Characteristics of microbial communities in water bodies of ecologically fragile coal mining areas and indications for mine water filling
-
摘要:
我国生态脆弱矿区水资源整体匮乏，但局部地区矿井涌水却异常巨大。对生态脆弱矿区异常矿井充水水源识别，对矿区生态环境保护意义重大。研究以涌水量超过1 000 m3/h的榆树湾煤矿为背景，在分析矿井涌水量特征的基础上，采集了研究区主要含水层和矿井涌水点的30个水样，开展了水样高通量微生物测序研究。对测序结果采用Alpha多样性分析、Beta多样性分析及微生物构成差异分析，系统研究了矿井水体中微生物群落特征，分析了矿井充水来源。研究结果表明：高通量测试结果通过了Coverage指数检验，验证了其用于矿井充水识别的可行性。但人类活动密切接触的水样显示出微生物更加丰富，需要在取样中有效规避。榆树湾煤矿浅表松散含水层中微生物丰富度和多样性都较高，以新鞘脂菌属（Novosphingobium）、梭杆菌属（Fusobacterium）和硫属（Sulfuricum）等微生物丰度最高；直罗组为代表的基岩含水层微生物丰富度较低，但微生物多样性较高，以丛毛单胞菌属（Comamonas）、蛲虫属（Vermiphilaceae）和巴氏杆菌（Paeniglutamicibacter）等微生物丰度最高。所有水样中最为优势的门类为变形菌门，占比达到35.5%～89.7%。Alpha多样性、PCoA和NSDM分析揭示了榆树湾矿井充水水源主要来自松散含水层和直罗组含水层。但Beta多样性分析发现，随着直罗组静储量的释放，松散层中离石组黄土充水比例进一步增大。综合分析显示，榆树湾煤矿目前为基岩含水层快速释水+离石组含水层持续释水模式的充水模式，矿井涌水统计分析结果验证了这一结论。研究为相似化学成分含水层充水识别，提供了新的方法。
Abstract:The overall water resources in ecologically fragile mining areas in our country are scarce, but in some areas, mine water inflow is exceptionally large. The identification of abnormal mine water sources in ecologically fragile mining areas is of great significance for the protection of the ecological environment in the mining areas. This study takes the Yushuwan coal mine with a water inflow exceeding 1000 m3/h as the research background. Based on the analysis of the characteristics of mine water inflow, 30 water samples were collected from the main aquifers and mine water inflow points in the study area, and high-throughput microbial sequencing of water samples was conducted. The sequencing results were analyzed using Alpha diversity analysis, Beta diversity analysis, and differential analysis of microbial composition to systematically study the characteristics of microbial communities in mine water bodies and analyze the sources of mine water filling. The research results indicate that the high-throughput test results have passed the Coverage index test, verifying its feasibility for identifying mine water filling. However, water samples that have close contact with human activities show a greater abundance of microorganisms, which need to be effectively avoided in sampling. The abundance and diversity of microorganisms in the shallow loose aquifer of Yushuwan Coal Mine are relatively high, with the highest abundance being found in genera such asNovosphingobium,Fusobacterium, andSulfuricum. The microbial richness of the bedrock aquifer represented by the Zhiluo Formation is relatively low, but the microbial diversity is high, with the highest microbial abundance being found in genera such asComamonas,Vermiphilaceae, andPaeniglutamicacter. The most dominant phylum among all water samples isProteobacteria, accounting for 35.5% to 89.7%. Alpha diversity, PCoA, and NSDM analysis revealed that the water inflow in the Yushu Bay mine is mainly composed of loose layers and Zhiluo Formation. However, Beta diversity analysis found that with the release of static reserves in the Zhiluo Formation, the water source for filling the loose layer of Lishi loess further increases. Comprehensive analysis shows that the Yushuwan coal mine currently adopts a water filling mode of rapid release of bedrock aquifer and continuous release of Lishi Formation aquifer. The statistical analysis results of mine water inflow confirm this conclusion. The statistical analysis results of mine water inflow confirm this conclusion. This study provides a new method for identifying water filling in aquifers with similar chemical compositions.
