,...,λm以及对应的特征向量α′1,α′2,...,α′m；其中，0

⑤计算原始数据经KPCA降维后所得的特征向量Y＝Kα′，其中α′＝

[α′1,α′2,...,α′m]，Y即为降维后的样本数据矩阵；

(3)采集没有地球物理探测的井下奥灰水文钻孔处的指标原始数据，利用建立好的KPCA–Fuzzy-GA-SVM模型预测奥灰异常区类型；

(4)绘制奥灰异常区类型的分布图，判断奥灰岩溶异常区类型分布范围；

(5)分析奥灰岩溶裂隙水网络渗流场方向。

2.如权利要求1所述的奥灰岩溶裂隙水网络横向分布的预测方法，其特征是，其中奥灰水温异常变化值计算公式如下：ΔT＝|T-t|，

式中：ΔT为水温异常变化值，单位℃；T为该点实测水温，单位℃；t为根据地温梯度计算的正常温度，单位℃；其中t通过以下公式计算：式中：t′为研究区恒温带温度，单位℃；H为奥灰顶板标高，单位m；h为恒温带标高，单位m；Δt为研究区地温梯度，单位℃/100m。

3.如权利要求1所述的奥灰岩溶裂隙水网络横向分布的预测方法，其特征是，所述步骤(2)的模糊标准化，标准化公式为：

4.如权利要求1所述的奥灰岩溶裂隙水网络横向分布的预测方法，其特征是，所述步骤(2)的地球物理探测奥灰岩溶异常区类型，包括强异常区、弱异常区和无异常区，将强异常区样本标签设为1，弱异常区样本标签设为0，无异常区样本标签设为-1。

5.如权利要求1所述的奥灰岩溶裂隙水网络横向分布的预测方法，其特征是，所述步骤(4)的奥灰岩溶异常区类型分布范围的判断方法是指，绘制的奥灰异常区类型分布图，其中强异常区、弱异常区、无异常区分别用1、0、-1表示，利用克里克中间插值法，绘制强异常区与弱异常区的分界线Ⅰ即0.5线、以及弱异常区与无异常区的分界线Ⅱ即-0.5线，则位于＞0.5线的区域为奥灰岩溶裂隙水网络分布区域，0.5线～-0.5线之间的区域为裂隙水网络分布区域，位于＜-0.5线的区域为岩溶与裂隙不发育区域。

6.如权利要求1所述的奥灰岩溶裂隙水网络横向分布的预测方法，其特征是，所述步骤(5)的分析奥灰岩溶裂隙水网络渗流场基本方向的方法是：绘制奥灰水位等值线，由高水位指向低水位的方向即渗流场基本方向。

说明书

奥灰岩溶裂隙水网络横向分布的预测方法

技术领域

[0001] 本发明涉及一种奥灰岩溶裂隙水网络横向分布的预测方法，尤其是一种针对华北型煤田奥灰岩溶裂隙水网络横向分布的预测方法。

背景技术

[0002] 矿山采场底板突水是煤矿生产中普遍存在的问题，现已成为一个关系到能源工业发展亟待解决的重大课题，由于采场底板突水问题具有极其复杂的机理，再加上地下水运动的隐蔽性、不能直接观察，故研究难度较大。但就地下水的赋存条件来说，有其自身的规律，可以定性与定量研究。采场底板突水的直接原因是底板以下存在着地下水网络，没有地下水网络的存在就不可能发生大的突水事故。我国华北型煤田经过近半个世纪的开采，绝大多数矿井已经进入深部开采，普遍受到奥灰岩溶水突出的威胁，因此确定地下水网络的空间分布规律是奥灰突水防治工作的关键问题和首要任务。国内外相关学者对于奥灰岩溶纵向发育的研究较多，且取得了一些重要成果，然而对于奥灰岩溶横向分布的研究却较少。在现有技术中，主要是通过放水试验、底板突水点位置、岩溶陷落柱分布情况、断层的发育情况、示踪试验、钻探岩芯等技术手段大致确定地下水网络主脉的位置，但是却并未综合分析，量化研究，且各种试验手段花费昂贵、试验点较少，突水点位置及岩溶陷落柱的发育点也是极其有限的，对于奥灰岩溶裂隙水网络横向分布的预测，现有技术中未见有利用量化参数建立量化模型的报道。因此有必要寻找一种既能节约资金又能在绝大多数区域采集到综合反映岩溶裂隙水网络发育因素的方法来预测奥灰岩溶裂隙水网络的横向分布，为煤层底板大中型突水点位置及突水水量的预测预报提供依据。

