【正文】 坑區(qū)逐步積水成為“地下水庫”。這就是煤礦開采涌水量經歷增大、平衡、衰減、到非常小，逐步恢復到一般變化的過程。需要指出的是上述四個階段是在正常條件下的全部過程和共性，如構造破壞或地表水、巖溶水發(fā)生聯(lián)系，則可能發(fā)生局部、暫時的突變，涌水量就增大[1]。（4） 大氣降水及地表水對涌水量的影響涌水量與降水量有明顯的對應關系，一般規(guī)律是：礦井開采初期降水量增大，涌水量也增加。在年變化內有這種特征，即每年雨季9月降水量大，礦井涌水量也增加，在淺部這種關系更為明顯。但到開采中期，這種關系就不明顯了，即降水增加，涌水量增加很少或不增加[2]。（5） 開采面積對涌水量的影響煤礦開采面積逐年增加，這是由礦井設計生產人為因素決定的。在初期礦井開采面積與涌水量有相互增長的規(guī)律，當開采達到一定深度后，無論開采面積是否增加，涌水量將基本保持不變，部分礦井還隨著開采深度的增加，向相反的方向發(fā)展。這是因為礦井涌水量主要受水文地質條件等決定。即使有人為因素的干擾，也不能改變上述幾個階段的基本規(guī)律[3]。（6） 開采沉陷對涌水量的影響開采沉陷與涌水量有密切關系，一般是開采煤層越厚，貫通含水層越多，礦井涌水量就增大，其增加大小，主要決定于開采深度和巖層含水性。一般在淺部比教明顯，淺部開采沉陷后，裂隙導水帶直接影響到地面，既可使地表水、降水直接入滲地下，又可使淺部風化帶含水層水流速度增加，快速滲入井下，因而礦井涌水量增加[4]。（7） 煤炭開采量對涌水量的影響開采量與涌水量一般具有較好的相關性，在一定水文條件、地質條件、氣象條件下涌水量隨著開采量的增加而增加。開采初期開采量與涌水量一般具有較好的正相關性，雖然開采初期隨著含水層頂板不斷被打開，涌水量會發(fā)生跳躍式增長，但在較長的時間段內開采量與涌水量仍然表現(xiàn)出較好的正相關性。而隨著含水層全部被打開，不會再有新的涌水量突變，同時已打開含水層的涌水不斷被疏干，開采量的增加與涌水量呈現(xiàn)負相關性，即開采量增加涌水量下降。當煤礦開采處于末期時，礦井水文地質變化不明顯，開采量也進入較穩(wěn)定的時期，礦井涌水量相對比較平穩(wěn)[5]。由于沒有準確的現(xiàn)實數(shù)據(jù)，模擬了煤礦涌水量的數(shù)據(jù)樣式，由于沒有影響因素的數(shù)據(jù)，所以只建立了基于時間序列的涌水量預測模型，供比較。具體實驗過程如下：（1）數(shù)據(jù)的選取與分析為了更有對比性、說明性。通過模擬仿真煤礦涌水量的數(shù)據(jù)384個，假設存在煤礦2007—2010年的涌水量數(shù)據(jù)，如圖11所示。選用小波分解式從某煤礦過去密集的數(shù)據(jù)曲線中來觀測涌水量變換趨勢。小波分解式為： (1)其中，為尺度函數(shù)；為小波函數(shù)；為尺度系數(shù)；為細節(jié)系數(shù)。用公式(1)分析選取的384個數(shù)據(jù)，如圖12所示，明顯很符合煤礦的涌水量真實情況。圖11 20072010年涌水量數(shù)據(jù)統(tǒng)計圖圖12 2007年2010年時間序列（2） 預測模型仿真分析運行環(huán)境為：全部程序都是在Matlab2009ra的環(huán)境下仿真的。（） 灰色預測模型灰色理論認為一切數(shù)據(jù)都有規(guī)律。