-
0. 引 言
近年来，煤矸石分拣机器人的研究主要集中在煤矸识别[1-3]、机器人轨迹规划[4-6]、多机器人智能协同[7-9]等方面。煤矸识别是实现机器人智能分拣煤矸石的前提，为机器人轨迹规划和协同控制提供煤矸石位姿信息[10-11]。通常在煤矸石分拣机器人识别区域和分拣区域中间设置缓冲区，为煤矸识别模块处理数据提供缓冲时间。然而，由于带式输送机输送带存在打滑、跑偏以及带速波动等现象，造成目标煤矸石位姿发生改变，现有的方法无法实现煤矸石精确定位，进而导致机器人对目标煤矸石抓取失败，甚至空抓、漏抓。因此，机器人在分拣区域执行分拣动作前，通过视觉方法对通过煤矸识别得到的识别图像与分拣时采集获取的分拣图像进行匹配，从而实现对目标煤矸石精准定位，提高机器人分拣精度和分拣效率。
随着煤矿智能化发展，视觉技术凭借着精度高、速度快等优势被广泛应用于煤矿智能化场景，如通过人工智能(Artificial Intelligence,AI)识别完成煤矿生产管控[12-13]、通过视频分析实现矿井生产场景智能监控[14-15]，利用图像识别完成输送带异物检测分类[16-17]等。由此可见，视觉技术已成为解决煤矿井下复杂问题的关键技术。但视觉技术的图像匹配方法主要应用在监控图像匹配拼接[18-20]、无人机图像匹配[21-23]、人脸匹配识别[24-26]等方面。张朝伟等[27]提出基于尺度不变特征(Scale invariant Featu-re Transform, SIFT)匹配的监控图像自动拼接，提高了图像匹配的精度，但SIFT特征维数高，导致匹配时间长。针对SIFT特征存在的问题，LI等[28]提出的改进加速鲁棒特征(Speeded Up Robust Fe-atures, SURF)算法无人机图像匹配方法，提高了无人机图像匹配速度，但仍不能满足实时性要求。姜煜杰[29]提出的改进局部二值模式特征(Local Binary Pattern, LBP)算法人脸识别，提高了人脸匹配识别的准确性，但LBP特征采用固定尺度描述图像纹理特征，难以满足不同尺度匹配要求。钟鹏程等[30]提出的基于改进ORB (Oriented FAST and Rotated BRIEF)工件图像识别方法，提高了工业机器人对工件识别效率和准确性。ZHANG等[31]提出基于改进ORB算法图像特征点匹配，提高了图像匹配的精度。ORB特征[32-33]是采用OFAST (Oriented Features from Accelerated Segment Test)算法[34]特征点提取，再通过BRIEF(Binary Robust Independent Elementary Features)描述符[35-36]进行描述，最后与快速最近邻搜索包(Fast Library for Approximate Ne-arest Neighbors,FLANN)特征匹配方法[37-38]相结合进行图像匹配。由于BRIEF描述符计算复杂度高、检测速度慢、重复率低，且FLANN匹配方法是通过设定特征点欧式距离阈值来筛选匹配特征点，从而导致图像匹配精确率低。
综上所述，针对煤矸石图像匹配的匹配率低、匹配时间长等问题，提出了改进的ORB-FLANN煤矸石图像高效匹配方法，实现煤矸石识别图像与分拣图像精准高效匹配。
1. 煤矸石高效匹配方法
从机器人的煤矸识别模块得到目标煤矸石识别图像，目标煤矸石到达分拣区域后，采集获取煤矸石分拣图像，煤矸石高效匹配方法原理如图1所示，通过ORB算法提取图像的特征点，利用更高效的BEBLID (Boosted Efficient Binary Local Im-age Descriptor)描述符[39]对特征点进行描述，融合渐进一致采样法(Progressive Sampling Consensus, PROSAC)[40]的改进FLANN匹配方法对错误匹配点对进行剔除，获得最佳匹配点对，采用最小矩形框进行框定得到目标煤矸石精确位置。试验结果表明，文中方法能实现对煤矸石识别图像与分拣图像高效匹配。
2. 改进ORB特征检测方法
ORB方法主要作用是对图像特征点进行检测与描述，特征点由OFAST算法进行选取，煤矸石特征点的选取如图2所示。以像素点p为中心的圆周上均匀地取16个像素点，如果其中连续n个像素点与中心点p的像素值之差都大于设定阈值，则该像素点p为特征点。
为提高特征点抗干扰性与区分度，需使用特征描述符对特征点的邻域信息进行描述。ORB方法采用BRIEF描述符进行描述，该描述符采用高斯分布选取并比较特征点对的灰度值差异，具有随机性、不能保证点对的质量，削弱了描述符的表达能力，导致计算量大，检测速度和重复率降低。针对上述问题，通过比较特征点领域内一系列像素点对所在方框区域的平均灰度值差异来构建BEBLID描述符，该描述符不仅只包含特征点的灰度和位置信息，还包含了特征点领域其他像素点的灰度和位置信息，可并行计算每个特征点的描述符，计算复杂度低、效率高且重复率高。
BEBLID描述符构建原理如图3所示，选取N对以特征点为中心，边长为s的方形区域作为采样对，初始化每个特征学习器的阈值T，T由训练集给定，通过特征提取函数f(x)计算出采样对区域的平均灰度值差。
