Construction and application of “Dual-drive” pre-warning system for coal mine water disaster based on microseismic data and model
-
摘要:
现阶段，我国越来越多的矿井进入深部开采和下组煤开采期，煤层开采受岩溶水害威胁严重，矿井深部突水隐患探查不清，采掘过程中缺乏科学有效的突水监测预警手段，是造成矿井突水灾害的主要原因。为夯实水害预警监测基础，提出“双驱动”煤矿水害微震预警架构，利用数据驱动与模型驱动，实时动态监测工作面底板突水风险等级及范围，对突水风险趋势智能预测预报。在数据驱动的框架下，以微震事件时空演变规律为切入点，通过对微震事件震源机制反演与属性分析，为导水通道形成判断提供依据，结合水文动态数据变化，建立相应突水判据，对突水风险进行评价。在模型驱动的框架下，构建含分类预测、聚类分析等多种算法的深度学习模型，将典型微震事件群作为模型输入，定量动态预测未来微震事件发生的空间范围与聚集度，继而确定突水风险等级与危险区域。基于微震数据及模型的煤矿水害“双驱动”预警技术，开发了相应的区域性煤矿水害三维智能预警平台，实现了水害风险特征的动态智能预警预测和危险区域的三维可视化显示。实践证明，采用确定性数据研判与智能模型预测的“双驱动”微震预警体系，对突水风险等级和范围的预测效果显著，实现了对底板水害高风险区域的精确预警与防控。
Abstract:At the present stage, more and more mines in China are entering the deep mining and lower group coal mining period. The coal seam mining is seriously threatened by karst water, the hidden danger of water inrush in the deep mine is unclear, and the lack of scientific and effective water inrush monitoring and early warning means in the mining process is the main reason for the water inrush disaster in the mine.In order to consolidate the foundation of early warning and monitoring of water disasters, a “double drive” micro earthquake early warning framework for coal mine water disasters is proposed. Using data drive and model drive, the risk level and scope of water inrush from the floor of the working face are monitored dynamically in real time, and the trend of water inrush risk is predicted intelligently.Under the framework of data driving, taking the temporal and spatial evolution law of microseismic events as the breakthrough point, through the inversion and attribute analysis of the source mechanism of microseismic events, it provides a basis for judging the triggering cause of microseismic events, the rupture trend and the formation of water diversion channels. In combination with the changes of hydrological dynamic data, it establishes the corresponding criteria for water inrush and evaluates the risk of water inrush.Under the framework of model driven, a deep learning model with multiple algorithms such as classification prediction and cluster analysis is constructed. The typical microseismic event cluster is used as the model input to quantitatively and dynamically predict the spatial range and concentration of future microseismic events, and then determine the water inrush risk level and risk area. Based on the “double drive” early-warning technology of coal mine water disaster based on microseismic data and model, the corresponding regional 3D intelligent early-warning platform of coal mine water disaster is developed, which realizes the dynamic intelligent early-warning prediction of water disaster risk characteristics and 3D visual display of dangerous areas.The practice has proved that the “double drive” microseismic early warning system using deterministic data research and intelligent model prediction has a remarkable effect on predicting the level and scope of water inrush risk, and has realized accurate early warning and prevention and control of high-risk areas of floor water damage.
-
Keywords:
- floor water hazard /
- dual drive /
- attribute analysis /
- microseismic warning /
- deep learning
-
0. 引 言
