矿井涌水量预测模型研究——以协庄井田为例

• 作 者: 徐万鹏
• 机 构: 山东科技大学
• 出 处: 山东科技大学
• 发表日期: 2016年期
• 关键词: 矿井涌水量 BP神经网络 预测模型 主成分分析 水害防治

矿井涌水量预测是矿井水害防治中一项基础性工作，预测准确与否直接关系到矿井安全生产和排水设施的布控。在系统分析研究协庄矿的涌水特征和充水因素的基础上，建立了多种基于MATLAB的涌水量预测模型，从而为矿区疏排水方案的制定及资源的合理开发提供科学依据。　　签于矿井涌水量影响因素的复杂性，且部分影响因素获取或量化困难，增加了矿井涌水量的预测难度。为此分析了协庄矿历年涌水量的时序特征，并建立了马尔科夫链、三次指数平滑、BP神经网络三种预测模型。对三种模型的预测精度和可推广性作了对比分析研究，结果表明：马尔科夫链预测模型对短期内矿井涌水量的变化趋势预测较为准确，不适宜长期预测；三次指数平滑和BP神经网络预测模型均能实现矿井涌水量的短期（一年）和长期预测（五年）预测，且预测精度较高，三次指数平滑法短期预测平均相对误差为3.48%，长期为4.13%。BP神经网络短期预测平均相对误差为4.45%，长期为6.52%。　　针对矿井涌水量影响因素较多，且各因素之间具有一定的相关性，对涌水量预测结果有一定的影响。提出利用主成分分析方法处理原始变量，降低原始标量之间的相关性，处理后3个主成分能代表原始6个影响因素的89.571%的信息，用得到的主成分数据作为BP神经网络的输入变量，建立了主成分结合BP神经网络的预测模型。与之前直接建立的BP神经网络模型相比，矿井涌水量平均相对误差由原来的7.09%降低到6.09%。最大相对误差由原来18.17%降低到11.94%。因此，所建立的主成分与BP神经网络结合的预测模型是合理的，能更为准确的预测矿井涌水量大小。　　最终对模型评价分析，分别选取时序特征下的BP神经网络预测模型和PCA-BP神经网络模型作为涌水量的长期预测模型和短期预测模型，并对协庄矿未来一段时间内涌水量作出预测，预测最大用水量为1468.4 m3/h（2020年9月），最小涌水量为451.8 m3/h（2017年3月）。