基于LBA-BP的矿井瞬变电磁法岩层富水性的定量预测研究(1).pdf

第 45 卷第 1 期煤 炭 学 报Vol. 45 No. 1 2020 年1 月JOURNAL OF CHINA COAL SOCIETYJan. 2020 移动阅读 程久龙,赵家宏,董毅,等. 基于 LBA-BP 的矿井瞬变电磁法岩层富水性的定量预测研究[J]. 煤炭学报,2020, 451330-337. doi10. 13225/ j. cnki. jccs. YG19. 1508 CHENG Jiulong,ZHAO Jiahong,DONG Yi,et al. Quantitative prediction of water abundance in rock mass by transient electro-magnetic with LBA-BP neural network[J]. Journal of China Coal Society,2020,451330-337. doi 10. 13225/ j. cnki. jccs. YG19. 1508 基于 LBA-BP 的矿井瞬变电磁法岩层富水性的 定量预测研究 程久龙1,赵家宏2,董 毅1,董倩芸1 1. 中国矿业大学北京 煤炭资源与安全开采国家重点实验室,北京 100083; 2. 中国电建集团华东勘测设计研究院有限公司,浙江 杭州 311100 摘 要作为巷道超前探测主要方法的矿井瞬变电磁法,目前仅能通过视电阻率来定性评价掘进工 作面前方岩层富水性相对强弱。 为了实现岩层富水性的定量预测,依据阿尔奇公式建立掘进工作 面前方岩层富水性不均匀的数学模型,通过全空间三维时域有限差分FDTD数值模拟结果提取 预测所用特征,根据所选特征与岩层富水性相关的地质参数确定富水性预测神经网络的结构。 采 用具有 Lvy 飞行特征的蝙蝠算法优化 BP 神经网络LBA-BP进行了富水性预测的仿真测试和现 场试验。 在仿真测试中,为接近实际情况,在数值模拟结果中加入了不同程度的噪声,对比测试结 果发现尽管预测误差随噪声的增大而明显波动,但岩层孔隙度和含水饱和度预测的均方误差均不 超过 1,预测准确度处在一个较高的水平。 在现场试验中,根据现场地质资料划分富水性评价分 级标准,由预测结果和视电阻率解释结果可以看出,LBA-BP 预测方法对巷道前方岩层富水性的预 测准确度要明显优于常规视电阻率解释方法。 研究结果表明感应电动势、采样时间、视电阻率、探 测距离和对数坐标下的感应电动势衰减速率可作为岩层富水性预测所用特征,LBA-BP 方法结合 相应特征可以实现岩层富水性定量预测,提高了矿井瞬变电磁法对岩层富水性的解释精度。 关键词矿井瞬变电磁法;超前探测;特征提取;富水性预测;LBA-BP 神经网络 中图分类号P631 文献标志码A 文章编号0253-9993202001-0330-08 收稿日期2019-11-03 修回日期2019-12-02 责任编辑韩晋平 基金项目国家自然科学基金资助项目41974088,51574250 作者简介程久龙1965,男,安徽安庆人,教授,博士生导师。 E-mailjlcheng126． com 通讯作者赵家宏1993,男,江苏镇江人,助理工程师。 E-mailzjhcumtb126． com Quantitative prediction of water abundance in rock mass by transient electro-magnetic with LBA-BP neural network CHENG Jiulong1,ZHAO Jiahong2,DONG Yi1,DONG Qianyun1 1. State Key Laboratory of Coal Resources and Safe Mining,China University of Mining 2. Power China Huadong Engineering Corporation Limited,Hangzhou 311100,China AbstractThe existence of water in the rock stratum in front of the roadway seriously threatens the safe driving of the mine roadway. Mine Transient Electromagnetic is the main in advanced detection of roadway. Current- ly,apparent resistivity is the only way to qualitatively uate the water abundance of rock stratum in front of