煤炭作为“双碳”背景下保底安全能源，是我国当前甚至未来能源体系的重要基石[1]。随着煤矿开采逐渐转入深部，大量资源面临带压开采，水害风险陡增，严重制约煤炭资源安全、绿色、高效开采[2]。以邯邢矿区为代表的大采深矿井采用区域超前治理与底板注浆加固的方法进行下组煤开采奥灰水害治理[3]，使得底板突水风险大大降低，但由于矿井水文地质条件的复杂性，采掘过程中缺乏科学有效的突水监测预警手段，水害事故时有发生[4]。因此，针对深部底板水患，要将水害的预测与防控作为安全开采受承压水威胁的煤炭资源，保护煤系基底奥灰水资源的重要环节[5-8]。
矿井水害预测预警核心思路是预判采动裂隙是否导通岩溶含水层[9]。采场突水危险性预测，主要是在底板“下三带”理论研究的基础上[10]，采用矿井物探技术为煤层底板突水预测提供评价依据，利用水文监测系统[11]，包括水温、水压、水位、应力、应变等参数监测，电法监测系统反映充水水源变化与导升情况[12]。水文监测系统与电法监测系统属于对充水水源及充水强度预判，而微震监测系统则是对导水通道的渐变形成过程进行监测[13]。相较之下，微震监测可以实时捕捉煤岩体破裂、应力集中等现场信息，具有更好的现场应用价值。
目前对于水害微震监测的研究主要集中在对孕灾过程中微震参量、微震事件时空演化规律的回溯分析，其中绝大部分为定性或规律性描述，例如，河北煤炭科学研究院有限公司在超千米采深工作面采用具有大范围、全空间、实时、连续监测功能的高精度微震技术，追踪、描述采掘过程中微震事件的时空发展、演变规律，实时监测了导水裂隙带形成过程，获得了导水裂隙带的空间位置[14-15]。中煤科工集团西安研究院有限公司在葛泉矿利用井−地−孔微震监测与视电阻率监测2种技术构建了底板突水综合监测系统，捕捉到底板突水征兆，并以微震测试模拟分析孤岛工作面底板破坏深度，为华北型煤田下组煤层开采底板破坏规律分析提供参考[16-17]。姜福兴等[18-19]通过优化布置微震监测台网，对大断层、陷落柱等隐伏构造进行实时监测，准确诊断出断层和陷落柱等构造活化的强度、烈度以及相关的时空参数，从矿山压力等多学科角度出发，实现突水监测的超前预警预报。
然而，上述研究很难量化监测参数与突水风险区域、风险强度的定量映射关系，不仅是因为矿井深部地质条件极其复杂、深部开采突水机理不明，以深部岩石力学行为与特征构建的物理模型用于底板水害预测局限性大[20]，而且固化的数学物理模型预测动态性差，在采掘过程中水文地质条件发生变化时，无法保证对导水通道形成过程动态预测的可靠性[21]。近年来，不少学者将深度学习应用于防灾减灾的研究[22]，但目前尚无直接利用模型驱动方法进行水害风险定量预测的研究。
鉴于此，笔者提出一种全新的基于微震数据及模型的煤矿水害“双驱动”预警体系架构，将矿井水害形成的主要因素转化为突水预测的基础数据，进行多源信息融合与致灾风险评估，分析微震事件发育与导水通道形成的内在规律，实现未来不同情境下微震事件时空演变趋势的精准预测，继而量化突水风险的等级与范围。基于“双驱动”架构，开发相应的矿井水害智能预警平台，实现矿井水害风险的三维动态可视化预测，大大提升突水预警超前性与可靠性，对煤矿安全生产具有重大现实意义。
1. 煤矿水害“双驱动”预警体系
矿井突水的模式众多[23]，煤矿水害“双驱动”预警体系主要针对的是采掘工作面正常岩层底板突水和构造活化突水2种场景。考虑水文地质条件的复杂性和开采活动的不确定性，选择水文动态参数静态指标与微震监测数据动态指标相结合，利用微震监测技术广域、连续、精确的特点和智能平台深度机器学习的优势，预测突水风险，预警体系整体流程如图1所示。
![]()
图 1 煤矿水害“双驱动”预警体系架构Figure 1. “Dual-driven” intelligent pre-warning framework for the mine water disaster在数据驱动体系中，根据研究区的水文地质条件、地质构造情况、采场煤岩体结构特性、回采工艺、采前物探数据等参数作为水害风险评价的基本参照。根据水文动态参数，包括水文监测系统采集的水位/水温、应力/应变等参数与微震监测系统获取的实时数据，将突水预兆信息转化为监测预警指标。因静态指标易于理解，本文主要介绍的是微震监测数据表征突水风险的方法，根据水害微震监测的时空簇原理[24]，表征微破裂空间形态，通过震源属性研究，分析微震信号波形、属性、发生时间等，研究微震事件与矿区地下水运动状态的关系，反演微破裂的发育和扩展模式，形成基于微震属性研究的底板裂隙解释技术，刻画深部导水通道的形成过程，从而判断是否存在突水的可能性。
在模型驱动方面，利用历史典型微震数据群作为深度学习模型的训练集，充分考虑微震事件成因的复杂性，以不同致裂因素形成的微震事件群作为样本输入，根据不同情景框架，选择与之相适应的训练方法，建立多模块耦合的深度学习模型，自动训练生成微震事件演变结果，预测未来裂隙的空间走向，继而对突水风险的等级与范围进行定量预测，发出预警，最终实现数据和模型“双驱动”水害智能预警。
围绕地下水源、水压与导水通道这3个水害成因展开研究[25]，以水源数据预警指标系、微震预警指标等内容展开设计，建设煤矿水害“双驱动”智能预警平台，平台数据流传输流程如图2所示。具体为：部署数据联网采集系统，实时集成矿端监测监控数据，实现矿井水文监测数据的汇集和上传；在采掘区布设微震监测系统，实时采集传输、处理、分析，发布监测及预测结果等，如遇险情，平台当即发布预警。
2. 微震数据驱动预警
2.1 水害微震事件自动识别与分类
通过在井下巷道中布置的微震监测系统，收集、记录煤矿生产过程中产生的微震事件，由于微地震本身产生的信号能量极其微弱，加之井下背景场环境嘈杂，此时所采集到的信号不仅信噪比低且干扰源较多，如工频噪声、机械干扰、声波干扰等。
为获得水害微震事件，首先要将有效微破裂事件从原信号中提取出来，然后进行与水害相关微震信号的识别与分类。具体方法为：利用直流分量校正、工频噪音压制、随机噪声压制、野值压制等技术对原信号进行预处理[26]，压制噪音，将信噪比较低及离群点剔除，达到优化数据集的目的，并按照时间顺序加以保存，为后续处理奠定基础，图3为原始微震数据和预处理后数据对比。
获得有效微震事件后，对比信号波形在尺度、物理意义以及分布均衡性上的特征差异，基于微震监测技术研究理论和经验分析，对其中与水害相关微震事件进行识别，利用模型驱动中聚类分析法对微震事件进行分类，按照不同成因大致分为3类，如图4所示。由于流体本身的力学特性，地下流体运动产生的微震事件的波形记录是不含S波的，如分类1所示；而地下构造应力变化产生的微震事件的微震事件则可以观测到P波和S波，如分类3所示；煤岩层破裂产生的微震事件为持续的小能量事件，如分类2所示。因此，从分类1到分类3，微震事件与水运动的相关性逐渐降低。以邢东矿单日的微震记录为例，微震系统实时采集到
1156 个有效微震事件，采用模型驱动中FCN-LSTM方法，将传统的CNN中最后的全连接层替换为卷积层，实现微震事件自动分类，结果见表1，所记录的微震事件中水害事件共173个。表 1 波形事件分类结果Table 1. Waveform event classification results波形序号 分类结果 波形序号 分类结果 波形序号 分类结果 1 1 9 3 17 3 2 1 10 3 18 3 3 1 11 2 19 1 4 1 12 3 20 1 5 1 13 3 21 3 6 3 14 1 22 1 7 1 15 1 ··· ··· 8 3 16 1 1156 1 2.2 基于微震数据属性分析的水害风险评价
2.2.1 微震属性指标
