一种煤矿开采对地下水的影响定量识别方法和装置与流程

1.本发明属于煤炭开采及环境保护技术领域，涉及一种煤矿开采对地下水的影响定量识别方法和装置。


背景技术：

2.煤矿开采对地下水环境有一定的影响。一方面，煤矿开采时疏降地下水，导致地下水位大幅度下降，包气带厚度增加，其淋滤作用增强，改变原始浅层含水层水化学成分；另一方面，为了开采安全，煤矿需要外排大量矿井水。由于矿井水中通常还有一定特殊组分，尤其是so
42-，当其渗入周边浅层含水层中，亦会影响原始含水层水化学组成，因此识别煤矿开采对地下水的影响显得尤为重要。
3.以往在识别煤矿开采对地下水的影响研究中，多集中在通过含水层水位、水化学成分的变化定性确定煤矿开采对地下水有影响，但是煤矿开采、自然因素等因素影响的程度、比重究竟多少，研究方法相对缺乏，限制了研究工作的精度和进展。
4.受体模型最早应用在环境领域中污染源识别工作中，尤其是重金属污染源判别中，效果良好。本发明以受体模型为基础，通过分析煤矿周边地下水中so
42-的浓度分布特征，通过主成分分析影响地下水水化学的因子，构建基于主成分与受体模型相结合的定量识别模型，最终识别出煤矿开采因素对地下水影响的定量占比，为煤矿绿色开发和环境可持续发展提供理论支撑。


技术实现要素：

5.本发明的目的是提供一种煤矿开采对地下水的影响定量识别方法和装置，解决了现有技术中存在的煤矿开采对地下水影响只停留在定性分析，定量识别计算不足的问题。
6.本发明所采用的技术方案是：
7.一种煤矿开采对地下水的影响定量识别方法，包括：
8.步骤1：煤矿周边地下水水样采集及水化学测试分析；
9.步骤2：分析测试成果中so
42-的浓度分布特征；定性识别煤矿开采是否对地下水有影响；
10.步骤3：对水化学样品进行主成分分析；根据地下水水化学测试成果，进行kmo和巴特利特检验，采用主成分分析方法，计算测试结果的因子得分系数、主成分得分值和特征值，取特征值大于1的特征向量作为其主成分，分析主成分分别代表的影响因子，验证步骤2中煤矿是否对地下水有影响；
11.步骤4：构建基于主成分分析及受体模型的识别模型；利用主成分分析获取绝对主成分因子得分，再将绝对主成分因子得分作为自变量，so
42－
预测浓度为因变量构建多元线性回归模型，采用最小二乘法确定模型中的相关参数；
12.步骤5：定量识别煤矿开采对地下水的影响占比；
13.主成分m对so
42－
的贡献比例可按照如下公式计算：
[0014][0015]
未识别影响因子的贡献比例按照如下公式计算：
[0016][0017]
式中：pcm、pc
其他
分别为识别的影响因子m和其他未识别的影响因子贡献率；为第j个水化学样品在so
42－
关于第m个主成分的绝对主成分得分平均值；αm为so
42－
关于第m个主成分的回归系数；b为回归常数项；m为第m个主成分，n为总的主成分数。
[0018]
可选的，所述的步骤4中获取绝对主成分因子得分，公式如下：
[0019]
apcs
ijm
＝a
ijm-(a0)
jm
[0020][0021][0022]
式中：i为水化学测试成果的第i个参数，j为第j个水化学样品，m为第m个主成分，q为水化学样品总数，ci为第i个水化学参数浓度的平均值，σi为第i个水化学参数浓度的标准差，(z0)i为第i个水化学参数浓度为0时标准化后的值，s
ijm
为第j个水化学样品在第i个水化学参数关于第m个主成分的因子得分系数，(a0)
jm
为第j个水化学样品在水化学参数浓度为0时关于第m个主成分的主成分得分值，a
ijm
为第j个水化学样品在第i个水化学参数关于第m个主成分的主成分得分值，apcs
ijm
为第j个水化学样品在第i个水化学参数关于第m个主成分的绝对主成分得分值。
[0023]
可选的，通过对比分析开采前，开采后水化学与样品中的so4
2-的浓度值；
[0024]
如果开采前地下水中无so
42-，开采后出现了so
42-；或者开采前有so
42-，开采后浓度增加了30％以上，则认为煤矿开采对地下水有影响。
[0025]
可选的，所述的步骤4中，构建多元线性回归模型包括：
[0026]
以so
42－
的apcs为自变量，so
42－
预测浓度为因变量，建立多元线性回归方程：
[0027][0028]
式中：n为总的主成分数，cj为第j个水化学样品so
42－
浓度预测值，αm为so
42－
关于第m个主成分的回归系数，b为回归常数项。
[0029]
