来源：期刊VIP网 时间：
作者：刘伟韬;李蓓蓓;杜衍辉;韩梦珂;赵吉园;
单位：山东科技大学矿山灾害预防控制省部共建国家重点实验室培育基地;山东科技大学安全与环境工程学院;
摘要：机器学习与寻优算法的结合在矿井突水水源识别上得到广泛应用，但突水水样数据具有随机性且寻优算法易陷入局部最优，提高模型泛化能力和跳出局部最优需进一步研究。针对上述问题，提出了一种改进的麻雀搜索算法（SSA）优化BP神经网络模型，用于对矿井突水水源进行定量辨识。以鲁能煤电股份有限公司阳城煤矿为研究对象，通过常规离子浓度分析、Piper三线图对该煤矿水样的水化学特征进行分析，初步判断矿井水来源于奥灰含水层和三灰含水层，并确定Na~++K~+浓度、Ca~(2+)浓度、Mg~(2+)浓度、HCO_3~-浓度、SO _4~(2-)浓度、Cl~-浓度、矿化度、总硬度、pH值作为突水水源识别指标；建立基于改进SSA-BP神经网络的矿井突水水源识别模型：首先进行SSA参数设置，引入Sine混沌映射使麻雀种群均匀分布，然后通过计算适应度值进行麻雀种群的更新，引入随机游走策略扰动当前最优个体，如果满足终止条件，则获得最优BP神经网络权重和阈值，最后基于构建的BP神经网络，输出识别结果。研究结果表明：(1)改进的SSA-BP模型在训练集上的识别准确率达95.6%，在测试集上的识别准确率达100%。(2)改进的SSA-BP神经网络模型与BP神经网络模型、SSA-BP神经网络模型对比结果：BP神经网络模型误判率为5/18,SSA-BP神经网络模型的误判率为2/18，改进的SSA-BP神经网络模型误判率为0，迭代10次后趋于稳定，且与设定的目标误差相差最小，初始适应度值最优，识别结果可信度高。(3)将阳城煤矿5组矿井水水样数据作为输入层数据输入到训练好的模型中，矿井水水样的主要来源为奥灰含水层、三灰含水层和山西组含水层，模型识别结果与水化学特征分析的结论相互印证，实现了精准区分。
关键词：矿井突水水源识别;水化学特征;麻雀搜索算法;BP神经网络;混沌映射;随机游走策略
基金资助：山东省自然科学基金资助项目(ZR2023ME002)