微震监测是通过监测与收集伴随岩石破裂和错动时发出的微地震波信息，分析处理后确定微地震事件发生的位置、数量及能量释放等信息，用定量微震理论的方法描述岩体的工程力学性状变化，从而判断突水通道形成的空间位置及其形状。通过微震定位，圈出类聚区域，判定危险区域。通过视体积(VA)、能量指数(EI)和施密特数(Scs)等属性变化来判断突水通道的空间位置及产状。现阶段微震属性指标主要分为定量指标和定性指标2类[27]，具体如下。
1）定量属性指标包括：①水害微震事件数(N)。受承压水运动、劈裂，引起周围岩体的破坏、开裂，岩体的能量释放产生的弹性波即为一个水害微震事件。通过对目标区域水害微震事件发生频率和累计事件个数变化进行持续监测，分析构造裂隙带活动程度和通道的形成规模。
②视体积(VA)。微震事件非弹性变形区，用于描述岩体的破坏变形程度，确定采动影响岩体范围。
$$ {V}_{{\rm{A}}}=\frac{{M}^{2}}{2\mu E} $$ (1) 式中：$ \mu $为震源剪切模量，Pa；M为微地震矩，N·m，在微震监测中，通常用时间域或频率域内的P波/S波到时差计算获得；E为一次微破裂事件释放的能量，J。
微震属性分析中，微震事件的视体积之和ΔV（即累积视体积）随时间的变换曲线的斜率被认为表示岩体应变速率的指标，累积视体积的突然增大，预示着岩体非弹性变形。
③能量指数(EI)。能量指数是指某一微震事件释放的能量与相同空间内具有相同矩震级微震事件平均释放能量的比值，其大小不同代表着岩体内应力的大小变化。
$$ {\rm{EI}} = \frac{E}{{E(M)}} $$ (2) 式中：E(M)为具有相同微地震矩M的微震事件平均释放能量。
④施密特数(Scs)。施密特数是运动学黏度与扩散率的比值，一般随着地震扩散率的增大而地震黏度下降，若微震簇对应的密特数减小，代表将发生更大的危险。
$$ {S}_{{\rm{cs}}}=\frac{4{\mu }^{2}\left(\stackrel{̄}{t}\right)\displaystyle{\sum }_{{t}_{1}}^{{t}_{2}}E}{{\rho }^{2}\left({\displaystyle\sum }_{{t}_{1}}^{{t}_{2}}M\right)} $$ (3) 式中：$ \stackrel{-}{t} $为相邻事件发生时间(t1、t2)的平均时间，s；ρ为岩体密度，kg/m3。
2）定性属性指标包括：①微震事件空间簇密度($ {\eta }_{[{V}_{1},{V}_{j}]} $)。微震事件空间簇密度，指微震事件在单位体积内发生的频次。
$$ {\eta }_{[{V}_{1},{V}_{j}]}=\frac{{N}_{[{V}_{1},{V}_{j}]}}{{\displaystyle\sum }_{i=1}^{j}{n}_{Vi}} $$ (4) 式中：$ {N}_{[{V}_{1},{V}_{j}]} $表征为给定空间$ [{V}_{1},{V}_{j}] $内水害微震事件数量；$ {\displaystyle\sum }_{i=1}^{j}{n}_{Vi} $为水害微震事件集的空间体积之和。
②微震事件时间簇密度($ {\eta }_{[{t}_{1},{t}_{j}]} $)。微震事件时间簇密度，指在一段时间（$ {t}_{1},{t}_{j} $）内发生微震事件的频次。
$$ {\eta }_{[{t}_{1},{t}_{j}]}=\frac{{N}_{[{t}_{1},{t}_{j}]}}{{\displaystyle\sum }_{i=1}^{j}{nt}_{i}} $$ (5) 式中：$ {N}_{[{t}_{1},{t}_{j}]} $表征时间段$ [{t}_{1},{t}_{j}] $内微震事件水害微震事件数量；$ {\displaystyle\sum }_{i=1}^{j}{nt}_{i} $为水害微震事件集发生的时间段。
2.2.2 微震属性综合评价方法
根据以上指标，结合微震事件时空簇变化判断导水通道发育情况，建立微震数据属性评价方法，加强微震水害预警体系的准确性与及时性，对矿山活动中由于采动、高承压水等影响矿山安全生产的活动进行定性和定量综合评价，具体分析方法如下。
第1步：对水害微震事件样本主要属性参数特征进行分析。
如图5a所示，随着时间变化，累积视体积曲线变化存在如下特点：曲线呈多阶段急剧变化，急剧变化段的曲线变化急剧程度不同，可用曲线的斜率定性判断，累积视体积平稳阶段持续时间整体占比相对较大。
由于微震事件之间相对独立，释放能量也相对独立，如图5b中红、黑色箭头所示，能量在相对平稳之后出现的急剧变化，一般预示着岩体失稳即将加剧，能量指数曲线变化呈阶梯形，其分布满足正态分布规律（图5c）。
虽然微震的发生是相对独立的，但是事件施密特数的分析不能孤立，需要结合微震的时间簇和空间簇才能合理分析，如图5d所示，施密特数指数曲线变化呈阶梯形，局部极值不唯一，局部极大和极小值变化幅度大。
微震时间簇密度选择按自然日计算，如图5e所示，曲线变化存在如下特点：在70 d中微震事件时间簇目的变换悬殊，69.84%的时间簇密度小于6%，仅有11.11%的时间簇密度大于10%；当微震事件的时间簇密度大于10%，则该时间段的采动破坏、地下水运动加剧，需警示。
第2步：以采场底板灰岩层为依据，对微震空间簇及其子簇空间界限进行划分。因底板以下岩层结构复杂隔水性和阻水能力存在巨大差别，根据底板以下薄层灰岩的分布，将底板微震空间簇进一步分层。
以邢东矿2222工作面为例，底板水害微震空间簇分为底板破碎带微震簇、野青灰岩微震簇、伏青灰岩微震簇、大青及奥灰微震簇4类底板微震子簇，如图6所示。针对2次事件突变之间发生的微震事件，在时间上具有继承性，且空间上不会相距太远。因此，在给定的时间簇内选择微震事件的时间子簇，可以反映整个时间簇的微震发育规律。
![]()
图 6 邢东矿底板微震事件空间簇Figure 6. Spatial cluster of floor microseismic events in Xingdong Coal Mine第3步：根据各底板微震簇的时间变化特性，结合水文地质条件的变化，如含水层水位下降、工作面涌水量增加等信息，进一步研究微震的发生、发展和聚集规律。
2.3 基于微震数据驱动的底板裂隙解释
水害微震监测中底板裂隙解释的目的是明确水害微震时空簇的几何形态和发育情况。采用基于微震分布位置将微震事件簇的末端作为依据，以创建代表裂隙增长的事件集合，来估计裂隙的分布形态和几何尺寸，通过观察裂隙的分布形态和几何尺寸随时间的变化过程，对裂隙发育情况进行解释[28]。
一般来说，微震数据的解释是建立在震源计算基础上的，但由于每个数据集都包含各种不同的信号强度和质量，这种解释同样考虑了确定的和不确定的数据。为了准确对比微震图像，选择准确、有代表性、数据质量一致的数据集就很有必要。以前文中完成清洗的173个水害微震事件集为例，该事件集的空间分布如图7所示，可以发现有一部分微震事件游离于微震时空簇之外，直接对该数据集进行裂隙解释，很难获得一个准确的解释结果，需要剔除掉明显的离群点。
虽然水害微震事件的数量有所减少，但是这些事件的空间分布更加紧凑，裂隙的几何形状也更加明显，如图8所示，该水害微震事件集表征的裂隙方向大致沿东偏北方向，结合地层判断（图6），该工作面的水害微震事件主要发生在煤层底板伏青灰岩微震簇、大青灰岩微震簇，底板裂隙呈贯通式发育，逐渐向奥灰微震簇扩展，即工作面底板受采动应力与奥灰承压水影响，即将形成深部导水通道，使煤层底板与奥灰含水层发生水力联系，诱发水害事故的概率极大。
3. 基于“双驱动”体系的水害智能预警平台开发
3.1 平台总体设计