可选的，所述的采用最小二乘法确定模型中的相关参数，包括：
[0030]
多元线性回归方程中的αm和b均为待求参数，通过最小二乘法计算得到；
[0031]
通过构建so
42－
预测浓度c
j预测
和实际浓度c
j实际
的差值平方和函数
通过不断调整αm和b值，迭代计算so
42－
预测浓度，当满足取最小时，此时的αm和b值为最终计算值。
[0032]
一种煤矿开采对地下水的影响定量识别装置，用于运行本发明任一所述的煤矿开采对地下水的影响定量识别方法。
[0033]
可选的，具体包括：
[0034]
数据获取模块：获取煤矿周边地下水水样的水化学测试分析结果，包括历史数据及最新采集的更新数据的输入及导入；
[0035]
数据分析模块：分析测试成果中so
42-的浓度分布特征，定性识别煤矿开采是否对地下水有影响；；
[0036]
数据解析模块：对水化学样品进行主成分分析；
[0037]
数据模拟模块：构建基于主成分分析及受体模型的识别模型；
[0038]
定量识别模块：定量识别煤矿开采对地下水的影响占比。
[0039]
本发明的有益效果是：
[0040]
本发明通过分析煤矿周边地下水中so
42-的浓度分布特征，构建基于主成分与受体模型相结合的定量识别模型，最终识别出煤矿开采因素对地下水影响的定量占比，旨在解决煤矿开采对地下水影响只停留在定性分析，定量识别计算不足的问题，为煤矿绿色开发和环境高质量发展提供指导意义。
附图说明
[0041]
图1是本发明分析方法流程图；
[0042]
图2是本发明分析装置示意图；
[0043]
图3是本发明提供的电子设备示意图；
[0044]
图4为实施例一中so4
2-的浓度分布箱型图；
[0045]
图5为实施例一中so4
2-/ca
2+
与no
3－
/ca
2+
的相关图；
[0046]
图6为实施例一中so4
2－
浓度预测值与实际值拟合曲线图；
[0047]
图7为实施例一中计算得到的煤炭开采影响比重饼图。
具体实施方式
[0048]
下面结合附图和具体实施方式对本发明进行详细说明。
[0049]
第一部分：
[0050]
如图1所示，本发明是一种煤矿开采对地下水的影响定量识别方法，主要包含如下步骤：
[0051]
步骤1：矿区周边(包括煤矿范围及周边5-10km内)地下水水样采集及测试分析；
[0052]
收集煤矿开采前区域地下水水文地球化学测试结果，在矿区周边浅层地下水中采集水化学样品不少于20组，并进行水化学测试分析，分析的项目包括为k
+
、na
+
、ca
2+
、mg
2+
、cl
－
、hco
3－
、so
42－
、co
32－
、fe
2+
、fe
3+
、nh
4+
、no
3－
、no
2－
、硬度、总矿化度、ph、侵蚀性co2、可溶性sio2、锰、钡、锶、锂、铜、锌、硫化物、氟等。
[0053]
步骤2：分析测试成果中so
42-的浓度分布特征；
[0054]
对比分析煤矿开采前及现采集的水化学样品中的so
42-的浓度分布，绘制so
42-的浓度分布箱型图，与《地下水质量标准》(gb/t 14848-2017)中三级标准进行对比分析，同时绘制so
42-/ca
2+
与no
3－
/ca
2+
的相关图，定性识别煤矿开采是否对地下水有影响。通过对比分析开采前，开采后水化学与样品中的so
42-的浓度值。如果开采前地下水中无so
42-，开采后出现了so
42-；或者开采前有so
42-，开采后浓度增加了30％以上，则认为煤矿开采对地下水有影响；
[0055]
步骤3：对水化学样品进行主成分分析；
[0056]
根据地下水水化学测试成果，进行kmo和巴特利特检验，采用主成分分析方法，计算测试结果的因子得分系数、主成分得分值和特征值，取特征值大于1的特征向量作为其主成分，分析主成分分别代表的影响因子，验证步骤2中煤矿是否对地下水有影响；
[0057]
步骤4：构建基于主成分分析及受体模型的识别模型；
[0058]
利用主成分分析(pca)获取绝对主成分因子得分(apcs)，再将apcs作为自变量，so
42－
预测浓度为因变量构建多元线性回归模型，采用最小二乘法确定模型中的相关参数。其具体步骤为：
[0059]
(1)计算绝对主成分因子得分，计算公式如下：
[0060]
apcs
ijm
＝a
ijm-(a0)
jm
[0061][0062][0063]
