LIF和CNN的矿井突水水源类型判别

矿井进入深部开采过程中,突水威胁分别来自顶板老空水和底板高压岩溶水.煤矿突水水源类型的在线识别能够预警煤矿水害,是矿井水害防治关键环节,对煤矿安全生产具有积极意义.代表离子法作为传统的煤矿突水水源类型识别方法,需要深入现场采集水样,密封处理后在实验室检测水样中7种典型的无机离子浓度,计算得到突水评价因子.这种存在检测周期过长、样品易被污染以及预警响应滞后、无法在线判别等不利因素.针对代表离子法方法的不足,提出了一种基于激光诱导荧光(LIF)和卷积神经网络(CNN)的矿井突水水源判别模型.首先,针对淮南矿业集团新集二矿的4种水体,2016年6月-2017年6月期间分批次取得161组水源样本,其中采空区积水46条,砂岩水59条,太灰水42条和奥灰水14条.用LIFS-405激光诱导荧光系统发射的405nm激光检测水样,水体受激后得到突水水样的荧光光谱.主成分分析得到前10个主成分累计贡献率不足85％,4种水样无法有效直接辨识.针对该问题和水样荧光光谱中的随机高频波动干扰,采用一阶滞后滤波方法抑制波动频率较高的周期性干扰;针对线判别分析对数据更新率的要求,采用递推平均方法;在此基础上,提出了一种改进的递推平均一阶滞后平滑滤波方法,并对滤波处理后的荧光光谱进行自相关计算,得到二维自相关荧光光谱特征图.实验表明,采用改进后的滤波法处理方法,计算得到的4种测试水样的二维荧光光谱图较好的滤除了噪声干扰,并表现了出了明显的差异性.针对二维自相关荧光光谱特征图,构建了基于卷积神经网络(CNN)的突水水源类型判别模型,用于判别突水水源类型.该方法采用深度学习的模型框架,直接对二维自相关荧光光谱特征图进行识别,有效避免了PCA降维的片面性.理论分析和实验结果表明:该模型对水源类型的准确识别率达到了98％,是一种有效的矿井突水水源类型判别方法,为在线矿井突水水源类型判别方法提供了新的思路.