基于多元集成分析的矿井突水风险预测优化模型及算法研究

doi:10.16381/j.cnki.issn1003-207x.2023.1011

摘要/Abstract

摘要：

随着煤层向深度延伸，地质条件趋于更加复杂，导致灾变突水更加难以探查，造成重大人员伤亡和财产损失。本文基于钻孔地质数据小样本非线性的特征，提出了耦合理论分析、统计学分析，数值模拟和机器学习仿真的多元集成分析风险预测定量模型。首先，使用三角模糊数定量化表征基于经验值的对比矩阵，同时考虑底层主控风险因子的网络化风险传递作用，并采用博弈矩阵对主控因素的主客观权重占比合理分配，构建基于主客观双因子综合赋权的富水性指数模型。其次，采用PSO-SVM-GIS模型充分挖掘导水通道数据联系，利用协同克里金插值实现数据的升维和空间信息处理。最后，通过风险的充要条件图层表征耦合，实现定量结果的定性可视化，达到以小样本数据精准预测灾害风险的目的。结果表明：基于多元集成分析的三图法优化模型具有较高的精度和泛化能力，真实刻画了矿井突水这种受控于多因素、数据体量小、且具有非常复杂形成机理的非线性动力过程，实现了对于突水高风险区的精准研判，可为制定针对性防治水措施提供技术支撑，从而前瞻性确保了煤矿安全生产。

关键词: 矿井突水, 主客观双因子综合赋权法, 多元集成分析, 风险预测

Abstract:

Accidents involving sudden water inrushes during coal mining processes often result in significant casualties and property damage. A quantifiable risk prediction model is proposed using a multi-dimensional integrated analysis approach based on the nonlinear features of small-sample drilling geological data， and from the perspective of geological structures and hydrogeological conditions， with Wu Qiang's "three-maps method" as the foundation of research. The triangle fuzzy number quantitative characterization of the empirical comparison matrix is used to reasonably allocate subjective and objective weights of the main control factors through cooperative game theory. The established weights of the five main controlling factors are as follows： aquifer thickness （0.217）， aquifuge thickness （0.209）， core recovery rate （0.251）， permeability coefficient （0.137）， and sandstone lithology coefficient （0.186）. Then the PSO-SVM-GIS is used to fully explore the data relationships of water-conducting channels and to achieve data upscaling and spatial information processing using collaborative kriging interpolation. Finally， by coupling the representation of the necessary and sufficient conditions of risk， the quantitative results are visually represented qualitatively， achieving the goal of accurately predicting disaster risk using small-sample data. The Yingpanhao Coal Mine is selected as a case study for empirical analysis， employing the vulnerability index method to integrate thematic maps of the controlling factors within ArcGIS， weighted by their respective proportions. The working face is systematically categorized into zones according to the risk of water inrush， delineating areas as safe， relatively safe， transitional， moderately hazardous， and hazardous. This classification demonstrates a strong correlation with empirical observations， thereby facilitating the precise prediction of disaster risks through the utilization of a limited dataset. The results show that the optimized model of the three-graph method based on multi-dimensional integrated analysis has good accuracy and generalization ability， and accurately characterizes the nonlinear dynamic process of sudden water inrushes controlled by multiple factors， with small data volume and extremely complex formation mechanism， achieving precise judgment of high-risk areas for water inrushes. This provides technical support for formulating targeted preventive measures， which is significant in guiding the prediction and prevention of roof water damage and subsidence disasters， and thus ensures the safe production of coal mines in advance.

Key words: water inrush, subjective and objective dual factor weighting, multivariate integrated analysis, risk prediction

中图分类号:

X936

郑秋爽, 王长峰. 基于多元集成分析的矿井突水风险预测优化模型及算法研究[J]. 中国管理科学, 2025, 33(7): 187-199.

Qiushuang Zheng, Changfeng Wang. Prediction of Roof Water Inrush Based on Multivariate Integrated Analysis Model[J]. Chinese Journal of Management Science, 2025, 33(7): 187-199.

