地下水化学特征分析和水源识别模型研究在古北煤矿,安省北部,中国
Qilin Jiang1, Qimeng Liu1, Yu Liu2
1School of Earth and Environment, Anhui University of Science and Technology, Huainan, 232001, China.
Heliyon
|March 15, 2024
概括
使用FA-PSO-BP神经网络模型准确识别矿井水源可以提高煤矿的安全性. 这种先进的方法改善了水源的区分,这对于防止危险的水冲事故至关重要.
科学领域:
- 水文地质学 水文地质学
- 采矿领域的人工智能
- 水资源管理 水资源管理
背景情况:
- 煤矿水中的冲击事故带来了重大的安全和运营风险.
- 准确识别矿井水源对于减轻危险至关重要.
研究的目的:
- 开发和验证用于识别矿井水源的准确方法.
- 为了减少与煤矿水冲撞事故相关的风险.
主要方法:
- 对水样进行了水化学成分分析,主要离子含量分析,Piper三线性分析和相关性分析.
- 使用因子分析 (FA) 来减少维度,然后使用粒子优化 (PSO) 优化的反向传播 (BP) 神经网络模型 (FA-PSO-BP).
- 将FA-PSO-BP模型的性能与集群分析和传统的FA-BP模型进行了比较.
主要成果:
- 在古北煤矿的地下水表现出垂直的区分,其中K+Na+和Cl-是主要的离子.
- 与其他方法相比,FA-PSO-BP神经网络模型在水源歧视方面表现出更高的准确性.
- 该模型实现了更高的识别准确度,用于识别水源.
结论:
- FA-PSO-BP神经网络模型为矿井水源识别提供了一个高度准确的方法.
- 这种方法对于防止煤矿开采过程中发生的冲水事故具有价值.
- 该研究强调了先进的人工智能模型在改善矿山安全和水资源管理方面的潜力.