煤矿水害智能预警平台的建立，目的是完成矿井水害监测数据采集、监测预警、管理与控制以及网络化、智能化为一体的综合信息系统服务，为各级管理人员提供数据实时储存、动态分析以及水害风险智能判别[29]。
平台构成主要包括：矿井信息集成单元、矿井水文动态监测单元、微震监测单元以及水害预警单元。如图9所示，微震监测单元设计了采掘工作面微震监测系统布置管理、微震监测数据实时上传、统计、展示功能，可实现微震数据导入、自动训练生成结果，以及微震事件分类结果的三维坐标显示，微震属性统计通过列表展示监测信息，并提供导出功能。
水害预警单元利用“双驱动”预警体系，设计了水文参数预警模块、微震事件预测模块以及微震监测预警模块。水文预警模块易于理解，即采集数据值超过设定预警值立刻发出警报。对于微震预测模块，在对典型微震数据集完成训练后，设计多种预测情景，根据实时微震监测数据预测未来微震时空簇动态变化。按照“双驱动”水害预警评价标准，预警模块可实现矿井微震预警时间、预警状态、预警类型、预警等级、预警内容，同时，可在此模块实现预警原因分析及预警解除，实现微震预警历史查询。
该平台以自动化手段定期更新水文（水位和水温）监测、排水量监测和微震监测数据。水位/水温、微震事件和排水量分别在确定水源、导水通道和充水强度方面各有优势，通过动静结合、优势互补，实现了矿井水害高精度监测，将深度学习技术应用于煤矿水害预警，通过累积数据库深度挖掘，保证监测数据解释的科学性和可靠性。
3.2 微震模型预测模块
从微震实时监测信息入手，基于人工智能技术建立水害微震预警数字化模型，实现大数据模型预测和自动化分析煤矿水害风险预测[30]。微震模型预测模块包括模型训练、模型应用、数据管理功能。微震模型预测模块将TensorFlow作为深度学习框架，设计向导和编码两种可视化建模方式，智能辅助完成建模，集中监控模型训练过程，保障评估模型训练结果，并提供模型智能选择功能，支撑模型驱动组合应用。目前平台设计6种训练情景，包括分类预测(如Decision Tree)、聚类分析（如K-means）、协同过滤(如Item-basedCF)、关联规则(如Apriori)、时间序列、全卷积神经网络(如FCN-LSTM)。模型预测一般步骤如下。
第1步：基于微震属性突变规律和微震时间簇密度函数选择训练样本，建立拟合数据的预测模型，从大量微震数据中挖掘数据项之间的相关关系，并使用相适应的算法得到数据体关联结果，使模型具备对新数据的预测能力。如图10所示，选取历史某工作面出水期
9903 个微震数据作为研究对象，将出水样本归为一簇，该簇样本量比例为0.71，并且其他簇类中占比要小很多，适用聚类分析情景完成样本训练，采用k均值聚类(K-means)、K众数聚类(K-modes)、混合属性聚类(K-prototypes)等算法更新模型参数，系统智能选择可靠性、准确率最优模型为K众数聚类，能够使模型损失量达到最小。![]()
图 10 分类预测三种算法训练结果对比Figure 10. Training results of three algorithms for classification prediction第2步：从样本的角度和预测数据的角度，计算两者的相似度，如图11所示，共计选取数据12个微震属性参数进行计算和学习，依次是微震事件数、累积视体积、能量指数、平均能量、总熵、施密特数、总振铃、微震事件时空簇密度、持续时间、最大绝对值振幅、主频以及P波/S波到时差。反映监测数据与预测之间的相互依存性和关联性。
第3步:在预测结果中可显示当前突水风险系数和历史数据预测未来的结果，研究微震数据长期变动趋势、周期变动规律以及预测未来时刻的发展和变化等，当未来数据达到设定值时，进行预警。
3.3. “双驱动”水害三级预警方法
预警平台建立了基于水文和微震信息的三级预警体系。当明确灾害水源时，静储量及动储量相对固定，水位/水温、排水量等水文参数预警阀值的设定根据不同矿井、工作面以及钻孔特点各自设定，“双驱动”水害三级预警评价主要依据微震属性参数与模型预测结果对水害风险进行预警。
根据矿井微震监测历史数据设定事件数量及任一属性参数判断阈值，一旦触发，系统进入预警状态，判断微震事件在空间簇上是否表现出层位聚集特征，在时间簇上是否表现为连续发育的特征，根据时空簇原理将导水通道的发展分为3个阶段，阶段之间的发展演变，由微震属性特征及模型预测风险系数综合表示，为保障平台预警方式有效性、灵敏性[31-32]，除各矿水文参数静态预警指标外，关于导水通道监测的矿井水害三级预警标准见表2。其中，模型预测风险系数由深度学习模型计算生成，微震属性表征突水可能性的详细判定方法如下。
表 2 水害风险预警等级评价标准Table 2. Evaluation criteria for water hazard risk possibility index预警等级 蓝色 黄色 红色 微震属性表征突水可能性 可能 很可能 能够 模型预测风险系数 0.6～0.7 0.7～0.9 0.9～1.0 蓝色预警判定解释：监测期含水层内微震事件密集发生。其预示着地下水径流状态及含水层岩体稳定性发生异常，地下水由自然状态下二维层流演变为三维紊流，含水层储水结构发生破坏，地下水正在向顶部隔水层运移变化，为突水的潜伏期。模型预测风险系数达到0.6～0.7，预测结果主要表现在含水层内部事件密集发生，隔水层内事件分布相对较少。这个阶段突水危险相对较小，微震事件密集区即为突水危险地段，应伴随采掘活动的进行密切关注此类异常区域发展动态，一旦出现向上部发展趋势，即进入黄色预警期。
黄色预警判定解释：监测期隔水层内微震事件密集发育。尤其自上而下呈递进式密集发育时，预示着突水通道正在形成，突水危险正逐步加大。同时，模型预测风险系数达到0.7～0.9，预测结果主要表现为含水层顶板一定范围内微震事件，事件能量变化不大，一般处于能量二次积累的过渡期，根据微震事件空间展布位置及形态特征，可进一步确定突水通道位置、类型以及发育趋势。
红色预警判定解释：监测期微震事件沿某一空间位置自下而上集中发生，预示着高压地下水沿着某一岩层薄弱带不断向上运移，围岩产生劈裂、破碎、应力释放等，含水层内部能量出现二次积聚，同时出现隔水层内部微震事件的密集发生，一旦出现高能量事件，即表明地下水冲破隔水层，与采掘工作面底板裂隙带（包括原生裂隙和采动裂隙）沟通，形成突水口，发生突水事故。预测结果中微震事件沿某一位置自下而上、自远而近递进式密集发生，能量的二次积聚过程即为突水危险信号，可做突出期红色预警，应当及时采取治理或安全措施，突水危险将极易发生。
4. 工程应用
4.1 研究背景
研究区为九龙矿15449S工作面，主采4号煤层，地面标高115～130 m，工作面煤层底板标高为−840～−920 m，是目前回采标高最深的一个工作面。煤厚1.2～1.8 m，平均1.5 m，煤层倾角18°。影响本工作面安全开采的底板含水层主要有山伏青灰岩（距4号煤36 m）、大青灰岩（距4号煤72 m）等薄层灰岩含水层和奥陶系厚层灰岩含水层（距4号煤105 m）经地面区域治理加固改造后，奥灰含水层突水系数为0.09 MPa/m。回采期间，采用微震监测系统对工作面内部及周围是否存在隐伏导含水构造进行探查，对突水危险进行监测预警，如图12所示，微震检波器布置在工作面上下巷道，间距为120 m。
4.2 数据驱动监测结果
15449S工作面回采初期微震事件指标变化如图13a—图13d所示。工作面回采前100 m（2019年9月10日采线位置）期间，单日水害事件数平均39个，期间微震事件在开切眼外150 m附近聚集，垂直于工作面，圈定一条微震事件密集区，如图13e所示，该密集区不随回采移动，空间上从4号煤底板下15 m向上一直延伸至2号煤以上30 m，宽约20 m，从上巷一直延伸到下巷，分析该密集区可能存在隐性裂隙带。
