学位论文 > 优秀研究生学位论文题录展示

谢一矿地下水化学特征及突水水源判别Elman神经网络模型

作　者: 吕纯
导　师: 钱家忠；李佩全
学　校: 合肥工业大学
专　业: 环境工程
关键词: 谢一矿地下水化学特征突水水源 Elman模型
分类号: TD745
类　型: 硕士论文
年　份: 2009年
下　载: 146次
引　用: 2次
阅　读: 论文下载

内容摘要

煤矿突水水源的正确、快速识别是矿井水害有效防治的前提条件。本文以淮南老矿区谢一煤矿为研究对象,收集矿井多年观测得到的水质资料,研究了井田内不同含水层的水化学类型、特征离子以及矿井突水水源快速判别的动态回归Elman神经网络模型,并将Elman模型分别与BP模型以及模糊综合评判模型、灰色关联度模型、贝叶斯模型进行比较,得出主要结论如下:(1)煤系含水层水质以HCO3-(K+Na)型为主,太灰Ⅰ组和Ⅲ组含水层水质以HCO3-Ca·Mg型为主,奥灰含水层水质同样以HCO3-Ca·Mg型为主,老塘的水样点很少,主要是HCO3·SO4-(K+Na)。对含水层水质总体特征分析,通过各含水层离子浓度对比图,煤系水中Ca+、Mg+含量相对比较低,太灰相对于奥灰,水样中Ca2+、Mg2+、K++Na+、HCO3-含量偏高,老塘水的HCO3-和SO42-浓度相对最高。通过箱图来分析各含水层离子的分布,研究发现老塘水最好区分于其他三个含水层,当水样点的[TDS]>1500mg/L且[SO42-]和[K++Na+]和[HCO3-]>300mg/L的时候可以判定该水样点的水来自于老塘水,能够达到95%以上的正确率。如果水样点的[Ca2+]<50mg/L且[Mg2+]<20mg/L能够判断煤系水样点,达到60%以上。(2)通过使用传统的矿井突水水源判别模型对水样点进行判别研究,得到贝叶斯模型的判别效果相对较好,而模糊超标评判的效果相对较差。模糊超标加权明显比模糊偏标加权的效果差,原因是超标加权法侧重于正偏,即对于大于平均值较多的数值分配的权重大;而对于小于平均值较多的数值分配的权重小,用在水源判别上不合适。总体上煤系的点没有判别错误。太灰水样与奥灰水样在水质上很接近,而且太灰与奥灰有较强的水力联系,很可能某些水样点是因为混有其他层位的水,因而难以区分。(3)分别利用Elman网络与BP网络,针对地下水化学特征分别建立突水判别模型,实例结果表明,神经网络模型判别效果高于传统模型,Elman网络模型判别11个水样,判错一个,比BP网络模型具有更高的判别精度,更快的运算速度,更好的反应地下水系统特性,为矿井水害防治提供了一种辅助决策手段。

全文目录

摘要  5-6
ABSTRACT  6-8
致谢  8-13
第一章绪论  13-17
  1.1 选题目的  13
  1.2 选题意义  13
  1.3 国内外研究现状  13-15
  1.4 本文主要研究内容  15-17
第二章研究区概况  17-34
  2.1 自然地理概况  17-18
    2.1.1 井田位置及交通  17-18
    2.1.2 水文、气象  18
  2.2 矿井地质  18-26
    2.2.1 地层  18-21
    2.2.2 构造  21-26
  2.3 矿井水文地质  26-29
    2.3.1 区域水文地质概况  26-27
    2.3.2 水文地质条件  27-29
  2.4 矿区地下水补、迳、排特征  29-34
    2.4.1 地下水的补、迳、排  29-30
    2.4.2 矿井充水特征  30
    2.4.3 谢一矿地下水流场分析  30-34
第三章谢一井田常规水化学特征  34-45
  3.1 主要突水含水层水化学特征  34-37
    3.1.1 井田水文地质单元的划分  35-36
    3.1.2 piper 三线图水质分类  36-37
  3.2 各含水层水质总体特征分析  37-40
  3.3 水化学空间特征分析  40-43
  3.4 本章小结  43-45
第四章传统矿井突水水源快速判别模型研究  45-59
  4.1 模糊综合评判模型分析  46-51
    4.1.1 模糊综合评判原理与方法  46-49
    4.1.2 模糊综合评判的应用  49-51
  4.2 灰色关联度模型分析  51-55
    4.2.1 灰色系统  51-52
    4.2.2 灰色关联度评判原理与方法  52-54
    4.2.3 灰色关联度评判的应用  54-55
  4.3 贝叶斯判别模型分析  55-58
    4.3.1 贝叶斯思想  55
    4.3.2 贝叶斯判别理论  55-57
    4.3.3 贝叶斯判别判的应用  57-58
  4.4 模型对比  58-59
第五章基于神经网络的突水水源判别模型  59-69
  5.1 神经网络概述  59-62
  5.2 神经网络在在突水水源判别上的应用  62
  5.3 BP 神经网络  62-65
    5.3.1 BP 网络结构  62-63
    5.3.2 BP 网络学习  63-64
    5.3.3 BP 网络应用  64-65
  5.4 Elman 神经网络  65-67
    5.4.1 Elman 网络结构  65-66
    5.4.2 Elman 网络学习  66
    5.4.3 Elman 网络应用  66-67
  5.5 模型比较  67-69
第六章结论与展望  69-71
  6.1 主要结论  69
  6.2 建议  69-71
参考文献  71-75

谢一矿地下水化学特征及突水水源判别Elman神经网络模型

内容摘要

全文目录

相似论文