图/表 27

图1

表1

模型符号与定义"

符号	定义
c	导水裂缝带支持向量机回归预测模型惩罚系数
g	导水裂缝带支持向量机回归预测模型核参数
Y={Y_ij }m×n	富水性主控因子原始数据m×n标准矩阵
E_j	第j项主控因子的信息熵
D_j	第j项主控因子的差异性系数
W_j	第j项主控因子的权重
a_k	线性组合系数
w	熵权或网络层次分析法求得的权重向量
S_i	权重和模糊综合程度
$W ¯$	加权超矩阵
$W ∞$	极限超矩阵
V(M₁≥M₂)	三角模糊数M₁≥M₂的可能性程度
CI	富水性指数
W_k	富水性主客观双因子赋权
n	富水性单因素数量
f_k	富水性单因素影响值函数

表1

图2

图3

图4

表2

图5

图6

图7

图8

表3

表4

图9

表5

图10

表6

图11

表7

表8

表9

表10

表11

图12

表12

脆弱性指数阈值划分"

脆弱性指数阈值	评价分区
$C I ≤ 0.28$	弱富水区
$0.28 < C I ≤ 0.41$	较弱富水区
$0.41 < C I ≤ 0.47$	过渡区
$0.47 < C I ≤ 0.55$	较强富水区
$C I > 0.55$	强富水区