微震监测到2019年10月14日开始，水文监测模块显示工作面水量增加，由0.1 m3/min增加到0.6 m3/min，最大时水量达到1.6 m3/min，工作面外山伏青层位水文观测孔水位下降0.35 m。同时，微震监测显示：单日微震事件数量上升至110个，较前期增长2倍以上，微震数据属性见表3，矩震级、能量指数、视体积以2～5倍不同程度上涨，施密特数下降近60%，表征导水通道即将形成，判定突水风险为“能够”，达到红色预警级别。
表 3 密集区部分事件属性参数统计Table 3. Statistics of event attribute parameters in dense area事件类型 时间 矩震级 能量/(103J) 施密特数 视体积/m3 深部含水层事件 2019-08-04T16:13 0.443 4.85 0.366 0.415 2019-08-11T17:25 0.802 3.56 0.242 0.481 2019-09-06T17:26 0.522 28.1 0.345 0.200 2019-09-11T13:30 1.001 2.09 0.321 0.406 2019-09-24T04:32 0.297 2.25 0.353 0.306 2019-10-14T04:39 1.668 57.6 0.149 1.420 2019-10-15T10:51 1.722 77.1 0.182 1.040 2019-10-17T17:29 0.934 64.5 0.155 1.130 4.3 模型预测结果
通过预警平台进行模型预测，以2019年8月13日—9月23日监测到密集区内水害微震事件为训练集，样本数量为320个；以10月13日—14日采集数据为试验集，样本数量为180个，人工处理后水害微震事件58个数据为验证集，经
5225 次迭代训练，耗时195 min，模型分类识别测试样本中水害微震事件55个。如图14所示，最终得到一个准确率94.54%的预测模型。结合地质条件分析，如图15所示，预测结果中水害微震事件垂向分布具有明显聚集态势，自伏青至大青含水层连续发生微震事件，表明裂隙发育自煤层向下突破至大青含水层，已形成了自煤层底板至承压含水层的贯通式导水通道，突水风险较大。对比15日微震实时监测结果发现，二者呈现的微震事件分布形态基本吻合，验证了模型预测的有效性与可靠性。
![]()
图 15 微震监测结果(左)与模型预测(右)对比Figure 15. Comparison between model prediction and microseismic monitoring results4.4 双驱动预警结果
按照数据驱动与模型驱动的综合预警指标，平台于2019年10月15日发布九龙矿水害风险达到红色预警级别，预测突水范围在工作面150 m靠近下巷，宽约20 m，与密集区高度重合，立即发出预警，提醒现场采取针对性防治措施。
10月18日采线接近预警范围时，工作面涌水量增大，最大时达到2.4 m3/min，伏青含水层水位下降1.2 m，且来压剧烈，支架压架严重，67个支架后尾梁被压死。实时微震监测显示，该区域有伏青层段微震事件出现，高压水突破隔水层，岩石破裂产生微震事件，现场反应与预测结果高度吻合，已提前至少72 h做出预警，满足矿井生产实际对水害预警的要求。
根据微震监测结果分析，突水前工作面涌水量波动，与隐性裂隙带导通深部伏青灰岩水有关，随着回采工作的进行，工作面顶板周期来压，伏青含水层水通过裂隙涌出，巷道揭露该巷段无明显构造异常，确定原微震密集区域存在隐性裂隙带的判断正确。经警示，现场提前对预警区域采取防控措施，避免了损失。
5. 结 论
1）以微震数据及模型为切入点，构建煤矿水害“双驱动”预警体系，实现了工作面底板突水风险实时动态监测，对水害危险等级及影响范围作出评价。将微震多属性参数作为动态预警指标，并作为预测模型的输入属性，大幅度提升模型信息量与预测精度。“双驱动”预警体系的建立，给出了矿井水害的风险等级、区域及其他信息的预测方法，同时，为未来多核驱动、定量化的预警方向提供了参考。
2）首次将深度学习技术应用于煤矿水害数字化预测，初步形成一套利用大数据模型自动化分析煤矿水害风险预测的方法。预测结果表明，模型对未来微震事件的地点、属性预测与生产实际一致，满足现场预警要求。
3）基于“双驱动”预警体系的水害智能预警平台成功应用，将水害监测数据多元信息的存储、查询、统计、分析进行一体化展示，实现了高精度智能化预警，满足了全方位、多层次、规范化的实时信息化监管要求，提高了煤矿水害预警水平与防控能力。
4）实践证明，“双驱动”微震预警体系对突水风险等级和范围预测效果显著，但在时间预测上仍有提升空间。水害风险可能性指数评价体系也需要进一步研究，包括微震事件全波形信息的综合利用，使判断阈值更加精确，从而提升平台预警的准确性。后续研究中可加入实时电法监测等手段，丰富预警体系，进一步增强预测水害风险的及时性与可靠性。
-
![]()
图 1 煤矿水害“双驱动”预警体系架构
Figure 1. “Dual-driven” intelligent pre-warning framework for the mine water disaster
![]()
图 6 邢东矿底板微震事件空间簇
Figure 6. Spatial cluster of floor microseismic events in Xingdong Coal Mine
![]()
图 10 分类预测三种算法训练结果对比
Figure 10. Training results of three algorithms for classification prediction
![]()
图 15 微震监测结果(左)与模型预测(右)对比
Figure 15. Comparison between model prediction and microseismic monitoring results
表 1 波形事件分类结果
Table 1 Waveform event classification results
波形序号 分类结果 波形序号 分类结果 波形序号 分类结果 1 1 9 3 17 3 2 1 10 3 18 3 3 1 11 2 19 1 4 1 12 3 20 1 5 1 13 3 21 3 6 3 14 1 22 1 7 1 15 1 ··· ··· 8 3 16 1 1156 1 
下载: 导出CSV
表 2 水害风险预警等级评价标准
Table 2 Evaluation criteria for water hazard risk possibility index
预警等级 蓝色 黄色 红色 微震属性表征突水可能性 可能 很可能 能够 模型预测风险系数 0.6～0.7 0.7～0.9 0.9～1.0
下载: 导出CSV
表 3 密集区部分事件属性参数统计
Table 3 Statistics of event attribute parameters in dense area
事件类型 时间 矩震级 能量/(103J) 施密特数 视体积/m3 深部含水层事件 2019-08-04T16:13 0.443 4.85 0.366 0.415 2019-08-11T17:25 0.802 3.56 0.242 0.481 2019-09-06T17:26 0.522 28.1 0.345 0.200 2019-09-11T13:30 1.001 2.09 0.321 0.406 2019-09-24T04:32 0.297 2.25 0.353 0.306 2019-10-14T04:39 1.668 57.6 0.149 1.420 2019-10-15T10:51 1.722 77.1 0.182 1.040 2019-10-17T17:29 0.934 64.5 0.155 1.130