road- way. In order to realize a quantitative prediction of water abundance in rock stratum,the first step is to establish the mathematical model of the uneven water abundance of rock stratum in front of the roadway based on Archie ula. Then numerical simulation can be carried out by 3D finite difference time domain FDTD and its results can be used 第 1 期程久龙等基于 LBA-BP 的矿井瞬变电磁法岩层富水性的定量预测研究 to extract the features needed in prediction. According to the selected features and the geological parameters related to the water abundance of rock stratum,the water abundance can be determined to predict the structure of neural net- work. The BP neural network was optimized by the bat algorithm based on Lvy flight improvement,and the simulation test and field test of water abundance prediction were carried out by using the LBA-BP . In the simulation test, in order to approach the actual situation,different degrees of noise were added to the numerical simulation results. By comparing the test results,it was found that although the prediction error fluctuated significantly with the increase of noise,the mean square error of rock porosity and water saturation prediction was less than 1,and the prediction ac- curacy was at a high level. In the field test,according to the classification criteria of water abundance uation based on the field geological data,it can be seen from the prediction results and the apparent resistivity interpretation results that the accuracy of the LBA-BP prediction is significantly better than that of the conventional apparent resis- tivity interpretation in predicting the water abundance of stratum in front of the roadway. The results show that the induced electromotive force,sampling time,apparent resistivity,detection distance and induced electromotive force attenuation rate in logarithmic co-ordinates can be used as the characteristics of water abundance prediction. The LBA- BP realizes the near quantitative or quantitative prediction of water abundance in rock stratum,and improves the interpretation accuracy of the advance detection data for water abundance in rock stratum. Key wordsmine transient electromagnetic ;advanced detection;feature extraction;water abundance predic- tion;LBA-BP neural network 巷道前方岩层中含水体的存在会严重威胁矿井 巷道的安全掘进。 