表12

图13

图14

表13

参考文献 29

[1]	江深哲，杜浩锋，徐铭梽.“双碳”目标下能源与产业双重结构转型［J］.数量经济技术经济研究，2024，41（2）：109-130.
	Jiang S Z， Du H F， Xu M Z. Dual transition of energy and industrial structure under the carbon peaking and neutrality goals［J］. Journal of Quantitative & Technological Economics， 2024， 41（2）：109-130.
[2]	陈伟光，罗艾桦，程远州.积极转型，推动能源结构趋绿［N］.人民日报， 2023-01-19（10）.
	Chen W G， Luo A H， Cheng Y Z. Positive transformation to promote a greening of the energy structure［N］. People's Daily， 2023-01-19（10）.
[3]	卫思谕.加快构建我国新型能源体系［N］.中国社会科学报， 2023-03-06（2）.
	Wei S Y. Accelerating the construction of China's new energy system［N］. Social Sciences in China Press， 2023-03-06（2）.
[4]	曾一凡，武强，赵苏启，等.我国煤矿水害事故特征、致因与防治对策［J］.煤炭科学技术，2023，51（7）：1-14.
	Zeng Y F， Wu Q， Zhao S Q， et al. Characteristics， causes， and prevention measures of coal mine water hazard accidents in China［J］. Coal Science and Technology， 2023，51（7）：1-14.
[5]	翟晓荣，吴基文，张红梅等.基于流固耦合的深部煤层采动底板突水机理研究［J］.煤炭科学技术，2017，45（6）：170-175.
	Zhai X R， Wu J W， Zhang H M， et al. Study on water-inrush mechanism of mining floor of deep coal seam in mine shaft based on fluid-solid coupling［J］. Coal Science and Technology， 2017， 45（6）：170-175.
[6]	张国恩，祁云，赵杰，等.乌兰木伦煤矿二盘区首采面探放水技术［J］.中国安全科学学报，2022，32（S1）：84-89.
	Zhang G E， Qi Y， Zhao J， et al. Water exploration and drainage technology of first mining face of Ulan Mulun 2-2 coal panel Ⅱ area［J］. China Safety Science Journal， 2022， 32（S1）：84-89.
[7]	武强，张小燕，赵颖旺，等.矿井巷道突（透）水蔓延模型研究及应用［J］.煤炭工程， 2018，50（2）：1-5.
	Wu Q， Zhang X Y， Zhao Y W， et al. Research and application of water bursting spread model in roadway［J］. Coal Engineering， 2018， 50（2）：1-5.
[8]	武强，徐华，赵颖旺，等. 基于“三图法”煤层顶板突水动态可视化预测［J］.煤炭学报，2016，41（12）：2968-2974.
	Wu Q， Xu H， Zhao Y W， et al. Dynamic visualization and prediction for water bursting on coal roof based on “three maps method” ［J］. Journal of China Coal Society， 2016， 41（12）：2968-2974.
[9]	武强，王洋，赵德康，等.基于沉积特征的松散含水层富水性评价方法与应用［J］.中国矿业大学学报，2017，46（3）：460-466.
	Wu Q， Wang Y， Zhao D K， et al. Water abundance assessment method and application of loose aquifer based on sedimentary characteristics［J］. Journal of China University of Mining & Technology，2017，46（3）：460-466.
[10]	武强，申建军，王洋. “煤-水”双资源型矿井开采技术方法与工程应用［J］.煤炭学报，2017，42（1）：8-16.
	Wu Q， Shen J J， Wang Y. Mining techniques and engineering application for “Coal-Water” dual-resources mine［J］. Journal of China Coal Society，2017，42（1）：8-16.
[11]	许进鹏，周宇，浦早红，等.离层积水量估算方法及离层突水预测——以陕西招贤煤矿1304工作面突水为例［J］.煤炭学报， 2022， 47（8）：3083-3090.
	Xu J P， Zhou Y， Pu Z H， et al. Calculation method of separated water accumulation in the process of separated water inrush and its forecast：Taking the water inrush at 1304 working face of Zhaoxian Coal Mine in Shaanxi Province as an example［J］. Journal of China Coal Society，2022，47（8）：3083-3090.
[12]	刘世伟，赵家鑫，袁乐忠，等.基于MTD类分布小样本增强的带压开采煤层底板破坏深度预测［J］.煤炭科学技术，2024，52（S2）：175-185.
	Liu S W， Zhao J X， Yuan L Z， et al. Predicting the failure depth of coal seam floor in pressure mining based on small sample enhancement of MTD class distribution［J］. Coal Science and Technology， 2024，52（S2）：175-185.
[13]	马天行，林允，周晓斌，等.煤层底板突水危险性预测的熵权-正态云模型［J］.中国安全科学学报，2022，32（S1）：171-177.
	Ma T X， Lin Y， Zhou X B， et al. Entropy weight-normal cloud model for water inrush risk prediction of coal seam floor［J］. China Safety Science Journal，2022，32（S1）：171-177.
[14]	朱赛君，姜春露，毕波，等.基于组合权-改进灰色关联度理论的矿井突水水源识别［J］.煤炭科学技术，2022， 50（4）：165-172.