下载: 导出CSV
-
[1] 陈 浮,王思遥,于昊辰,等. 碳中和目标下煤炭变革的技术路径[J]. 煤炭学报,2022,47(4):1452−1461. doi: 10.13225/j.cnki.jccs.2022.0192 CHEN Fu,WANG Siyao,YU Haochen,et al. Technological innovation paths of coal industry for achieving carbon neutralization[J]. Journal of China Coal Society,2022,47(4):1452−1461. doi: 10.13225/j.cnki.jccs.2022.0192
[2] 郭文兵,白二虎,张 璞,等. 新近系含水层下厚煤层综放安全绿色开采及水资源清洁利用[J]. 煤炭科学技术,2022,50(5):30−37. doi: 10.13199/j.cnki.cst.2021-1474 GUO Wenbing,BAI Erhu,ZHANG Pu,et al. Safe and green mining of thick coal seam under Neogene aquifer and clean utilization of water resources[J]. Coal Science and Technology,2022,50(5):30−37. doi: 10.13199/j.cnki.cst.2021-1474
[3] 赵庆彪. 奥灰岩溶水害区域超前治理技术研究及应用[J]. 煤炭学报,2014,39(6):1112−1117. ZHAO Qingbiao. Ordovician limestone karst water disaster regional advanced governance technology study and application[J]. Journal of China Coal Society,2014,39(6):1112−1117.
[4] 景国勋,秦瑞琪. 2011—2020年我国煤矿水害事故相关因素特征分析[J]. 安全与环境学报,2022,22(4):2297−2304. doi: 10.13637/j.issn.1009-6094.2021.0707 JING Guoxun,QIN Ruiqi. Analysis on the characteristics of correlative factors in coal mine water disasters from 2011 to 2020[J]. Journal of Safety and Environment,2022,22(4):2297−2304. doi: 10.13637/j.issn.1009-6094.2021.0707
[5] 尹尚先,王 屹,尹慧超,等. 深部底板奥灰薄灰突水机理及全时空防治技术[J]. 煤炭学报,2020,45(5):1855−1864. doi: 10.13225/j.cnki.jccs.2020.0398 YIN Shangxian,WANG Yi,YIN Huichao,et al. Mechanism and full-time-space prevention and control technology of water inrush from Ordovician and thin limestone in deep mines[J]. Journal of China Coal Society,2020,45(5):1855−1864. doi: 10.13225/j.cnki.jccs.2020.0398
[6] 赵庆彪,蒋勤明,高春芳. 邯邢矿区深部煤层底板突水机理研究[J]. 煤炭科学技术,2016,44(3):117−121,176. doi: 10.13199/j.cnki.cst.2016.03.023 ZHAO Qingbiao,JIANG Qinming,GAO Chunfang. Study on floor water inrush mechanism of deep seam in Hanxing Mining Area[J]. Coal Science and Technology,2016,44(3):117−121,176. doi: 10.13199/j.cnki.cst.2016.03.023
[7] 许家林. 煤矿绿色开采20年研究及进展[J]. 煤炭科学技术,2020,48(9):1−15. doi: 10.13199/j.cnki.cst.2020.09.001 XU Jialin. Research and progress of coal mine green mining in 20 years[J]. Coal Science and Technology,2020,48(9):1−15. doi: 10.13199/j.cnki.cst.2020.09.001
[8] 武 强. 我国矿井水防控与资源化利用的研究进展、问题和展望[J]. 煤炭学报,2014,39(5):795−805. doi: 10.13225/j.cnki.jccs.2014.0478 WU Qiang. Progress, problems and prospects of prevention and control technology of mine water and reutilization in China[J]. Journal of China Coal Society,2014,39(5):795−805. doi: 10.13225/j.cnki.jccs.2014.0478
[9] 余国锋,袁 亮,任 波,等. 底板突水灾害大数据预测预警平台[J]. 煤炭学报,2021,46(11):3502−3514. doi: 10.13225/j.cnki.jccs.2020.1788 YU Guofeng,YUAN Liang,REN Bo,et al. Big data prediction and early warning platform for floor water inrush disaster[J]. Journal of China Coal Society,2021,46(11):3502−3514. doi: 10.13225/j.cnki.jccs.2020.1788
[10] 姜耀东,吕玉凯,赵毅鑫,等. 承压水上开采工作面底板破坏规律相似模拟试验[J]. 岩石力学与工程学报,2011,30(8):1571−1578. JIANG Yaodong,LYU Yukai,ZHAO Yixin,et al. Similar simulation test for breakage law of working face floor in coal mining above aquifer[J]. Chinese Journal of Rock Mechanics and Engineering,2011,30(8):1571−1578.