[0003] 岩溶裂隙水网络是在构造裂隙水网络的基础上，受区域地下水矢量渗流场的作用，不断演化而成的，该网络系统具备岩溶裂隙通道和丰富的地下水。而岩溶裂隙空间分布主要受构造破坏作用形成的各种构造发育程度的控制。因此，通过对构造裂隙发育程度、岩溶通道和奥灰水富水程度3因素相互影响作用的研究，可以搞清奥灰岩溶裂隙水网络的空间分布。若能够采集到易获取且丰富的指标定量评价这3个因素，构建合理可靠的预测模型，则能确定奥灰岩溶裂隙水网络的分布。构造运动在地下坚硬岩石中，形成大规模的构造断裂带、褶皱和众多的小裂隙组合，地下水网络的开拓依赖于构造裂隙，这些裂隙的空间组合形成了最初的裂隙水网络体系，综合断层影响因子、断层分维值、褶皱分维值可以定量评价构造裂隙发育程度。地温场的异常明显受区域构造和大断层的控制，若地下水循环通道将近地表及浅处低温地下水引至深部，则水温降低，若因深部地下水沿断层上升，则水温升高，因此地下水温异常可以作为判断构造裂隙是否为岩溶通道的重要指标。而奥灰富水程度的划分主要是根据《煤矿防治水规定》，按照钻孔单位涌水量(q)值进行划分，理论上这种划分标准具有科学性，然而客观上仅仅利用q值划分含水层的富水性可操作性差，主要因为q值通常是井田勘探阶段获得的，数量极其有限，其次是q值获得投资大耗时长；还有一些是通过钻孔冲洗液最大漏失量以及钻孔取芯来研究的，但是并不是每一个钻孔都会取芯和统计冲洗液最大漏失量；而随着矿井开采范围扩大，井下奥灰水文钻孔资料越来越丰富，而井下水文钻孔获得的是钻孔涌水量，在一定程度上能够反映含水层的富水性，涌水量值越大，表明含水层的富水性相对越好，连通性越好。另一方面，地球物理探测在含水层富水异常和含水构造的探测中取得较好的探测效果，但是并不是每一个井下奥灰水文钻孔处均有地球物理探测，因此，有必要寻找一种精确的方法，利用有地球物理探测的水文钻孔处获取的指标值和探测结果来预测其它没有地球物理探测区域的岩溶异常情况，为煤矿底板突水防治提供有力依据。

发明内容

[0004] 本发明的目的是为克服上述现有技术的不足，提供一种奥灰岩溶裂隙水网络横向分布的预测方法，该方法能满足华北型煤田煤炭工业可持续性发展的需求，选取既能节约资金又能在绝大多数区域采集到的与奥灰岩溶裂隙水网络分布密切相关的因素，综合利用地球物理探测奥灰异常区成果，避免判断地下水网络分布的盲目性和主观性，其设计原理可靠，预测方法简单，预测精度高，预测环境友好。

[0005] 为实现上述目的，本发明采用下述技术方案：

[0006] 一种奥灰岩溶裂隙水网络横向分布的预测方法，包括以下步骤：

[0007] (1)确定与奥灰岩溶裂隙水网络分布密切相关的指标，然后采集有地球物理探测的井下奥灰水文钻孔处的指标原始数据；

[0008] (2)建立KPCA-Fuzzy-GA-SVM的奥灰岩溶异常区预测预报模型：对采集的指标原始数据建立核主成分模型(KPCA)，提取新的主成分，然后进行模糊标准化(Fuzzy)，以模糊标准化后的主成分数据与地球物理探测奥灰岩溶异常区类型组成样本集，建立遗传算法(GA)优化支持向量机(SVM)的预测模型；

[0009] (3)采集没有地球物理探测的井下奥灰水文钻孔处的指标原始数据，利用建立好的KPCA–Fuzzy-GA-SVM模型预测奥灰异常区类型；

[0010] (4)绘制奥灰异常区类型的分布图，判断奥灰岩溶异常区类型分布范围；

[0011] (5)分析奥灰岩溶裂隙水网络渗流场方向。

[0012] 所述步骤(1)的与奥灰岩溶裂隙水网络分布密切相关的指标，是指能够反映岩溶裂隙发育程度、岩溶通道和奥灰富水程度的指标，具体包括断层影响因子、断层分维值、褶皱分维值、奥灰水温异常变化值和井下奥灰水文钻孔涌水量5个指标。

[0013] 其中奥灰水温异常变化值计算公式如下：

[0014] ΔT＝|T-t|，

[0015] 式中：ΔT为水温异常变化值，单位℃；T为该点实测水温，单位℃；t为根据地温梯度计算的正常温度，单位℃；其中t通过以下公式计算：

[0016]