式中:i为水化学测试成果的第i个参数，j为第j个水化学样品，m为第m个主成分(影响因子)，q为水化学样品总数，为第i个水化学参数浓度的平均值，σi为第i个水化学参数浓度的标准差，(z0)i为第i个水化学参数浓度为0时标准化后的值，s
ijm
为第j个水化学样品在第i个水化学参数关于第m个主成分的因子得分系数，(a0)
jm
为第j个水化学样品在水化学参数浓度为0时关于第m个主成分的主成分得分值，a
ijm
为第j个水化学样品在第i个水化学参数关于第m个主成分的主成分得分值，apcs
ijm
为第j个水化学样品在第i个水化学参数关于第m个主成分的绝对主成分得分值。
[0064]
(2)构建水化学参数的预测值的回归模型：
[0065]
以so
42－
的apcs为自变量，so
42－
预测浓度为因变量，建立多元线性回归方程：
[0066][0067]
式中：n为总的主成分数(影响因子)，cj为第j个水化学样品so
42－
浓度预测值，αm为so
42－
关于第m个主成分的回归系数，b为回归常数项。
[0068]
(3)求解回归模型的参数。
[0069]
步骤(2)中的αm和b均为待求参数，可以通过最小二乘法计算。其思路为通过构建so
42－
预测浓度c
j预测
和实际浓度c
j实际
的差值平方和函数通过不断调整αm和
b值，迭代计算so
42－
预测浓度，当满足取最小时(此时实际浓度和预测浓度拟合效果最好)，此时的αm和b值为最终计算值。
[0070]
步骤5：定量识别煤矿开采对地下水的影响占比。
[0071]
主成分(影响因子)m对so
42－
的贡献比例可按照如下公式计算：
[0072][0073]
未识别影响因子的贡献比例按照如下公式计算：
[0074][0075]
式中：pcm、pc
其他
分别为识别的影响因子m和其他未识别的影响因子贡献率。
[0076]
为第j个水化学样品在so
42－
关于第m个主成分的绝对主成分得分平均值。
[0077]
如图2所示，本发明还提供一种煤矿开采对地下水的影响定量识别的装置，包括：
[0078]
(1)数据获取模块，用于获取矿区周边地下水水化学测试结果数据，包括历史数据及最新采集的更新数据的输入及导入；
[0079]
(2)数据分析模块，用于基于获取的地下水水化学测试数据，绘制so
42－
箱型图、so
42-/ca
2+
与no
3－
/ca
2+
的相关图等2～3种图件，通过数据分析，定性确定煤矿开采是否对地下水有影响；
[0080]
(3)数据解析模块，基于地下水水化学测试数据，根据pca方法确定2～5个主成分(影响因子)，其中影响因子应包括煤矿开采影响因子、自然因素因子等因子；
[0081]
(4)数据模拟模块，通过构建基于pca和受体模型的so
42－
预测浓度线性回归模型，并根据最小二乘法原理，模拟拟合预测浓度和实际浓度，确定模型的各项参数，得到线性回归模型；
[0082]
(5)定量识别模块，根据数据模拟模块确定的的最优各项参数，基于贡献公式计算确定各影响因子的占比，并绘制占比饼图。
[0083]
本发明所提供的分析装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本发明所提供的装置，其实现原理及产生的技术效果和前述方法相同，未提及之处，可参考前述方法中相应内容。
[0084]
如图3所示，本发明还提供一种用于实现煤矿开采对地下水的影响定量识别的电子设备100，包括总线101，数据接口102，处理器103以及存储器104，102、103和104通过101连接。
[0085]
其中存储器104用于存储程序以及程序计算后的结果，可以是高速随机存取存储器(ram，random access memory)、存储驱动器(如硬盘驱动器)、任何类型的存储盘(如光盘、dvd等)，或者类似的存储介质，或者它们的组合。
[0086]
处理器103用于执行存储器104中的程序，用于绘制图件、数据模拟计算、定量识别占比等工作。其计算逻辑与本发明分析方法流程一致，具备信号处理能力及数据分析计算功能。
[0087]
数据接口102用于外部数据的介入或者本地数据的输出等工作，可用于互联网、局域网等。
[0088]
本发明所述电子设备可以是，但不限于，个人电脑(personal computer，pc)、笔记本电脑、服务器等具备分析及处理能力的计算机设备。
[0089]
实施例一：
[0090]
西部某矿井采用露天开采模式，经过多年的大规模高强度开发，周边地下水水位大幅度下降，水化学成分出现变化，需要定量识别煤矿开采对地下水的影响贡献。具体工作过程如下：