目前可用于巷道前方水害超前探 测的方法中,地质钻探法可实现岩层富水性的准确判 断,但其仅为一孔之见;地球物理超前探测方法仅能 定性评价巷道前方岩层富水性相对强弱。 因此,开展 巷道前方岩层富水性的近定量或定量预测研究,对巷 道安全掘进具有较重要指导意义和应用价值[1]。 富水性或水量预测常规方法有数学模型法和统 计分析,但实际预测误差较大。 为提高预测准确度, 基于地球物理方法的探测结果被作为己知信息引入 到富水性预测中[2]。 田伟[3]利用 AVO 技术和伪泊 松比属性预测了灰岩层的富水性。 此外,神经网络等 非线性预测方法同样被用来预测水量。 刘国辉等[4] 提出与含水量相关的多个地球物理参数,并利用支持 向量机对含水层水量进行预测。 在矿井瞬变电磁法 探测中,吴红霞[5]采用人工神经网络实现对砂岩层 的富水性进行预测。 在隧道超前探测中,聂利超[6]、 TONG M[7]等利用激发极化衰减信息与水量的定量 相关关系,初步实现了隧道掘进工作面前方岩层水量 预测。 作为常用于巷道超前探测的矿井瞬变电磁法目 前仅能定性评价巷道前方低阻异常体的富水性相对 强弱,且判断结果依赖解释人员的经验,还无法做到 含水量或者富水性的近定量或定量判断。 此外,在其 探测时仅能获得随采样时间变化的感应电动势值,参 数信息过于单一,目前也仅通过物理模拟等手段验证 瞬变电磁响应特征与巷道前方岩层中含水体水量多 少有关[8]。 至于二次场衰减信息与岩层含水量或富 水性的定量关系还鲜有报道。 因此,笔者在矿井瞬变 电磁法观测数据的基础上挖掘可用于定量预测岩层 富水性的特征参数,将改进的蝙蝠算法和 BP 神经网 络结合,建立含水体富水性预测模型,并通过仿真测 试和现场试验,检验该方法的可行性和有效性。 1 含水体电性参数与特征提取 1． 1 含水体水量与电性参数关系 电阻率通常被用来描述岩石的导电性,矿物成 分、孔隙度、温度及含水量等都是影响岩石电阻率的 主要因素。 岩层的含水量主要取决于岩层本身的孔 隙度及所处地域的水文地质条件。 通过试验统计得 出岩石电阻率与孔隙度、含水饱和度等关系的经验公 式 阿尔奇式Archie,1962,其表达式为 ρ αΦ -m S -n ρw1 式中,α 为岩性附加导电系数;Φ 为岩石孔隙度;S 为 含水饱和度;m 为胶结系数;n 为饱和度指数;ρw为孔 隙水体的电阻率。 由式1可知,在进行巷道超前探测时,矿井瞬 变电磁法有限的探测范围内,除了孔隙度和含水饱和 度以外的地质参数一定,巷道前方含水体水量或富水 性预测就可以简化为两个主控因素的预测孔隙度和 含水饱和度。 1． 2 特征提取 影响含水体富水性的特征对预测起到了至关重 要的作用。 矿井瞬变电磁法巷道超前探测时采集的 133 煤 炭 学 报 2020 年第 45 卷 数据仅为随采样时间变化的感应电动势值,可用的特 征过于单一,不利于实现含水体富水性预测。 因此需 要在采样时间和感应电动势值的基础上尽可能挖掘 由感应电动势和采样时间衍生出的特征。 基于阿尔奇公式中地质参数与电阻率的关系,建 立超前探测模型,发射线圈Tx和接收线圈Rx位 于掘进工作面图 1。 模型中含水体的电阻率取值 见表 1,部分地质参数采用常见取值α1,m2,n 1． 7,ρw 1． 1 Ωm。 在验证程序正确性后、采用全 空间三维时域有限差分法FDTD进行模型正演[9], 根据正演结果从感应电动势和采样时间两方面分析 并提取与含水体富水性相关的特征。 图 1 巷道前方存在含水体的超前探测模型示意 Fig． 1 Advanced detection model of a single water-bearing body in front of the roadway 表 1 含水地质体电阻率值 Table 1 Resistivity of water-bearing geological bodies Φ/ 51015202530 S/ 100100100100100100 ρw/ Ωm 48． 619． 711． 68． 06． 04． 7 1感应电动势及其衍生特征 感应电动势大小与含水体富水性或水量多少的 关系已得到验证[8]。 矿井瞬变电磁法通常采用视电 阻率描述富水性,并且感应电动势的衰减速率也能一 定程度反映介质的导电性,所以采用视电阻率和感应 电动势衰减速率作为感应电动势的衍生特征。 