	Zhu S J， Jiang C L， Bi B， et al. Identification of mine water inrush source based on combination weight-theory of improved grey relational degree［J］. Coal Science and Technology， 2022， 50（4）：165-172.
[15]	杨坤，陈伯辉，施式亮.基于HMM的煤矿底板突水短时预测模型［J］.安全与环境工程，2020，27（5）：190-196.
	Yang K， Chen B H， Shi S L. Short-term prediction model of water inrush from coal mine floor based on HMM［J］. Safety and Environmental Engineering，2020， 27（5）：190-196.
[16]	秦庆举，刘梦楠，孔英权，等.高位离层水害突水危险性区域预测方法［J］.煤炭科学技术，2024，52（11）：368-381.
	Qin Q J， Liu M N， Kong Y Q， et al. A new risk prediction method for water inrush from high-position separated layers in mine areas of Jurassic coal field［J］. Coal Science and Technology， 2024，52（11）：368-381.
[17]	于小鸽，刘燚菲，翟培合.基于PCA-AWOA-ELM模型的矿井突水水源识别［J］.煤炭科学技术，2023，51（3）：182-189.
	Yu X G， Liu Y F， Zhai P H. Identification of mine water inrush source based on PCA-AWOA-ELM model［J］. Coal Science and Technology， 2023，51（3）：182-189.
[18]	秋兴国，李娜.基于CNN-GCN-BiLSTM的煤矿底板突水量预测模型［J］.煤炭技术，2022，41（8）：84-87.
	Qiu X G， Li N. Prediction model of water inrush from coal floor based on CNN-GCN-BiLSTM［J］. Coal Technology， 2022， 41（8）：84-87.
[19]	Cortes C， Vapnik V. Suport vector networks［J］. Machine Learnig，195，20（1）：273-297.
[20]	陈云峰，于雪，刘吉成，等.基于TSO-LS-SVM模型的电煤库存风险评价研究［J］.中国管理科学，2024，DOI：10.16381/j.cnki.issn1003-207x.2023.1065 .
	Chen Y F， Yu X， Liu J C， et al. Research on electric coal inventory risk assessment based on TSO-LS-SVM model［J］. Chinese Journal of Management Science， 2024， DOI：10.16381/j.cnki.issn1003-207x.2023.1065 .
[21]	Vapnik V. The nature of staistcalearnig theory［M］. New York：Springer-Verlag，1999.
[22]	鲁惠文，方兴华，宋明顺，等.基于相对熵的质量异常模式识别研究［J］.中国管理科学，2024，32（3）：299-312.
	Lu H W， Fang X H， Song M S，et al. Quality abnormal pattern recognition based on relative entropy［J］. Chinese Journal of Management Science， 2024， 32（3）：299-312.
[23]	吴敏莲，樊彧，王熹徽，等.基于信息熵的实物捐助物资筛选和分拣优化策略研究［J］.中国管理科学， 2025，33（6）：105-115.
	Wu M L， Fan Y， Wang X W， et al. Research on optimization strategy of in-kind donation selection and sorting based on information entropy［J］. Chinese Journal of Management Science， 2025，33（6）：105-115.
[24]	Arman H， Hadi-Vencheh A. The revised extent analysis method［J］. Concurrency and Computation： Practice and Experience，2021，33（17）：e6319.
[25]	禹明刚，余晓辉，权冀川，等.面向任务与基于ANP的网络信息体系能力需求满足度分析方法［J］.系统工程理论与实践，2020，40（3）：795-806.
	Yu M G， Yu X H， Quan J C， et al. Task-oriented and ANP-based requirement satisfactory degree analysis method for net-centric information system-of-systems［J］.Systems Engineering-Theory & Practice， 2020， 40（3）： 795-806.
[26]	田世海，王春梦，杨文蕊.基于ANP和随机Petri网的突发事件网络舆情危机预警机制研究［J］.中国管理科学， 2023，31（10）：215-224.
	Tian S H， Wang C M， Yang W R. Research on the early warning mechanism of network public opinion crisis for emergencies based on ANP and stochastic petri net［J］. Chinese Journal of Management Science， 2023，31（10）：215-224.
[27]	宫豆豆，徐根玖.均衡博弈的核心妥协解及其公理化［J］.系统工程理论与实践，2024，44（4）：1210-1218.
	Gong D D， Xu G J. The core compromise solution for balanced games and its axiomatization［J］. Systems Engineering-Theory & Practice， 2024， 44（4）：1210-1218.
[28]	孙国强，谢雨菲.区块链技术、供应链网络与数据共享：基于演化博弈视角［J］.中国管理科学，2023，31（12）：149-162.
	Sun G Q， Xie Y F. Blockchain technology， supply chain networks and data sharing： Based on the perspective of evolutionary game［J］. Chinese Journal of Management Science， 2023，31（12）：149-162.
[29]	周宏，高鹏超.基于三方演化博弈的网红营销问题协同治理策略［J］.中国软科学，2024（S1）：100-111.
	Zhou H， Gao P C. Collaborative governance strategy of marketing problems in online celebrity based on tripartite evolutionary game［J］. China Soft Science， 2024（S1）：100-111.