[0091]
步骤1：矿区周边地下水水样采集及测试分析；
[0092]
在煤矿周边采集了水化学样品28组进行了水化学测试分析，分析项目有k
+
、na
+
、ca
2+
、mg
2+
、nh
4+
、cl
－
、hco
3－
、so
42－
、co
32－
、no
3－
、no
2－
、硬度、总矿化度tds、ph、氟等，测试成果统计表见表1。
[0093]
表1矿区地下水测试成果一览表单位:mg/l(除ph外)
[0094][0095][0096]
步骤2：分析测试成果中so
42-的浓度分布特征；
[0097]
根据水化学测试成果数据，矿区周边地下水中so
42-的浓度为0.00～483.20mg/l，而煤矿开采前，地下水中几乎不出现so
42-。根据so
42-的浓度分布箱型图(图4)可以看出，地下水中so
42-的浓度大部分集中在50mg/l，少量几个样品浓度超过了250mg/l。根据so
42-/ca
2+
与no
3－
/ca
2+
的相关图(图5)可以看出，矿开采前，地下水中几乎不出现so42-，此次矿区周边地下水中so42-的浓度为0.00～483.20mg/l，最大高达483mg/l，充分说明了矿井周边地下水已经受到了采矿的影响。
[0098]
步骤3：对水化学样品进行主成分分析；
[0099]
根据所有地下水水化学测试成果，计算了kmo为0.612》0.5，可以进行主成分计算。经过计算，得出有4个成分其特征值大于1(表2)，因此这4个成分作为主成分(影响因子)进行分析。
[0100]
由表1和表2可知，主成分1(pc1)占总荷载的37.061％，其中na
+
、ca
2+
、cl-、so
42-得分均超过0.8，这些都是来自蒸发岩的溶解。煤矿开采前蒸发岩的溶解并不是主要作用，而在煤矿开采的影响下，促使了蒸发岩尤其是caso4的溶解，同时外排的矿井水中含有大量的so
42-，因此pc1可以认为是煤炭开采影响因子；主成分2(pc2)占总荷载的16.067％，其中hco
3-得分超过0.8，研究区hco
3-主要来源于自然因素中的硅酸盐溶解，因此pc2可以认为是自然因素的硅酸盐溶解因子；主成分3(pc3)占总荷载的14.807％，其中no
3-和no
2-呈现正值和负值，说明反硝化作用在当中起到了重要作用，因此可以认为pc3是自然因素的反硝化作用；主成分4(pc4)占总荷载的8.775％，其中f-和nh
4+
得分较大，这和人类活动中使用化肥密不可分，因此可以认为pc4是农业活动的化肥使用。代表煤炭开采影响因子比重最大，也说明了煤炭开采已经对地下水产生了影响，证实了步骤(2)中的结论。
[0101]
表2主成分特征值
[0102][0103]
表3旋转因子得分系数
[0104][0105]
步骤4：构建基于主成分分析及受体模型的识别模型；
[0106]
利用步骤4中的公式，计算了各地下水样品so
42－
的apcs值(表4)，并建立了预测浓度和apcs的多元线性回归方程。采用最小二乘法，通过迭代计算，得到α1＝113.99，α2＝-8.72，α3＝-2.88，α4＝14.31，b＝2.66，此时实际浓度和预测浓度拟合效果最好(图6)。由图6也可知，so
42－
的实际浓度和预测浓度拟合曲线为y＝0.9716x+2.9702其中r2＝0.9759说明构建的回归方程符合实际，效果良好。
[0107]
表4so
42－
主成分因子得分系数和绝对主成分因子得分计算值
[0108][0109]
步骤5：定量识别煤矿开采对地下水的影响占比。
[0110]
根据步骤5的计算公式，得到pc1＝79.3％，pc2＝6.06％，pc3＝2.00％，pc4＝9.96％，pc
其他
＝2.67％，由此得到了该矿区周边地下水主要受到煤炭开采的影响，其贡献率占比为79.3％(具体见图7)。
[0111]
经过评价计算，煤矿开采对周边地下水影响较大，需要煤炭企业及当地政府采取合理的方式及时进行管理，防止地下水水质恶化，实现煤炭绿色开发及环境高质量发展。
[0112]
以上结合附图选择优先详细论述最佳实施例，并不用于限制本发明。在上述描述的各个具体技术特征，在不矛盾的情况下，可以通过任意合适的形式进行组合，本发明不在一一赘述。任何本领域技术人员在不脱离技术方案范围内的前提下采取对技术方案进行任意组合或同等替换等简单修改或修饰的手段，并不影响其技术方案的本质仍属于本发明的各实施例代表的技术方案的保护范围之内。