在含水饱和度为 100,含水体取不同孔隙度值 时,计算所得的感应电动势衰减速率如图 2a所示; 采用优化二分搜索法[10]计算视电阻率结果如图 2b所示。 由图 2a可以看出,在受含水体影响的 时间范围内电动势衰减速率总是先变慢再变快,最后 趋于一致,且随着孔隙度增大含水量增加,富水性 增强,变化趋势越明显。 由图 2b可以看出,随着 孔隙度增大含水量增加,含水体视电阻率与围岩 的差别越大,当孔隙度为 5 时,视电阻率与围岩电 阻率最接近。 图 2 不同孔隙度下电动势衰减速率和视电阻率对比 对数坐标 Fig． 2 Comparison of attenuation rate of electromotive force and apparent resistivity under different porosity logarithmic coordinates 2采样时间及其衍生特征 除感应电动势外,另一个可直接获得的信息就是 采样时间,根据采样时间通过时深转换可获得深度信 息。 基于烟圈理论推导获得的巷道超前探测时深转 换公式[8]为 Dti Dti-1 Gd ρstiti μ - ρstiti-1 μ 2 式中,ti-1和 Dti-1分别为前一个测道的时间和深 度;Gd为全空间深度系数;ρsti为视电阻率。 考虑到实际地质情况中控制含水体富水性的因 素是随空间变化的,为了避免数据在空间上不匹配, 采用式2将上述 3 个特征统一到深度域来,这样基 于瞬变电磁法的特征参数可以和地质参数在空间域 进行配准。 因此,将采样时间和时深转换后的探测距 离同时作为特征。 在孔隙度不变,含水饱和度变化时可获得同样的 规律。 因此,针对矿井瞬变电磁法超前预测含水体富 水性问题,最终提取了 5 个特征感应电动势V、采 样时间序列t、视电阻率ρs、探测距离L和对数 坐标下的感应电动势衰减速率k。 2 LBA-BP 神经网络预测方法 2． 1 LBA-BP 神经网络 BP 神经网络是一种多层网络的“逆推” 学习 233 第 1 期程久龙等基于 LBA-BP 的矿井瞬变电磁法岩层富水性的定量预测研究 前馈型网络,其 3 层网络理论上可任意逼近非线 性映射关系。 标准 BP 算法的初始权值、阈值是随 机给定的,选取不当则会造成收敛速度变慢和陷 入局部极值。 针对这种情况,采用具有 Lvy 飞行 特征的蝙蝠算法 LBA 对 BP 神经网络进行优 化[11-13]。 蝙蝠算法利用蝙蝠的回声定位行为。 其将可行 域内分布的各个可行解视为蝙蝠个体,第 i 个蝙蝠在 空间位置 Xi上随机飞行位置表征问题的解,同时 具有独立的速度 vi、频率 fi、波长 λi、响度 Ai和脉冲频 度 ri。 在模拟蝙蝠搜索过程中,速度和新解的更新公 式[12]为 vti v t-1 i xti- xtgbestfi 3 Xti X t-1 i v t i 4 式中, xtgbest为当前寻找得到的最优解。 蝙蝠算法的模型、参数简单且通用性强,但其标 准算法缺乏有效的变异机制,导致蝙蝠个体易陷入局 部极值、收敛精度低。 对此,刘长平等提出采用 Lvy 飞行策略改进蝙蝠算法的全局搜索性能[14]。 利 用 Lvy 飞行的不均匀随机游走特性对蝙蝠算法进行 优化,避免了蝙蝠个体被局部极值吸引,同时还拓展 了搜索空间,提高蝙蝠算法的优化效果[15-16]。 改进 的方式是将 Lvy 飞行引入原有算法的位置更新公 式[15],具体如下 xt1 i x t i L vyλx t i - x ∗ 5 式中,Lvyλ 为步长服从 Lvy 分布的随机搜索向 量;λ∈[1,3]为尺度函数;x∗为当前最佳蝙蝠所处位 置。 2． 2 可行性分析 矿井瞬变电磁法超前探测结果主要为巷道前方 岩层的富水性相对强弱的定性评价,无法做到富水性 或含水量的近定量或定量判断。 采用 LBA-BP 神经 网络解决此类复杂预测问题是非常有效的方法,这得 益于 BP 神经网络具有以下特点 1具有较强的非线性映射能力。 把含水体富 水性或水量与地球物理特征参数、地质特征参数之间 的关系看成某种映射关系时,就可用 BP 网络模型来 模拟这种关系。 2良好的容错性。 当部分矿井瞬变电磁法观 测数据因干扰无效或因观测失误导致信息错误时,预 网络模型仍然可以给出较为正确的预测结果。 其在 不完全信息时的预测能力是其他定量预测数学模型 不具备的。 3自组织、自适应、自学习的能力。 BP 网络模 型通过自组织和自适应的机制,找出含水体富水性与 特征参数之间的非线性映射关系,此外,还能通过新 的实例进行自学习和再励学习,一旦遇到相似特征参 数组合,网络就能正确的给出含水体富水性的定量结 果。 4数据融合能力。 BP 神经网络能够同时处理 定量信息地球物理观测数据等和定性信息水文 地质和钻孔信息等,提高预测准确度。 3 预测模型建立及仿真测试 3． 