[11] RUI Pinshu,ZHANG Wen,ZHONG Yiming,et al. High-performance cylindrical pendulum shaped triboelectric nanogenerators driven by water wave energy for full-automatic and self-powered wireless hydrological monitoring system[J]. Nano Energy,2020,74:104937. doi: 10.1016/j.nanoen.2020.104937
[12] 张东升,范钢伟,梁帅帅,等. 采动覆岩固液耦合三维无损监测系统与应用[J]. 采矿与安全工程学报,2019,36(6):1071−1078. doi: 10.13545/j.cnki.jmse.2019.06.001 ZHANG Dongsheng,FAN Gangwei,LIANG Shuaishuai,et al. 3D non-destructive monitoring system forsolid-liquid coupling of mining-induced overburden and its application[J]. Journal of Mining & Safety Engineering,2019,36(6):1071−1078. doi: 10.13545/j.cnki.jmse.2019.06.001
[13] 贾 靖. 微震监测技术在煤矿防治水中的应用研究[J]. 煤炭与化工,2017,40(1):16−20. JIA Jing. Application research on microseismic monitoring technology in coalmine water control[J]. Coal and Chemical Industry,2017,40(1):16−20.
[14] 赵立松. 微震监测技术在大采深矿井防治水中的应用[J]. 煤炭与化工,2018,41(9):55−58,62. doi: 10.19286/j.cnki.cci.2018.09.018 ZHAO Lisong. Application of microseismic monitoring technology in prevention and control of water in large mining deep mine[J]. Coal and Chemical Industry,2018,41(9):55−58,62. doi: 10.19286/j.cnki.cci.2018.09.018
[15] 孙运江,左建平,李玉宝,等. 邢东矿深部带压开采导水裂隙带微震监测及突水机制分析[J]. 岩土力学,2017,38(8):2335−2342. doi: 10.16285/j.rsm.2017.08.022 SUN Yunjiang,ZUO Jianping,LI Yubao,et al. Micro-seismic monitoring on fractured zone and water inrush mechanism analysis of deep mining above aquifer in Xingdong coalmine[J]. Rock and Soil Mechanics,2017,38(8):2335−2342. doi: 10.16285/j.rsm.2017.08.022
[16] 靳德武, 赵春虎, 段建华, 等. 煤层底板水害三维监测与智能预警系统研究[J]. 煤炭学报, 2020, 45(6): 2256-2264. JIN Dewu, ZHAO Chunhu, DUAN Jianhua, et al. Research on 3D monitoring and intelligent early warning system for water hazard of coal seam floor[J]. 2020, 45(6): 2256-2264.
[17] 赵春虎. 孤岛工作面底板破坏深度微震测试与模拟分析[J]. 煤田地质与勘探,2019,47(4):110−116. doi: 10.3969/j.issn.1001-1986.2019.04.017 ZHAO Chunhu. Microseismic test and numerical simulation analysis of floor failure depth of isolated coal mining face[J]. Coal Geology & Exploration,2019,47(4):110−116. doi: 10.3969/j.issn.1001-1986.2019.04.017
[18] 姜福兴,XUN Luo,杨淑华. 采场覆岩空间破裂与采动应力场的微震探测研究[J]. 岩土工程学报,2003(1):23−25. doi: 10.3321/j.issn:1000-4548.2003.01.004 JIANG Fu xing,XUN Luo,YANG Shu hua. Study on microseismic monitoring for spatial structure of overlying strata and mining pressure field in longwall face[J]. Chinese Jounal of Geotechnical Engineering,2003(1):23−25. doi: 10.3321/j.issn:1000-4548.2003.01.004
[19] 姜福兴,叶根喜,王存文,等. 高精度微震监测技术在煤矿突水监测中的应用[J]. 岩石力学与工程学报,2008,27(9):1932−1938. doi: 10.3321/j.issn:1000-6915.2008.09.023 JIANG Fuxing,YE Genxi,WANG Cunwen,et al. Application of high-precision microseismic monitoring technique to water inrush monitoring in coal mine[J]. Chinese Journal of Rock Mechanics and Engineering,2008,27(9):1932−1938. doi: 10.3321/j.issn:1000-6915.2008.09.023
[20] 朱宗奎,徐智敏,孙亚军. 矿井水害的临突监测指标及预警模型[J]. 煤矿安全,2014,45(1):170−172. ZHU Zongkui,XU Zhimin,SUN Yajun. Critical water inrush monitoring index and early-warning model of mine water disaster[J]. Safety in Coal Mines,2014,45(1):170−172.
[21] 龚承柱,李兰兰,柯晓玲,等. 基于multi-agent的煤矿水害演化模型[J]. 煤炭学报,2012,37(6):1005−1009. GONG Chengzhu,LI Lanlan,KE Xiaoling,et al. Evolutionary model of coal mine water hazards based on multi-agent simulation[J]. Journal of China Coal Society,2012,37(6):1005−1009.
[22] EFTIM Z,PETRE L,ANDREA K. Automatic feature engineering for prediction of dangerous seismic activities in coal mines[J]. Annals of computer science and information systems,2016,8:245−248.