筆者選擇GM(1,1)對樣本數(shù)據(jù)進行累加得到數(shù)據(jù)如下：，使數(shù)據(jù)呈現(xiàn)一定的規(guī)律性，然后擬合數(shù)據(jù)建立白化方程，得到的解為： (1)其中：為序列的估計值，再對做一次累減得到的預測值，即 做兩組實驗進行預測計算：(1) 數(shù)據(jù)中的前7個數(shù)據(jù)點做為原始數(shù)據(jù)，預測第8個數(shù)據(jù)點，仿真結果如圖21。圖21 2010年涌水量預測結果相對誤差均方差為：（）灰色BP網(wǎng)絡預測模型灰色BP網(wǎng)絡預測模型是基于GM預測少數(shù)據(jù)的優(yōu)點和神經網(wǎng)絡魯棒性好的特點而建立起來的混合模型，其結合方式主要有并聯(lián)型、串聯(lián)型、嵌入型、融合型，筆者選用效果相對好些的GNNM(1,1)融合型進行計算。網(wǎng)絡結構為1161。主要公式： (2)其中，為輸入?yún)?shù)，為系統(tǒng)輸出參數(shù)，為微分方程系數(shù)。具體計算的詳細過程可參見文獻[3]。由于權值、閾值隨機初始化，筆者連續(xù)仿真50次，得到的預測結果如圖22所示。圖22 2010年涌水量預測結果相對誤差（）小波BP網(wǎng)絡預測模型小波BP網(wǎng)絡預測模型，是取小波對時間的敏感性，與BP網(wǎng)絡的非線性辨識性結合在在一起，使小波神經網(wǎng)絡具有對時變環(huán)境的自適應學習能力和非線性建模能力而建立起來的一種組合模型[5]。筆者選取母小波基函數(shù)構成隱含層結點，網(wǎng)絡結構設為461。其中：輸入層有4個節(jié)點，表示預測時間節(jié)點前4個時間點涌水量數(shù)據(jù)；隱含層有6個節(jié)點；輸出層有1個節(jié)點，為網(wǎng)絡預測的預測輸出。網(wǎng)絡權值和小波基函數(shù)在參數(shù)初始化時隨機得到。主要公式為： (8)其中：式中，為隱含層到輸出層權值， 為輸入信號序列為；為輸入層和隱含層的連接權值；為小波基函數(shù)的平移因子；為小波基函數(shù)的伸縮因子；為小波基函數(shù)，本案例采用母小波波基函數(shù)，構成了隱含層節(jié)點。為小波神經網(wǎng)絡預測輸出。由于網(wǎng)絡權值和小波基函數(shù)在參數(shù)初始化時隨機得到，所以每次預測的結果值會有差異，筆者連續(xù)預測50次，結果如下圖23所示。圖23 50次仿真結果分析（3）討論由圖21，圖21，圖23中，可以看出，在45月份，由于原始數(shù)據(jù)規(guī)律性不強，所以無論是灰色、還是BP網(wǎng)絡、GNNM(1,1)、小波神經網(wǎng)絡，預測結果相對于其它月份的準確率都要低一些?？梢姅?shù)據(jù)的選取在做預測算法時至關重要。在實際應用中，為了預測結果的準確度，數(shù)據(jù)去噪、缺失值處理是很重要的一環(huán)。（4）結論（1）灰色預測算法：數(shù)據(jù)量少，預測結果精確度不高（2）灰色神經網(wǎng)絡：數(shù)據(jù)量不大，時間不長，精確度較高，結果比小波神經網(wǎng)絡穩(wěn)定（3） 小波神經網(wǎng)絡：數(shù)據(jù)量大，時間長，精確度較高，穩(wěn)定性比灰色神經網(wǎng)絡差所以，在實際應用中應根據(jù)數(shù)據(jù)庫中的實際數(shù)據(jù)量、時間要求，選擇合適的模塊進行預測分析。5 剖面圖的實現(xiàn)222226 礦井水位（淹沒）實現(xiàn)33