1 参数选择 预测模型的建立依赖于要解决的实际问题。 基 于矿井瞬变电磁法的特征和预测目标确定了 LBA- BP 神经网络结构,如图 3 所示。 图 3 LBA-BP 神经网络结构示意 Fig． 3 Topological structure of BP neural network 预测效果最优特征组合为 5 个特征全部采用。 网络隐含层为 1,隐层节点数为 10;隐层传递函数选 用 S 型函数,输出层选用双曲正切 S 型函数;学习率 η0． 01;最大迭代次数为 2 000 次;目标精度 0． 001; 蝙蝠初始种群数 n20,最大迭代次数为 40,Amin 0, αγ0． 98,f∈[0,2],v∈[-10,10]。 3． 2 仿真测试 考虑到巷道掘进工作面前方岩层富水性不均匀, 同时参考煤系地层中主要含水层岩性的孔隙度和含 水饱和度取值范围[3-4],建立超前探测正演模型,并 通过 FDTD 数值模拟结果提取相应特征与模型实际 Φ 和 S 构成预测网络模型所需的样本数据。 正演模 型尺寸与图 4 相同;异常单元电阻率分布如图 5 所 示,单元的参数设置见表 2。 按照巷道超前探测工作 角度左偏 60 右偏 60,间隔 15,共 9 个角度进 行数值模拟,整理后共获得 405 组样本数据。 训练、 测试结果见表 3。 333 煤 炭 学 报 2020 年第 45 卷 图 4 巷道前方岩层富水性不均匀模型示意 Fig． 4 Water-inhomogeneous model of rock ation in front of roadway 图 5 异常单元电阻率分布 Fig． 5 Resistivity distribution of abnormal unit 表 2 异常单元地质参数 Table 2 Abnormal unit geological parameter 序号ΦS序号ΦS 1684141580 21085151475 31479161289 41383171955 5117018505 6178719453 72695202340 83010021999 92485221270 102073231565 11886241081 1212922550 131682 表 3 均方误差对照 Table 3 Comparison of mean square error 种类训练集测试集 孔隙度Φ3． 510 -3 2． 610 -3 含水饱和度S2． 310 -2 1． 110 -2 由表 3 可知,测试样本误差接近且略小于训练样 本误差,说明建立的预测模型具有良好的性能和泛化 能力。 为了验证预测模型的可靠性,建立一个类似的 模型对训练好的预测网络进行验证。 为了与实际情况更为接近,以探测方向 0正前 方为例,对模拟数据不加噪声、加噪声的预测结果 进行对比,如图 6 所示。 图 6 验证集预测结果 Fig． 6 Output of verification set network 由图 6 可以看出,孔隙度和含水饱和度定量预测 的均方误差随着噪声的增大而增大。 当模拟数据不 含噪声时,预测精度最高,预测值与真实值基本对应; 当存在噪声时,预测值出现明显的波动,且当噪声程 度增大时,预测结果波动愈加明显。 然而,预测的均 方误差均不超过 1,表明预测准确度仍处在一个较 高的水平。 仿真测试结果表明采用 LBA-BP 神经网络进行 基于矿井瞬变电磁法超前探测数据的巷道前方含水 体的孔隙度、含水饱和度定量预测是可行的,具有较 高的预测精度。 4 现场试验 4． 1 地质概况 本次现场试验是结合某矿-980 边界进风下山巷 的矿井瞬变电磁法超前探测工程进行。 巷道在 3 煤 层顶板砂岩中掘进。 巷道掘进的直接充水含水层是 433 第 1 期程久龙等基于 LBA-BP 的矿井瞬变电磁法岩层富水性的定量预测研究 3 煤层的顶板砂岩含水层和太原组三灰含水层。 其 中顶板砂岩含水层富水性不均,径流不畅、补给条件 差,基本以静储存水量为主。 巷道掘进过程中主要受 3 煤顶底板砂岩含水层影响。 因此,顶板砂岩含水层 成为巷道充水的最直接充水水源,而在巷道掘进过程 中,基本不扰动三灰含水层,正常情况下三灰层不会 出水。 4． 2 矿井瞬变电磁法数据采集与处理 本次巷道超前探测仪器采用 Terra-TEM 瞬变电 磁仪,采集时间序列选用标准时间序列,发射、接收线 圈采用边长 2 m2 m 的方形回线,发射、接收回线匝 数分别为 40 匝和 60 匝,装置形式采用重叠回线,发 射电流为 1． 75 A。 此次超前探测的角度布置如图 7 所示。 矿井瞬变电磁法数据处理中视电阻率计算同 样采用优化二分搜索法,时深转换采用的是基于烟圈 理论推导的时深转换超前探测式2。 图 7 探测角度示意 Fig． 7 Detection angle diagram 4． 