[23] 连会青,徐 斌,田振焘,等. 矿井水情监测与水害风险预警平台设计与实现[J]. 煤田地质与勘探,2021,49(1):198−207. doi: 10.3969/j.issn.1001-1986.2021.01.021 LIAN Huiqing,XU Bin,TIAN Zhentao,et al. Design and implementation of mine water hazard monitoring and early warning platform[J]. Coal Geology & Exploration,2021,49(1):198−207. doi: 10.3969/j.issn.1001-1986.2021.01.021
[24] 杨忠东, 李玉宝, 贾 靖, 等. 一种矿井水害微震监测时空簇分析方法[P]. 中国: CN107203003A, 2017-09-26. YANG Zhongdong, LI Yubao, JIA Jing, et al. The invention relates to a time-space cluster analysis method for mine water disaster micro-seismic monitoring[P]. China : CN107203003A, 2017-09-26.
[25] 武 强,崔芳鹏,赵苏启,等. 矿井水害类型划分及主要特征分析[J]. 煤炭学报,2013,38(4):561−565. WU Qiang,CUI Fangpeng,ZHAO Suqi,et al. Type classification and main characteristics of mine water disasters[J]. Journal of China Coal Society,2013,38(4):561−565.
[26] IGEL J H,ERMERT L A,FICHTNER A. Rapid finite-frequency microseismic noise source inversion at regional to global scales[J]. Geophysical Journal International,2021,227(1):169−183. doi: 10.1093/gji/ggab210
[27] 刘 超,唐春安,薛俊华,等. 煤岩体微震事件属性识别与标定综合分析方法[J]. 采矿与安全工程学报,2011,28(1):61−65. doi: 10.3969/j.issn.1673-3363.2011.01.012 LIU Chao,TANG Chunan,XUE Junhua,et al. Comprehensive analysis method of identifying and calibrating micro-seismic events attributes in coal and rock mass[J]. Journal of Mining & Safety Engineering,2011,28(1):61−65. doi: 10.3969/j.issn.1673-3363.2011.01.012
[28] XING Zeng, ZENG Xing, SONG Heng, et al. Isolated carbonate platform reservoir multiple grouped discrete fracture network modelling[J]. IOP Conference Series: Earth and Environmental Science, 2020, 546(4).
[29] 乔 伟,靳德武,王 皓,等. 基于云服务的煤矿水害监测大数据智能预警平台构建[J]. 煤炭学报,2020,45(7):2619−2627. QIAO Wei,JIN Dewu,WANG Hao,et al. Development of big data intelligent early warning platform for coal mine water hazard monitoring based on cloud service[J]. Journal of China Coal Society,2020,45(7):2619−2627.
[30] 王 皓,董书宁,姬亚东,等. 煤矿水害智能化防控平台架构及关键技术[J]. 煤炭学报,2022,47(2):883−892. WANG Hao,DONG Shuning,JI Yadong,et al. Key technology and platform development of intelligent prevention and control on coal mine water disaster[J]. Journal of China Coal Society,2022,47(2):883−892.
[31] 陈 结,杜俊生,蒲源源,等. 冲击地压“双驱动”智能预警架构与工程应用[J]. 煤炭学报,2022,47(2):791−806. CHEN Jie,DU Junsheng,PU Yuanyuan,et al. “Dual-driven” intelligent pre-warning framework of the coal burst disaster in coal mine and its engineering application[J]. Journal of China Coal Society,2022,47(2):791−806.
[32] 郑宗利,关惠军,苟想伟,等. 岩溶隧道突涌水预警体系的建立[J]. 灾害学,2022,37(1):41−46. doi: 10.3969/j.issn.1000-811X.2022.01.008 ZHENG Zongli,GUAN Huijun,GOU Xiangwei,et al. Establishment of early-warning system for water inrush in karst tunnel[J]. Journal of Catastrophology,2022,37(1):41−46. doi: 10.3969/j.issn.1000-811X.2022.01.008
-
期刊类型引用(11)
1. 党保全，余国锋，朱昌淮，贺世芳，韩云春，周继生，张延喜，秦广俊，张刚. 考虑微震数据连通性的煤矿底板注浆效果评价方法研究. 煤炭科技. 2025(02): 87-95 . 
百度学术
2. 高刚. 窄条带孤岛工作面开采微震响应特征研究. 煤炭与化工. 2025(05): 1-6+41 . 百度学术
3. 靳晓明. 基于微震监测技术的煤矿底板水害自动预测方法研究. 当代化工研究. 2024(12): 89-91 . 百度学术
4. 赵群. 大埋深高水压煤矿突水危险性分析及水害监测预警指标构建. 煤炭与化工. 2024(07): 61-65+70 . 百度学术
5. 郝宪杰，李航，赵毅鑫，杨怀翔，杨波，刘科峰，李宜家. 基于日累积微震指标与水位关联效应的底板突水预警方法与应用. 岩石力学与工程学报. 2024(09): 2125-2139 . 百度学术
6. 秦长坤，赵武胜，贾海宾，高未己，陈郁川，于万泉，梁记忠，陈卫忠. 基于模态分解和深度学习的煤矿微震时序预测方法. 煤炭学报. 2024(09): 3781-3797 . 百度学术
7. 隆能增，任松，吴斐，陈征，陈国庆，张平，张闯. 酸性干湿循环下泥质砂岩劣化及声发射演化特征识别研究. 岩土力学. 2024(09): 2653-2668 . 百度学术
8. 宗伟琴. 煤矿水害监测预警GIS平台研发及应用. 能源科技. 2024(05): 28-33 . 百度学术
9. 尚雪义，陈勇，陈结，陈林林，蒲源源. 基于Adaboost＿LSTM预测的矿山微震信号降噪方法及应用. 煤炭学报. 2024(11): 4406-4416 . 百度学术
10. 程帅帅，黄存捍，张伟，翟明磊，王文强，曹正正. 考虑浆液黏度时变性的底板含水层注浆充填改造机制研究. 绿色矿冶. 2024(06): 28-34 . 百度学术
11. 杨光跃，高刚. 平禹一矿水害微震监测系统的建立及应用. 煤炭与化工. 2023(06): 51-54 . 百度学术
其他类型引用(2)
计量
- 文章访问数: 107
- HTML全文浏览量: 14
- PDF下载量: 41
- 被引次数: 13
