基于紫外-可见光谱与双优化卷积神经网络模型的矿井突水水源判别：以保德煤矿为例

《Water》：Source Discrimination of Mine Water Inrush Based on UV–Vis Spectroscopy and Dual-Optimized CNN Model: A Case Study of the Baode Mine

　　

矿井水害是制约中国煤炭资源安全高效开采的主要因素之一。快速准确识别突水水源是矿井水害防控的核心。针对传统矿井突水水源判别方法预处理繁琐、混合水样识别精度低的问题，研究人员提出一种融合紫外-可见光谱(UV-Vis)与卷积神经网络(CNN)的智能判别模型。该模型以水样吸收光谱线图像直接作为输入，利用CNN自动提取特征并分类，省去散射校正、基线校正与平滑去噪等复杂预处理。模型训练集准确率在单一水样、混合水样及全体水样上分别为98.89%、95.93%与90.67%；测试集全部正确。与基于水化学的核主成分分析-支持向量机(KPCA-SVM)模型相比，UV-CNN在特征相近的复杂混合水样上分类优势更突出。该模型收敛快、耗时短、精度高、稳定性强，为矿井突水水源快速准确识别提供了高效技术方法。

研究背景方面，煤炭在中国能源供应中具“压舱石”地位，但矿井水文地质条件复杂，突水事故死亡人数均值高于煤矿灾害总体均值，高效识别水源是防控关键。传统水化学法耗时长，离子相似时难分辨；灰色系统、模糊数学忽略离子关联；可拓识别对小差异数据易误分；光谱法虽快，但需大量预处理。为此，研究人员以山西保德煤矿为对象，采集采空区水、砂岩裂隙水、奥灰岩溶水等6组单一水样及B-1采空区水与B-2奥灰水按1:9至9:1混合的9组混合样，用UV-1700PC型紫外-可见分光光度计在190–1100 nm以1 nm分辨率测吸收光谱，每样重复20次得300组数据；同步送检水化学指标（pH、总硬度TH、总溶解固体TDS、Na⁺、K⁺、Ca²⁺、Mg²⁺、Cl^?、HCO₃^?、SO₄^2?）。论文发表于《Water》。

关键技术方法上，研究人员构建8层CNN（输入层—5组卷积池化层C1–C5—全连接层—输出层），卷积核8×8步长1、ReLU激活，池化8×8步长2最大池化，全连接1125神经元；提出双优化机制：基于稀疏特征矩阵与动态卷积系数优化卷积核初值，插值原理优化全连接层参数，规避随机初始化特征偏移。对照采用KPCA-SVM：水化学数据经min–max标准化、加高斯白噪声增强，KPCA取RBF核提取前3主成分（累计贡献85.887%）入SVM。训练集:验证集:测试集=8:1:1，CNN训练4000轮，SVM重复4000次取均。

研究结果部分，3.1节数据获取表明样本覆盖保德煤矿典型单源与邻点混合源，光谱有效吸收集中于190–300 nm。4.1节光谱筛选显示单一水样吸光度约2.0–2.82，峰位<200 nm或速降；混合样随B-1占比升高吸光度上升、峰位由B-2向B-1移。4.3节模型识别过程指出，浅层C1–C2捕轮廓与峰区，中层C3–C4放大峰形与纳米级位移，深层C5抽象类别；双优化使损失千轮内近零，单/混/全训练准确率98.89%/95.93%/90.67%，达85%精度耗时397 s/1531 s/3404 s。KPCA-SVM单/混/全训练均精度100%/91.35%/82.87%，但混样与全样精度在55%–95%间剧烈波动。测试集UV-CNN全对，KPCA-SVM在1:9与2:8混样分别50%与部分错分，30样中错5例皆为混合样。混淆矩阵证实UV-CNN各类零误判。

讨论部分，研究人员指出数据驱动模型依赖光谱库完整性，缺未知含水层样可能误分；样本仅限保德6类单样9类混样300组，跨矿区与极端混合泛化待验；仪器漂移致跨设备光谱畸变降效。结论翻译如下：本研究针对传统突水水源判别预处理繁、混样精度低瓶颈，以保德煤矿采空水、奥灰岩溶水、煤系砂岩裂隙水及混合样为对象，建立UV-Vis与CNN融合的UV-CNN判别模型，直接以吸收谱图为输入经深度分层提取实现准确分类。CNN图像识别不论样本差异显著与否皆快速收敛，单/混/全训练准确率98.89%/95.93%/90.67%，千轮内损失近零，4000轮无振荡。测试集UV-CNN三类全百正确；KPCA-SVM训练均精度100%/91.35%/82.87%但混样与全样波动55%–95%。UV-CNN经分层提取自定位190–300 nm有效带，免人工预处理，在特征微差复杂场景优势显著。模型省传统光谱预处理，具收敛快、耗时短、精度高、鲁棒强特点，为突水水源快速准确识别与水害超前防治提供新技术方法与理论支撑。