3 岩层富水性定量预测试验 实际地层结构中,巷道前方含水体的富水性受多 因素影响,无法对其进行定量或近定量预测,因此将 富水性划分等级并与孔隙度和含水饱和度建立对应 关系。 根据富水性分级标准,以近定量预测的结 果孔隙度、含水饱和度来判别巷道前方岩层的富 水性情况。 通过以上方法获得的含水体富水性客观 且精度较高,避免了判断结果依赖人为经验。 1富水性预测分级标准 由巷道掘进地质资料可知,巷道在 3 煤层顶板砂 岩中掘进可能受 3 煤层顶板砂岩水威胁,该砂岩含水 层位于 3 煤顶板,以细砂岩为主,次为中砂岩和粉砂 岩,局部发育裂隙,岩石孔隙度参数见表 4。 表 4 煤层顶、底板岩石孔隙度统计 Table 4 Coal seam top and bottom rock porosity statistics table 指标泥岩粉砂岩细砂岩中砂岩 孔隙度/ 3． 04 4． 46 3． 94 3． 57 8． 69 5． 10 1． 73 9． 82 5． 69 3． 30 3． 72 3． 51 注最小 最大 平均值 。 根据巷道掘进过程中大部分砂岩未出水,且巷道 附近区域的砂岩孔隙度平均值不超过 6,参考富水 性划分标准[6],将探测范围内砂岩层的富水性按孔 隙度大小划分为不含水或极弱含水、弱含水、中等 含水和强含水 4 个等级。 此外,潜水面之下的岩石孔 隙通常几乎充满水,所以在此次钻孔未提供含水饱和 度具体信息的情况下,认为探测范围内所有的岩石含 水饱和度都在 92 100。 综上可以得出砂岩富 水性的划分标准,见表 5。 表 5 富水性评价分级标准 Table 5 Classification standard for water abundance assessment 富水性分级不含水弱富水中等富水强富水 孔隙度/ 0 66 1212 2020 含水饱和度/ 92 10092 10092 10092 100 2预测模型构建及训练 此次巷道掘进工作面共布设 3 个超前探查孔,如 图 8 所示。 将其中 2 个钻孔1-2 号,1-3 号的信息 与矿井瞬变电磁法实测数据对应方向采集数据按照 距离进行空间配准,提取 5 个特征与钻孔信息中的孔 隙度和含水饱和度信息相结合构成样本数据。 其中 含水饱和度在 92 100随机赋值。 图 8 钻孔位置平面示意 Fig． 8 Plane sketch of drilling position 533 煤 炭 学 报 2020 年第 45 卷 预测模型及参数设置与仿真测试相同,将上述样 本数据按 3 ∶ 1 ∶ 1 的比例分为训练样本、测试样本和 验证样本进行训练,直至预测模型可以保证富水性预 测在无验证信息下的准确性为止。 3预测效果评价 在确保训练后的预测模型具有良好的性能和泛 化能力后,对探查孔 1-1 号进行预测,预测结果如图 9 所示。 由图 9 可以看出,1-1 号钻孔经过的岩层含 水饱和度预测值在 95． 5 98． 0;孔隙度在前 50 m 处于5左右,到58 m 时达到6,到66 m 时孔 隙度最大为 8． 5,到 77 m 时减小到 6 以下,之后 随着距离的增大,孔隙度略微有所增大,但都维持在 6以下。 对照富水性划分标准可知 58 76 m 段岩 层为弱富水反映,其余段砂岩均不含水或极弱含水。 图 9 预测输出结果 Fig． 9 Output of prediction 图10 为1-1 号钻孔所在水平探测扇面的视电阻 率断面成果图红色虚线表示 1-1 号钻孔位置。 按 照常规电阻率解释方法,图中在钻孔位置 20 40 m 范围内岩层为不含水-极弱含水反映,55 70 m 为不 含水反映,在 70 m 之后岩层的富水性逐渐增强,到 90 m 时岩层表现为相对弱含水,但由于晚期数据受 干扰影响较为严重,因此大于100 m 范围视电阻率结 果参考意义较小。 对比预测结果和视电阻率解释结果可知,两者主 要在 58 75 m 段存在差别,预测结果显示此段的岩 层为弱含水,而视电阻率解释结果显示此段岩层的富 水性比周围岩层的富水性差,为不含水反映。 实际钻 孔 1-1 号在 63 m 处见水,水量 0． 5 m3/ h,说明巷道 前方 63 m 附近确实存在弱富水区,这与预测结果峰 值对应的 66 m 吻合较好。 由此可以看出,采用基于 LBA-BP 的富水性预 测方法实现了岩层富水性的定量解释,对巷道前方岩 图 10 超前探测视电阻率断面 Fig． 10 Advanced detection apparent resistivity profile 层富水性的预测准确度要明显优于常规视电阻率解 释方法。 5 结 论 1在岩性及地层电阻率等参数稳定时,含水体 的电阻率主要与孔隙度和含水饱和度有关,含水体富 水性的预测可以简化为预测含水体的孔隙度和含水 饱和度。 