[0017] 式中：t′为研究区恒温带温度，单位℃；H为奥灰顶板标高，单位m；h为恒温带标高，单位m；Δt为研究区地温梯度，单位℃/100m。

[0018] 所述步骤(2)的建立核主成分模型，包括以下步骤：

[0019] ①将采集到的l个有地球物理探测的井下奥灰水文钻孔处的5个指标原始数据记为一个(l×5)维原始数据矩阵A；

[0020] ②通过非线性映射 将原始数据矩阵A映射到高维特征空间，并计算出核矩阵K，K＝(kij)l×l，kij＝K(xi,xj)，(i,j＝1,2,...,l)，l是指标个数；其中非线性映射 的核函数为高斯径向基函数；

[0021] ③根据方程lλα＝Kα，求取核矩阵K的特征值λ1≤λ2≤...≤λl和对应的特征向量α1,α2,...,αl，并通过正交化方法单位正交化特征向量，得到规范化的特征向量α′1,α′2,...,α′l；

[0022] ④按照公式 选取m个最大特征值λ1,λ2,...,λm以及对应的特征向量α′1,α′2,...,α′m；其中，0

[0023] ⑤计算原始数据经KPCA降维后所得的特征向量Y＝Kα′，其中α′＝[α′1,α′2,...,α′m]，Y即为降维后的样本数据矩阵；

[0024] 所述步骤(2)的模糊标准化，标准化公式为：

[0025]

[0026] 所述步骤(2)的地球物理探测奥灰岩溶异常区类型，包括强异常区、弱异常区和无异常区，将强异常区样本标签设为1，弱异常区样本标签设为0，无异常区样本标签设为-1。

[0027] 所述步骤(4)的奥灰岩溶异常区类型分布范围的判断方法是指，绘制的奥灰异常区类型分布图，其中强异常区、弱异常区、无异常区分别用1、0、-1表示，利用克里克中间插值法，绘制强异常区与弱异常区的分界线Ⅰ(0.5线)、以及弱异常区与无异常区的分界线Ⅱ(-0.5线)，则位于＞0.5线的区域为奥灰岩溶裂隙水网络分布区域，0.5线～-0.5线之间的区域为裂隙水网络分布区域，位于＜-0.5线的区域为岩溶与裂隙不发育区域。

[0028] 所述步骤(5)的分析奥灰岩溶裂隙水网络渗流场基本方向的方法是：绘制奥灰水位等值线，由高水位指向低水位的方向即渗流场基本方向。

[0029] 本发明与现有技术相比具有以下优点：

[0030] (1)选取断层影响因子、断层分维值、褶皱分维值、奥灰水温异常变化值和井下奥灰水文钻孔涌水量5个指标，选取的参数既易获取、具有广泛性，又做到了定量化，能够综合评价岩溶裂隙发育程度、岩溶通道和奥灰水富水程度3个因素；综合利用地球物理探测奥灰异常区成果，避免判断地下水网络分布的盲目性和主观性。

[0031] (2)核主成分分析将核函数与主成分分析相结合，采用非线性方法提取主成分，提高数据质量，有效减小冗杂信息的影响，比传统主成分分析具有更显著效果；将核主成分分析结果进行模糊标准化，消除数据尺度不统一带来的影响；最后利用支持向量机(SVM)分类模型预测奥灰岩溶裂隙水网络的分布，其设计原理可靠，预测方法简单，预测精度高，预测环境友好。

附图说明

[0032] 图1为本发明方法具体流程图；

[0033] 图2为建立遗传算法(GA)优化SVM的预测模型的流程图。

具体实施方式

[0034] 下面结合附图和实施例对本发明进一步说明。

[0035] 如图1所示，一种奥灰岩溶裂隙水网络横向分布的预测方法，包括如下步骤：

[0036] (1)确定与奥灰岩溶裂隙水网络分布密切相关的指标，然后采集有地球物理探测的井下奥灰水文钻孔处的指标原始数据。

[0037] 其中，与奥灰岩溶裂隙水网络分布密切相关的指标，是指能够反映岩溶裂隙发育程度、岩溶通道和奥灰富水程度的指标，具体包括断层影响因子、断层分维值、褶皱分维值、奥灰水温异常变化值和井下奥灰水文钻孔涌水量5个指标；

[0038] 奥灰水温异常变化值计算公式如下：

[0039] ΔT＝|T-t|，

[0040] 式中：ΔT为水温异常变化值，℃；T为该点实测水温，℃；t为根据地温梯度计算的正常温度，℃；其中t通过以下公式计算：

[0041]