$$ f\left( x \right) = f\left( {x;{p_1},{p_2},s} \right) = \frac{1}{{{s^2}}}\left[ {\sum\limits_{q \in R\left( {{p_1},s} \right)} {I\left( q \right)} - \sum\limits_{r \in R\left( {{p_2},s} \right)} {I\left( r \right)} } \right] $$ (1) 式中，f(x)为特征提取函数；I(q)为像素点q灰度值；I(r)为像素点r的灰度值；R(p,s)为中心位于像素点p的矩形边框，边长为s；图3中红色方框和蓝色方框分别为R(p1,s)和R(p2,s)。
使用自适应增强(adaptive boost,AdaBoost)算法[41]不断迭代p1、p2、s，并训练特征学习器，训练损失函数L为
$$ L = \sum\limits_{i = 1}^N {\exp \left[ { - \gamma {l_i}\sum\limits_{k = 1}^K {{h_k}\left( x \right){h_k}\left( y \right)} } \right]} $$ (2) 其中，γ为所有特征学习器的统一权重，取0.005 5；li∈{−1.1}；hk(x)为第k个特征学习器，hk(x)可表示为
$$ h_k(x)=h_k(x ; f, T)= \begin{cases}+1, & f(x) \leqslant T \\ -1, & f(x)>T\end{cases}$$ (3) 训练过程中将损失降到最低，不断优化式(2),得到损失函数最小的K个特征学习器并组合得到h(x)。将−1转化为0，+1转化为1，得到向量D(x)即为BEBLID描述符。其中，依据文献[33]的试验测试结果，在构建煤矸石BEBLID描述符时设定N=
1024 和K=512。在试验的特征点检测阶段，随机选取100张煤矸石识别图像和100张煤矸石分拣图像，利用传统ORB方法和改进ORB特征检测方法进行特征点检测试验，记录图像特征点重复率[42]和检测时间，求取平均值进行对比，验证改进ORB特征检测方法的优劣性。图4a和图4b分别是传统ORB方法与改进ORB方法检测煤矸石识别图像的特征点结果，图4c和图4d分别是传统ORB方法与改进ORB方法检测煤矸石分拣图像的特征点结果。
从图4可以看出，改进ORB方法较传统ORB方法检测的特征点数量更多、密度更高，且重复率为82.5%，较传统ORB方法重复率提高了16.7%。在检测时间上，改进ORB方法平均检测时间为53 ms，传统ORB方法为105 ms。综合证明，改进ORB特征检测方法不仅提高了特征点的重复率，也极大缩短了特征检测时间。
3. 改进FLANN特征匹配方法
煤矸石识别图像与分拣图像特征点检测完成后，需通过特征匹配方法对2幅图像的特征点进行匹配得到目标煤矸石位置。在FLANN特征匹配方法的基础上，融合PROSAC算法改进FLANN特征匹配方法，进一步剔除错误匹配点对，提高复杂工况条件下图像匹配的匹配精度。
FLANN特征匹配算法是根据KD-TREE操作实现[43]，特征点所处的特征空间为n维实数向量空间Rn，通过计算目标煤矸石识别图像的特征点p和分拣图像的各个特征点的欧式距离，来寻找特征点p对应的特征点，计算如式(4)所示。
$$ D\left( {x,y} \right) = \left\| {X,Y} \right\| = \sqrt {\sum\limits_{i = 1}^{{n}} {{{\left( {{X_i} - {Y_i}} \right)}^2}} } $$ (4) 式中，D为两特征点的欧式距离；(x,y)为特征点的像素坐标；Xi,Yi为在第i空间的像素坐标的值。通过KD-TREE结构存储所有的欧式距离D，得到特征点p的匹配点对集，对匹配点对集由上而下递归搜索，得到最小D对应的特征点q，得到匹配点对(p,q)，对每个特征点进行如上操作，即可得到煤矸石识别图像与分拣图像的匹配点对。
将PROSAC算法与FLANN特征匹配方法融合，对匹配点对的相似度进行排序，构建匹配点对相似度模型，取相似度最高的匹配点对作为假设集，进行采样计算出基础矩阵，剔除误差较大的匹配点对，得到最佳模型参数即最佳匹配点对，采用最小矩形框进行框定得到目标煤矸石位置。
在试验的特征匹配阶段，随机选取100张煤矸石识别图像与100张煤矸石分拣图像，利用FLANN匹配方法和改进FLANN匹配方法进行特征匹配试验，记录图像匹配的精确率[44]和匹配时间，求取平均值进行对比，以验证改进FLANN匹配方法的优劣性。图5a和图5b分别是煤矸石识别图像与分拣图像，图5c和图5d分别是FLANN匹配特征点对结果图与改进FLANN匹配特征点对结果图。图5e和图5f分别是FLANN匹配结果图与改进FLANN匹配结果。
由图5c和图5d可以看出，改进的FLANN匹配方法剔除了错误的匹配点对，由图5e和图5f可以看出，改进FLANN匹配方法能更精准地找到目标位置。试验结果表明，改进FLANN匹配方法的精确率为90.2%，平均匹配时间为145 ms，FLANN匹配方法的精确率为79.8%，平均匹配时间为138 ms，改进FLANN匹配方法能够提高匹配的准确性并保证匹配速度。