序号	矿名	工作面	面长/米	采高/米	裂缝带高度/米	裂采比（%）
1	大柳塔煤矿	52304	147.5	6.44	68.76	10.7
2	大柳塔煤矿	52306	301	7	137.32	19.6
3	国投查哈素煤矿	3103顺槽	300	5.1	63.1	12.4
4	补连塔煤矿	12511	319.1	8	124.42	15.6
5	补连塔煤矿	31401	265	5.92	147.2	24.9
6	泰安煤矿	6103	195	6	63.4	10.6
7	上湾煤矿	51201	155	5.8	73	12.6
8	布尔台煤矿	42106	216	6.6	80.52	12.2
9	张家峁煤矿	15204	300	6	75.6	12.6
10	陈家沟煤矿	3202	98	10.79	134.98	12.5
11	多伦协鑫煤矿	1703-1	120	9.58	112	11.7
12	金鸡滩煤矿	101	300	5.5	108.59	19.7
13	杭来湾港煤矿	30101	300	7.5	112.6	15
14	彬长煤矿	101	116	7.4	96.4	13
15	王坡煤矿	3202	180	5.89	104.92	17.8
16	敏东一矿	L3414	196	7.7	79.78	10.4

寻优算法	c	g	MAE（%）	MSE（%）
PSO-cg	29.2697	0.1	9.51	14.66
网格-cg	9.1896	0.027205	16.73	19.32
遗传-cg	5.0331	0.031567	40.16	61.59
遗传-cgp	14.9429	1.4256	17.26	23.85

测试点标号	采高/米	导水裂缝带高度/米
ST-01	5.51	78.47
ST-02	2.32	28.51
ST-03	5.89	65.06
ST-04	4.12	49.14
ST-05	6.11	74.18
ST-06	5.92	67.09
ST-07	5.57	61.43
ST-08	6.72	82.95
ST-09	4.98	55.72
ST-10	6.02	69.08
ST-11	6.43	79.11
ST-12	4.68	52.03
ST-13	6.24	75.94
ST-14	6.72	65.32
ST-15	6.01	67.43
ST-16	6.42	78.05
ST-17	5.86	63.98

钻孔	含水层厚度/米	隔水层厚度/米	岩芯采取率/%	渗透系数/(dm/d)	砂岩岩性系数
K4-1	214.81	621.65	0.94	0.34	0.22
K4-2	178.65	529.08	0.88	0.41	0.40
K4-3	179.78	603.45	0.94	0.28	0.23
K4-4	170.70	622.80	0.86	0.28	0.21
K4-5	168.43	509.52	0.84	0.32	0.24
K4-6	150.96	567.04	0.79	0.33	0.28
K4-7	148.46	644.17	0.81	0.37	0.27
K4-8	149.59	603.55	0.82	0.41	0.40
K4-9	148.46	578.39	0.85	0.33	0.22
K4-10	135.52	524.08	0.79	0.36	0.26
K5-1	178.21	675.28	0.79	0.49	0.45
K5-2	177.29	623.05	0.68	0.08	0.13
K5-3	165.71	568.91	0.66	0.36	0.27
K5-4	161.40	584.38	0.73	0.12	0.17
K5-5	163.89	519.63	0.92	0.55	0.50
K5-6	146.19	697.02	0.79	0.45	0.33
K5-7	142.33	673.47	0.79	0.14	0.19
K5-8	140.51	605.40	0.76	0.59	0.46
K6-1	173.20	549.84	0.74	0.28	0.31
K6-2	154.13	503.90	0.89	0.35	0.29
K6-3	134.38	614.07	0.69	0.50	0.46
K6-4	135.75	619.80	0.88	0.40	0.39
K7-1	169.80	582.25	0.91	0.34	0.29
K7-2	156.86	694.03	0.89	0.40	0.38
K7-3	197.77	588.09	0.90	0.36	0.25
K7-4	158.45	634.75	0.91	0.57	0.46
K7-5	140.97	660.21	0.90	0.28	0.35
K7-6	149.82	546.50	0.92	0.53	0.49
K7-7	144.83	573.46	0.94	0.41	0.32
K7-8	133.02	628.20	0.92	0.27	0.35
K8-1	165.26	510.66	0.97	0.07	0.15
K8-2	157.31	584.31	0.87	0.25	0.39
K8-3	139.15	605.30	0.81	0.24	0.21
K8-4	185.75	617.62	0.64	0.54	0.56
P7	140.51	540.59	0.76	0.24	0.25
P8	182.28	600.50	0.75	0.44	0.39
P9	178.88	554.98	0.81	0.33	0.33
P10	158.90	627.24	0.75	0.58	0.58
X202	161.17	615.02	0.76	0.31	0.25
X203	213.12	591.32	0.76	0.45	0.33
X204	162.31	663.40	0.79	0.28	0.18

富水性主控因素基本面	B₁	B₂	B₃
B₁	（1,1,1）	(3,4,5)	(2,3,4)
B₂	（1/5,1/4,1/3)	（1,1,1）	(1/3,1/2,1)
B₃	(1/4,1/3,1/2)	(1,2,3)	（1,1,1）