[0042] 式中：t′为研究区恒温带温度，℃；H为奥灰顶板标高，m；h为恒温带标高，m；Δt为研究区地温梯度，℃/100m。

[0043] (2)建立KPCA-Fuzzy-GA-SVM的奥灰岩溶异常区预测预报模型：对采集的指标原始数据建立核主成分模型(KPCA)，提取新的主成分，然后进行模糊标准化(Fuzzy)，以模糊标准化后的主成分数据与地球物理探测奥灰岩溶异常区类型组成样本集，建立遗传算法(GA)优化支持向量机(SVM)的预测模型。

[0044] 所述建立核主成分模型包括以下步骤：

[0045] ①将采集到的l个有地球物理探测的井下奥灰水文钻孔处的5指标原始数据记为一个(l×5)维原始数据矩阵A；

[0046] ②通过非线性映射 将原始数据矩阵A映射到高维特征空间，并计算出核矩阵K，K＝(kij)l×l，kij＝K(xi,xj)，(i,j＝1,2,...,l)，l是指标个数；其中非线性映射 的核函数为高斯径向基函数；

[0047] ③根据方程lλα＝Kα，求取核矩阵K的特征值λ1≤λ2≤...≤λl和对应的特征向量α1,α2,...,αl，并通过正交化方法单位正交化特征向量，得到规范化的特征向量α′1,α′2,...,α′l；

[0048] ④按照公式 选取m个最大特征值λ1,λ2,...,λm以及对应的特征向量α′1,α′2,...,α′m；其中，0

[0049] ⑤计算原始数据经KPCA降维后所得的特征向量Y＝Kα′，其中α′＝[α′1,α′2,...,α′m]，Y即为降维后的样本数据矩阵。

[0050] 所述模糊标准化，标准化公式为：

[0051]

[0052] 所述地球物理探测奥灰岩溶异常类型，包括强异常区、弱异常区和无异常区，将强异常区样本标签设为1，弱异常区样本标签设为0，无异常区样本标签设为-1。

[0053] 所述建立遗传算法(GA)优化支持向量机(SVM)的预测模型，即首先利用遗传算法对SVM模型的惩罚参数C和核函数参数σ(SVM模型的核参数选取RBF核函数)进行优化，然后利用最优参数进行SVM建模。图2是建立遗传算法(GA)优化支持向量机(SVM)的预测模型的流程图，包括以下步骤：

[0054] ①样本集设置：对步骤(2)中所述的样本集，随机抽取20％的样本作为测试样本，剩余的样本作为训练样本；以模糊标准化后的主成分作为输入向量，以地球物理探测奥灰岩溶异常类型作为目标向量；

[0055] ②遗传算法寻优：利用遗传算法对惩罚参数C和核函数参数σ进行确定；

[0056] ③SVM训练：输入训练样本，利用寻得的最优参数进行SVM训练，建立支持向量机(SVM)模型；

[0057] ④模型检验：利用测试样本对预测模型进行检验，预测模型精度达到85％以上为预测模型合格，可以应用；预测模型精度小于85％，则重新进行核主成分建模。

[0058] (3)采集没有地球物理探测的井下奥灰水文钻孔处的指标原始数据，利用建立好的KPCA–Fuzzy-GA-SVM模型预测奥灰异常区类型。

[0059] 具体实施方式是，首先对没有地球物理探测的井下奥灰水文钻孔处的指标原始数据，利用步骤(2)建立的核主成分模型计算主成分数据，然后进行模糊标准化，将模糊标准化后的主成分数据作为输入参数，输入步骤(2)中建立的遗传算法(GA)优化支持向量机(SVM)的预测模型，预测奥灰异常区类型。

[0060] (4)绘制奥灰异常区类型的分布图，判断奥灰岩溶异常区类型分布范围。

[0061] 具体判断方法为：绘制的奥灰异常区类型分布图，其中强异常区、弱异常区、无异常区分别用1、0、-1表示，利用克里克中间插值法，绘制强异常区与弱异常区的分界线Ⅰ(0.5线)、以及弱异常区与无异常区的分界线Ⅱ(-0.5线)，则位于＞0.5线的区域为奥灰岩溶裂隙水网络分布区域，0.5线～-0.5线之间的区域为裂隙水网络分布区域，位于＜-0.5线的区域为岩溶与裂隙不发育区域。

[0062] (5)分析奥灰岩溶裂隙水网络渗流场方向。

[0063] 具体方法是：绘制奥灰水位等值线，由高水位指向低水位的方向即渗流场基本方向。

[0064] 上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。