4. 试验结果与分析
4.1 试验环境
双机械臂桁架式煤矸石分拣机器人试验平台如图6所示，按照工作内容，可以将试验平台分为煤矸石识别区域和分拣区域，在试验平台的煤矸石分拣区域进行试验。试验硬件环境为处理器i7-9700K、4G内存、NVIDIA GeForce RTX 2080 GPU的PC机和MV-HS050GC维氏相机。
![]()
图 6 双机械臂煤矸石分拣机器人试验平台Figure 6. Experimental platform of coal gangue sorting robot with double mechanical arm4.2 煤矸石识别图像样本选取
使用MV-HS050GC维氏相机采集煤和煤矸石图片4 500张(煤和煤矸石各2 250张)，并截取样本图像中最具代表性的区域，并对图像采用平移、旋转、缩放等操作进行扩充至45 000张，将其制成煤矸石识别样本库。随机从煤矸识别系统的煤矸石识别样本库中选取500张煤矸石识别图像，作为匹配试验的目标煤矸石识别图像样本，部分目标煤矸石识别图像样本如图7所示。
4.3 不同方法匹配试验对比
为验证提出方法的高效性，匹配结果受到带式输送机输送带带速、尺度、旋转角度等因素综合影响，在不同带速、尺度、旋转角度的匹配试验条件下进行文中方法与SURF特征匹配方法[28]、HU不变矩匹配方法[6]、SIFT特征匹配方法[27]和ORB特征匹配方法[31]对煤矸石识别图像与分拣图像匹配试验。试验以匹配率和匹配时间作为评价指标，其中，匹配率是目标匹配重叠率OP大于给定阈值的图像数占总图像数的百分比，目标匹配重叠率OP计算公式如下：
$$ OP = \frac{{{\mathrm{area}}\left( {{R_1} \cap {R_0}} \right)}}{{{\mathrm{area}}\left( {{R_1} \cup {R_0}} \right)}} $$ (5) 式中，R1为目标匹配成功框；R0为人工标注的目标真实框；area为区域面积；∩为二者重叠区域；∪为二者覆盖总区域；文中给定阈值为0.5。
1）试验1：不同带速试验条件下的匹配试验。在煤矸石分拣机器人分拣区域进行试验，相机与机械臂采用eye in hand方式安装，由于煤矸石图像获取的质量会受光照条件的影响，相机视区光照不均匀导致煤矸石图像特征获取不全面，文献[45]和[46]对不均匀光照下的煤矸石高质量图像的获取与优化，能进一步提高煤矸石图像匹配的准确性。为了保证煤矸石图像特征的全面性，设置光照均匀。在人工拣矸环节中，带速为0.5～0.8 m/s，现有的煤矸分拣机器人分拣煤矸石的输送带带速大小与机器人的机械臂运动性能参数有关，通过现场试验，机器人最高分拣带速为1.1 m/s，设定试验条件为带式输送机输送带带速为0.5 m/s、尺度为0和旋转角度为0°。将煤矸石识别图像样本1与其他非样本的煤矸石混合放置在带式输送机上，使用相机采集样本1煤矸石分拣图像。依次对500张煤矸石识别图像样本的分拣图像进行采集，得到带速为0.5 m/s试验条件下的煤矸石分拣图像样本。仅改变带速，保持其他试验条件不变，分别在带速为0.6、0.7、0.8、0.9、1.0和1.1 m/s试验条件下，获取不同带速煤矸石分拣图像样本。
分别采用文中方法与SURF特征匹配方法、HU不变矩匹配方法、SIFT特征匹配方法和ORB特征匹配方法对煤矸石识别图像样本与对应的煤矸石分拣图像样本进行匹配，记录不同方法的匹配率和匹配时间，其中，匹配时间求取平均值作为结果，匹配试验数据结果见表1。
表 1 不同带速下的匹配试验数据结果Table 1. Results of matching experimental data at different band speeds带速/
(m·s−1)匹配率/% 匹配时间/ms 文中方法 SURF
特征方法HU不变
矩方法SIFT
特征方法ORB
特征方法文中方法 SURF
特征方法HU不变
矩方法SIFT
特征方法ORB
特征方法0.5 98.8 95.5 92.5 94.9 96.1 145 347 645 1175 138 0.6 98.7 95.8 92.2 93.6 95.9 139 336 639 1159 136 0.7 98.5 93.8 91.6 93.5 95.4 132 323 628 1040 129 0.8 98.1 90.2 89.1 88.6 95.1 123 295 595 980 125 0.9 98.0 88.1 87.6 87.2 94.7 114 250 531 862 121 1.0 97.7 87.2 85.7 85.1 93.2 109 248 515 826 120 1.1 97.4 86.4 82.5 83.5 91.5 106 244 512 789 117 由表1可知，带速增大时，5种方法的匹配率和匹配时间开始下降，除文中方法外，其他4种方法的匹配率大幅下降，但文中方法的匹配率仍保持在97%以上且匹配时间保持在145 ms以下，平均匹配率为98.1%，平均匹配时间为124 ms，文中方法的匹配率比其他4种方法更高，且匹配时间更短。
