针对淮南潘谢矿区新生界下含松散孔隙水与石炭系太原组石灰岩岩溶裂隙水水质接近的特殊情况,提出了基于GIS和水质水温的矿井突水水源快速判别方法。该法是利用测温钻孔的温度-深度拟合结果,构建基于GIS的利用水温识别突水水源的模型,并将其判别结果与基于水质的模糊综合评判计算的结果相结合,综合判别矿井突水水源。本法应用于潘一煤矿86-1号突水判别,实例结果显示,该法可以较好地适用于水质判别效果不佳,而含水层之间存在较大的地温差(埋深差)情况下的突水水源识别。

针对突水模型试验中对传感器的特殊要求,基于光纤布拉格光栅(FBG)技术,研制了新型的光纤光栅位移、应力、渗压和温度传感器。所研制的光纤光栅传感器不仅体积小、精度高,而且性能稳定、读数可靠,完全满足突水条件下实时采集数据的要求。在矿井突水模型试验中,将各传感器预埋于模型内部关键位置,成功地实现了对突水过程多场信息的实时监测。试验结果揭示了矿井突水前兆特征,说明了新型光纤传感器在突水模型试验中的有效性和可行性。

 在煤矿开采过程中，矿井水害事故频繁发生。为快速准确地找出矿井突水水源，降低矿井突水给煤矿生产带来的危害，以赵各庄矿为例，运用独立性权系数与模糊可变理论相结合的方法，选取了Na+，Ca2+，Mg2+，Cl–，SO2– 4和HCO– 36种水化学指标，对赵各庄矿的20组水样数据进行分析计算。结果表明：独立性权系数–模糊可变理论模型排除了水样中各指标间冗余信息的影响，克服了水样各变量间权重难以确定以及变量对水质影响不均匀的问题，可在一定程度上保证突水水源识别模型的准确度；Cl–权重值远大于其他各项化学指标的权重值，即Cl– 对突水水源的识别结果影响较大；采用本文所建模型判别赵各庄矿的8组测试水样，判别准确率达87.5%，表明该模型在矿井突水水源识别中具有重要参考价值。

针对矿井突水事故的预测问题,提出一种基于极限学习机(Extreme Learning Machine,ELM)的矿井突水水源识别新方法。该方法是一种单隐含层前馈神经网络学习算法,在训练过程中无需调整初始连接权值和阈值,只需要设置隐含层神经元个数即可获得最优解。以梧桐庄煤矿水质为例,通过MATLAB仿真证实,该方法不仅克服了常规BP神经网络受初始权值和阈值影响的缺陷,而且识别精度更高;在突水预测方面有很好的应用前景。

以非线性预测评价为基础,采用BP神经网络模型,利用遗传算法优化网络初始权值和阈值,建立一个新的煤矿底板突水危险性预测的网络模型,通过收集不同突水矿井的资料,综合考虑多种影响底板突水的因素。运用Matlab编程对网络原始数据进行训练,并对不同工作面底板是否突水及突水量进行预测分析,结果表明,该模型收敛速度快、预测精确度高,且具有较强的泛化能力。

在巷道掘进过程中,直接揭露导水构造或离导水构造较近发生突水时,水害治理难度较大。赵家寨煤矿11运输石门在施工过程中,揭露前方导水裂隙突水,通过打造止浆墙、超前帷幕注浆等治水技术,使该巷顺利通过裂隙带。

针对煤层底板突水预测问题，在总结现有突水预测方法和理论的基础上，通过特征选择实验得出水压、距工作面距离、砂岩段厚度、煤层厚度、煤层倾角、断层落差、是否裂隙带、开采面积、采高、走向长度是影响突水发生的主要因素，这些因素具有复杂、非线性的特点。提出基于长短时记忆(LSTM)神经网络构建的突水预测模型，将煤矿突水实例的数据作为样本数据对模型进行训练。最后，将LSTM神经网络模型与遗传算法–反向传播(GA-BP)神经网络模型和反向传播(BP)神经网络模型进行对比实验。实验结果表明，LSTM神经网络模型在测试集上的预测正确率更高，稳定性更好，更加适用于煤层底板突水预测。

对常用的突水水源判别方法进行了概述,阐明了其适用条件,为选择合适的方法提供了依据。以石壕煤矿为例,利用BP神经网络方法,选择矿化度、p H值、总硬度、Ca2++Mg2+、K++Na+以及涌水量作为判别因子,建立了水源判别模型,经过样本训练和模型验证,其判别结果与实际基本一致,验证了人工神经网络方法在突水水源判别上的准确性。

提出了一种采用改进的SOM神经网络对矿井突水水源进行判别的方法。该方法把水质中的Na+、K+、Ca2+、Mg2+、Cl-、SO24-和HCO-3等7种离子的含量作为判断因素,结合改进的SOM神经网络模型,对20个水源样品进行分类。实验结果表明,该方法的误判率为0,能够准确地判别矿井突水水源。

基于Bayes判别分析的基本思想,建立煤层底板突水危险性的Bayes判别分析模型。选用煤层的含水层富水性、含水层水压、隔水层厚度、断层导水性和构造发育程度5个指标作为该模型的判别因子,以不同地区煤矿的14组煤层实测数据作为训练样本,建立了Bayes判别分析模型。为了验证模型的准确性,用回代判别方法对14组煤层实测数据进行判别,并用工程实例进行了验证。研究结果表明,Bayes判别分析模型误判率较低,能快速有效地判别出煤层底板突水危险性的等级,在实际工程中有较强的适用性。