2感应电动势、采样时间序列、视电阻率、探测 距离和感应电动势衰减速率等 5 个参数可作为进行 富水性或水量预测的特征,且最优的特征组合为 5 个 特征同时采用。 3采用 LBA-BP 神经网络进行基于矿井瞬变 电磁法超前探测数据的含水体富水性预测是可行的, 可以实现孔隙度和含水饱和度的定量预测以及岩层 富水性的定量或近定量预测。 4基于 LBA-BP 神经网络的预测方法对巷道 前方岩层富水性的解释准确度要优于常规视电阻率 解释方法,能够提高矿井瞬变电磁法的解释精度。 参考文献References [1] 程久龙,李飞,彭苏萍,等. 矿井巷道地球物理方法超前探测研 究进展与展望[J]. 煤炭学报,2014,3981742-1750. CHENG Jiulong, LI Fei, PENG Suping, et al. Research progress and development direction on advanced detection in mine roadway working face using geophysical s [ J]. Journal of China Coal Society,2014,3981742-1750. [2] 林传年,李利平,韩行瑞. 复杂岩溶地区隧道涌水预测方法研究 [J]. 岩石力学与工程学报,2008,2771469-1476. LIN Chuannian,LI Liping,HAN Xingrui. Research on forecast meth- od of tunnel water inrush in complex karst areas[J]. Chinese Journal of Rock Mechanics and Engineering,2008,2771469-1476. [3] 田伟,邹冠贵,汤小明,等. 基于 AVO 技术与伪泊松比属性预测 633 第 1 期程久龙等基于 LBA-BP 的矿井瞬变电磁法岩层富水性的定量预测研究 灰岩富水性的方法[J]. 煤炭学报,2017,42102706-2717. TIAN Wei,ZOU Guangui,TANG Xiaoming,et al. of predic- ting the water abundance of limestone based on AVO technique and pseudo Poisson’s ratio attribute[J]. Journal of China Coal Society, 2017,42102706-2717. [4] 刘国辉,侯征,王天意,等. 一种新型的地下含水层涌水量预测 模型[J]. 地球物理学进展,2012,2731268-1273. LIU Guohui,HOU Zheng,WANG Tianyi,et al. A new model to pre- dict the water in flow of aquifer[J]. Progress in Geophysics,2012, 2731268-1273. [5] 吴红霞. 基于神经网络的矿井瞬变电磁法预测岩层富水性研究 [D]. 北京中国矿业大学北京,2013. WU Hongxia. Research on transient electromagnetic to locate water-rich area based on artificial neural networks[D]. BeijingChi- na University of Mining and TechnologyBeijing,2013 [6] 聂利超. 隧道施工含水构造激发极化定量超前地质预报理论及 其应用[D]. 济南山东大学,2014. NIE Lichao. Quantitative identification theory and its application of advanced geological prediction for water-earing structure using in- duced polarization in tunnel construction period[D]. JinanShan- dong University,2014. [7] TONG M,LI L,WANG W,et al. Determining capillary-pressure curve,pore-size distribution,and permeability from induced polari- zation of shaley sand[J]. Geophysics,2006,71333-40. [8] 胡雄武. 巷道前方含水体的瞬变电磁响应及探测技术研究[D]. 淮南安徽理工大学,2014. HU Xiongwu. Re