2）试验2：不同尺度试验条件下的匹配试验。在煤矸石分拣机器人分拣区域进行试验，相机与机械臂采用eye in hand方式安装，设置光照均匀，设定试验条件为尺度为0、带式输送机输送带带速为0.5 m/s和旋转角度为0°。将煤矸石识别图像样本1与其他非样本的煤矸石混合放置在带式输送机上，使用相机采集样本1煤矸石分拣图像。依次对500张煤矸石识别图像样本的分拣图像进行采集，得到尺度为0试验条件下的煤矸石分拣图像样本。仅改变尺度，保持其他试验条件不变，分别在尺度为σ、2σ、3σ和4σ试验条件下，获取不同尺度煤矸石分拣图像样本。
分别采用文中方法与SURF特征匹配方法、HU不变矩匹配方法、SIFT特征匹配方法和ORB特征匹配方法对煤矸石识别图像样本与对应的煤矸石分拣图像样本进行匹配，记录不同方法的匹配率和匹配时间，其中匹配时间求取平均值作为结果，匹配试验数据结果见表2。
表 2 不同尺度下的匹配试验数据结果Table 2. Results of matching experimental data at different scales尺度 匹配率/% 匹配时间/ms 文中方法 SURF
特征方法HU不变矩方法 SIFT
特征方法ORB
特征方法文中方法 SURF
特征方法HU不变矩方法 SIFT
特征方法ORB
特征方法0 98.8 95.5 92.5 94.9 96.1 145 347 645 1175 138 1σ 98.5 92.1 91.2 91.8 95.8 151 362 663 1185 157 2σ 98.3 90.9 89.8 89.5 94.2 154 398 685 1197 189 3σ 98.0 89.5 87.5 85.3 92.6 162 472 744 1203 212 4σ 98.0 86.2 84.3 84.8 91.3 173 531 803 1243 265 由表2可知，尺度增大时，5种方法的匹配率逐渐下降，匹配时间逐渐增加，除文中方法外，其他4种方法的匹配率大幅下降，但文中方法的匹配率仍保持在98%以上且匹配时间保持在173 ms以下，平均匹配率为98.3%，平均匹配时间为157 ms，文中方法的匹配率比其他4种方法更高，且匹配时间更短。
3）试验3：不同旋转角度试验条件下的匹配试验。在煤矸石分拣机器人分拣区域进行试验，相机与机械臂采用eye in hand方式安装，设置光照均匀，设定试验条件为旋转角度为0°、尺度为0和带式输送机输送带带速为0.5 m/s。将煤矸石识别图像样本1与其他非样本的煤矸石混合放置在带式输送机上，使用相机采集样本1煤矸石分拣图像。依次对500张煤矸石识别图像样本的分拣图像进行采集，得到旋转角度为0°试验条件下的煤矸石分拣图像样本。仅改变旋转角度，保持其他试验条件不变，分别在旋转角度为−90°、−45°、45°和90°试验条件下，获取不同旋转角度煤矸石分拣图像样本，其中旋转角度以顺时针旋转方向为正。
分别采用文中方法与SURF特征匹配方法、HU不变矩匹配方法、SIFT特征匹配方法和ORB特征匹配方法对煤矸石识别图像样本与对应的煤矸石分拣图像样本进行匹配，记录不同方法的匹配率和匹配时间，其中匹配时间求取平均值作为结果，匹配试验数据结果见表3。
表 3 不同旋转角度下的匹配试验数据结果Table 3. Results of matching experimental data at different rotation angles旋转角度/（°） 匹配率/% 匹配时间/ms 文中方法 SURF
特征方法HU不变
矩方法SIFT
特征方法ORB
特征方法文中方法 SURF
特征方法HU不变
矩方法SIFT
特征方法ORB
特征方法−90 98.3 88.2 86.8 87.5 92.9 158 402 683 1327 372 −45 98.5 89.3 89.4 89.6 94.3 149 381 668 1268 259 0 98.5 93.8 91.6 93.5 96.1 132 323 628 1240 138 45 98.4 89.6 89.8 89.8 93.4 151 375 657 1278 263 90 98.3 88.5 87.9 87.9 92.6 156 396 679 1316 368 由表3可知，旋转角度在−90°～90°，5种方法的匹配率先升高后降低，其中在旋转角度为0°时匹配率最高；5种方法的匹配时间先降低后升高，其中在旋转角度为0°时匹配时间最短。文中方法的匹配率仍保持在98.3%以上且匹配时间保持在158 ms以下，平均匹配率为98.4%，平均匹配时间为149 ms，文中方法的匹配率比其他4种方法更高，且匹配时间更短。
综上所述，文中方法在带速0.5～0.9 m/s可保证98%以上的匹配率，在带速1～1.1 m/s时匹配率下降，对分拣率有一定影响。在不同条件下，文中方法对煤矸石识别图像和分拣图像匹配的平均匹配率为98.2%，平均匹配时间为141 ms，具有较高的匹配率和实时性。
5. 结 论
1)针对传统ORB特征检测方法中的BRIEF描述符检测速度慢、重复率低问题，采用BEBLID描述符对ORB特征检测方法进行改进，较传统ORB方法重复率提高了16.7%，实现了对煤矸石图像特征点快速检测，提高了图像特征检测的重复率。
2)融合PROSAC算法改进了FLANN匹配方法，解决了传统FLANN匹配方法精确率低问题，较传统FLANN方法精确率提高了10.4%，实现了对煤矸石的识别图像与分拣图像高效匹配，提高了图像匹配的精确率。
3)在不同带速、尺度、旋转角度条件下，五种匹配方法进行匹配试验对比，结果表明：在不同条件下，文中方法的匹配率为98.2%，匹配时间为141 ms，实现了煤矸石识别图像与分拣图像的高效匹配。
-
![]()
图 2 榆树湾煤矿2-2号煤开采导水裂隙发育预测
Figure 2. Prediction of development of water conducting fractures during mining of coal seams 2-2 in Yushuwan Coal Mine
![]()
图 3 榆树湾煤矿萨拉乌苏组水位动态观测曲线
Figure 3. Dynamic observation curve of water level in Sarawusu Formation of Yushuwan Coal Mine
![]()
图 6 Alpha多样性分析结果
注：箱线图中：箱的上下端线，上下四分位数(Interquartile range，IQR)；中位线，中位数；上下边缘，最大最小内围值(1.5倍的IQR)；在上下边缘外部的点，表示异常值。多样性指数标签下的数字为Kruskal-Wallis检验的P值。
Figure 6. Alpha diversity analysis results
![]()
图 10 各水平微生物分类单元数统计
Figure 10. Statistical of number of microbial classification units at different levels
![]()
图 11 门分类水平物种组成柱状图
Figure 11. Bar chart of species composition at the phylum classification level
表 1 研究区水样点
Table 1 Water sampling points in research area
序号 水源点 备注 S1 20101采空区 老采空区涌出混合水 S2 2号风井地面民井 松散层 S3 20113回采面 新采煤面涌出混合水 S4 20119地面民井 松散层 S5 20118井下钻孔 直罗组 S6 20104地面民井 松散层+直罗组 S7 斜井土层涌水点 离石组 S8 二号副斜井涌水点 离石组 S9 综采6井 老采空区涌出混合水 S10 地面水源井 松散层+直罗组 
下载: 导出CSV
表 2 榆树湾煤矿矿井涌水量与采空区面积关系
Table 2 Relationship between water inflow and goaf area in Yushuwan Coal Mine
年份 累计采空面积/km2 涌水量/（m3·h−1） 2015 10.37 703 2016 11.88 719 2017 13.36 857 2018 14.66 889 2019 16.27 931 2020 16.81 947 2021 18.10 940 2022 19.92 1096
下载: 导出CSV
-
[1] 范立民,孙 强,马立强,等. 论保水采煤技术体系[J]. 煤田地质与勘探,2023,51(1):196−204. FAN Limin,SUN Qiang,MA Liqiang,et al. Technological system of water-conserving coal mining[J]. Coal Geology & Exploration,2023,51(1):196−204.
[2] 李 涛,高 颖,闫敬旺,等. 采煤地裂缝 MICP 修复规律及影响因素实验研究[J]. 煤田地质与勘探,2023,51(11):99−108. doi: 10.12363/issn.1001-1986.23.04.0200 LI Tao,GAO Ying,YAN Jingwang,et al. MICP restoration law of coal mining induced ground fissures and its influencing factors[J]. Coal Geology & Exploration,2023,51(11):99−108. doi: 10.12363/issn.1001-1986.23.04.0200
[3] 范立民,马雄德,蒋泽泉,等. 保水采煤研究30年回顾与展望[J]. 煤炭科学技术,2019,47(7):1−30. FAN Limin,MA Xiongde,JIANG Zequan,et al. Review and thirty years prospect of research on water-preserved coal mining[J]. Coal Science and Technology,2019,47(7):1−30.
[4] 张东升,李文平,来兴平,等. 我国西北煤炭开采中的水资源保护基础理论研究进展[J]. 煤炭学报,2017,42(1):36−43. ZHANG Dongsheng,LI Wenping,LAI Xingping,et al. Development on basic theory of water protection during coal mining in northwest of China[J]. Journal of China Coal Society,2017,42(1):36−43.
[5] 李文平,王启庆,李小琴. 隔水层再造:西北保水采煤关键隔水层N2红土工程地质研究[J]. 煤炭学报,2017,42(1):88−97. LI Wenping,WANG Qiqing,LI Xiaoqin. The engineering geological study of N2 laterite located in key aquifuge concerning coal mining with water protection in northwest China[J]. Journal of China Coal Society,2017,42(1):88−97.
[6] 李 涛,王苏健,韩 磊,等. 生态脆弱矿区松散含水层下采煤保护土层合理厚度[J]. 煤炭学报,2017,42(1):98−105. LI Tao,WANG Sujian,HAN Lei,et al. Reasonable thickness of protected loess under loose aquifer in ecologically fragile mining area[J]. Journal of China Coal Society,2017,42(1):98−105.
[7] 胡振琪,袁冬竹. 黄河下游平原煤矿区采煤塌陷地治理的若干基本问题研究[J]. 煤炭学报,2021,46(5):1392−1403. HU Zhenqi,YUAN Dongzhu. Research on several fundamental issues of coal mining subsidence control in plain coal mining area of the Lower Yellow River[J]. Journal of China Coal Society,2021,46(5):1392−1403.
[8] 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 Yifan,WU Qiang,ZHAO Suqi,et al. Characteristics,causes,and prevention measures of coal mine waterhazard accidents in China[J]. Coal Science and Technology,2023,51(7):1−14.
[9] 顾爱民. 基于水力学与水化学耦合的矿井涌(突)水水源识别技术研究[D]. 廊坊:华北科技学院,2023:53−68. GU Aimin. Research on mine water inrush water sourceidentification technology based on the coupling of hydraulics and hydrochemistry [D]. Langfang:North China Institute of Science and Technology,2023:53−68.
[10] 付成祥. 基于统计分析法的唐山矿水害规律及防治技术[J]. 煤矿安全,2022,53(3):208−212. FU Chengxiang. Water disaster law and prevention technology of Tangshan Mine based on statistical analysis[J]. Safety in Coal Mines,2022,53(3):208−212.
[11] 杨 飞,石志远,郑士田,等. 基于Piper图的离子库分区和突水水源动态转化及判别[J]. 现代矿业,2022,38(7):250−254,262. YANG Fei,SHI Zhiyuan,ZHENG Shitian,et al. Partition of ion bank based on the Piper diagram and dynamic transformation and discrimination of mine water inrush source[J]. Modern Mining,2022,38(7):250−254,262.
[12] 贺亮亮,吕广罗,胡安焱,等. 基于水化学特征分析的矿井突水水源判别[J]. 中国煤炭地质,2022,34(6):34−39. HE Liangliang,LYU Guangluo,HU Anyan,et al. Mine water bursting water source discrimination based on hydrochemical features analysis[J]. Coal Geology of China,2022,34(6):34−39.
[13] 赵 静. 基于水化学和模糊综合评判的突水水源判别[J]. 陕西煤炭,2022,41(4):99−103. ZHAO Jing. Discriminant of mine water inrush source based on water chemistry and fuzzy comprehensive evaluation[J]. Shaanxi Coal,2022,41(4):99−103.
[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 Saijun,JIANG Chunlu,BI Bo,et al. Identification of mine inrush source based on combination weight theory of improved grey relational degree[J]. Coal Science and Technology,2022,50(4):165−172.
[15] 段李宏,戴 磊,张金陵. 基于Fisher判别模型的煤层底板突水水源预测[J]. 工矿自动化,2022,48(4):128−134. DUAN Lihong,DAI Lei,ZHANG Jinling. Prediction of water inrush source of coal seam floor based on Fisher discriminant model[J]. Journal of Mine Automation,2022,48(4):128−134.
[16] 郝 谦,武 雄,穆文平,等. 基于随机森林模型判别矿井涌(突)水水源[J]. 科学技术与工程,2020,20(16):6411−6418. HAO Qian,WU Xiong,MU Wenping, et al. Groundwater source determination of mine inflow or inrush using a random forest model [J]. Science Technology and Engineering,2022,20(16):6411−6418.
[17] 苏 玮,姜春露,查君珍,等. 基于客观组合权-改进集对分析模型的矿井突水水源识别[J]. 煤炭科学技术,2022,50(4):156−164. SU Wei,JIANG Chunlu,CHA Junzhen,et al. Identification of mine inrush source based on objective combined weghts-improved set pair analysis model[J]. Coal Science and Technology,2022,50(4):156−164.
[18] 李 涛,高 颖,马 杰,等. 一种基于微生物测试的煤矿突水水源判别方法[P]. 中国:ZL112881627B,2022. [19] 张 莉,徐智敏,孙亚军,等. 鄂尔多斯某煤矿不同功能区水化学与微生物群落特征及环境响应[J]. 煤炭科学技术,2023,51(12):180−196. ZHANG Li,XU Zhimin,SUN Yajun,et al. Hydrochemistry and microbial community composition characteristics and theirenvironmental response in different zones of a coal mine in Ordos[J]. Journal of China Coal Society,2023,51(12):180−196.
[20] 朱璐璐. 门克庆矿矿井水水质形成的微生物驱动机制与应用[D]. 徐州:中国矿业大学,2023:18−50. ZHU Lulu. Microbial driving mechanism and application of the mine water quality formation in Menkeqing CoalMine [D]. Xuzhou:China University of Mining & Technology,2023:18−50.
[21] 孙亚军,张 莉,徐智敏,等. 煤矿区矿井水水质形成与演化的多场作用机制及研究进展[J]. 煤炭学报,2022,47(1):423−437. SUN Yajun,ZHANG Li,XU Zhimin,et al. Multi-field action mechanism and research progress of coal mine water quality formation and evolution[J]. Journal of China Coal Society,2022,47(1):423−437.
[22] 李文博,冯启言,高 波,等. 徐州权台煤矿井下700 m水平微生物群落分布特征[J]. 生态学杂志,2021,40(2):442−452. LI Wenbo,FENG Qiyan,GAO Bo,et al. Distribution characteristics of microbial communities at a depth of 700 m level of Quantai coal mine in Xuzhou[J]. Chinese Journal of Ecology,2021,40(2):442−452.
[23] 康小兵,李晓雪,饶丽芳,等. 重庆松藻矿区关闭煤矿涌水来源与模式判识研究[J]. 煤炭科学技术,2023,51(10):220−230. KANG Xiaobing,LI Xiaoxue,RAO Lifang,et al. Source identification and pattern study of closed coal mines water inflow in Songzao Mining Area,Chongqing City[J]. Coal Science and Technology,2023,51(10):220−230.
[24] 陈家玉,桂和荣,郭 艳,等. 淮北煤田深层地下水微生物群落特征及其水源示踪意义[J]. 煤炭学报,2023,48(9):3503−3512. CHEN Jiayu,GUI Herong,GUO Yan,et al. Microbial community characteristics of deep groundwater inhuaibei coalfield and its significance in water source tracing[J]. Journal of China Coal Society,2023,48(9):3503−3512.
[25] 范立民,迟宝锁,王宏科,等. 鄂尔多斯盆地北部直罗组含水层研究进展与水害防治建议[J]. 煤炭学报,2022,47(10):3535−3546. FAN Limin,CHI Baosuo,WANG Hongke,et al. Research progress of aquifer of Zhiluo Formation in Northern Ordos Basin and suggestions on water hazard prevention[J]. Journal of China Coal Society,2022,47(10):3535−3546.
[26] 孙 魁,苗彦平,陈小绳,等. 鄂尔多斯盆地北部直罗组赋存特征及富水性研究[J]. 煤炭学报,2022,47(10):3572−3598. SUN Kui,MIAO Yanping,CHEN Xiaosheng,et al. Occurrence characteristics and water abundance of Zhiluo Formation in northern Ordos Basin[J]. Journal of China Coal Society,2022,47(10):3572−3598.
[27] 靳德武,刘 基,许 峰,等. 榆神矿区浅埋煤层减水开采中预疏放标准确定方法[J]. 煤炭学报,2021,46(1):220−229. JIN Dewu,LIU Ji,XU Feng,et al. Method of determining of pre-drainage standard in water-decrease mining of shallow seam in Yushen mining area[J]. Journal of China Coal Society,2021,46(1):220−229.
[28] 李 涛,李文平,常金源,等. 陕北浅埋煤层开采隔水土层渗透性变化特征[J]. 采矿与安全工程学报,2011,28(1):127−131,137. LI Tao,LI Wenping,CHANG Jinyuan,et al. Permeability features of water-resistant clay layer in Northern Shaanxi Province while shallowly buried coal mining[J]. Journal of Mining & Safety Engineering,2011,28(1):127−131,137.
-
期刊类型引用(2)
1. 马宏伟，张烨，王鹏，曹现刚，聂珍，魏小荣，周文剑，张明臻. 论“拣矸就是拣图像”的学术思想. 煤炭科学技术. 2025(05): 291-300 . 
本站查看
2. 李和平，洪劭楸，程健，安宁，赵海龙，修海鑫. 融合多级特征增强与权重网格统计的煤矿井下图像匹配. 煤炭科学技术. 2024(11): 129-140 . 本站查看
其他类型引用(5)
计量
- 文章访问数: 338
- HTML全文浏览量: 38
- PDF下载量: 180
- 被引次数: 7
