快速准确的识别煤矿含水层水源对于煤矿突水预警及灾后救援意义重大, 针对传统水源识别耗时较长, 不适宜构建在线式预警系统, 提出使用激光诱导荧光技术用于煤矿水源类型识别的方法。 利用激光激发待测水样, 获取其荧光光谱, 结合模式识别对水源进行快速辨识。 实验采集了淮南矿区谢桥煤矿的两种纯水样本-老空水与砂岩水, 并根据不同混合比配成5种混合水样进行实验。 首先针对获取的水源荧光光谱中可能会存在的各种噪声及干扰信息, 采用SG、 Normalize、 Gapsegment求导、 Detrend和MSC 5种常用的光谱预处理算法对光谱数据进行处理。 其次针对荧光光谱数据量过大, 对数据进行PCA降维, 作为对比6种预处理方式(含原始光谱)主成分数皆取3, 结果显示SG预处理累计贡献度最大, 为97.26%； 其次是原始光谱, 为92.38%, Normalize与Detrend累计贡献度相差不大, 分别为88.04%和87.59%, MSC为66.41%, Gapsegment最差, 为22.65%。 最后分别对PCA降维后的数据使用线性LDA以及非线性RBF-SVM模型进行识别对比。 使用LDA进行建模, SG-PCA-LDA正确率最高, 达到了98.86%, 依据建立的LDA模型, 对验证集数据进行识别, SG-PCA-LDA的正确率依然最高, 为100%。 使用RBF-SVM进行建模, Original-PCA-RBF-SVM, SG-PCA-RBF-SVM, Normalize-PCA-RBF-SVM正确率最高, 皆为97.14%, 依据建立的RBF-SVM模型, 对验证集数据进行识别, Original-PCA-RBF-SVM和SG-PCA-RBF-SVM正确率依然最高, 为97.14%。 对比两类模型可以发现, LDA验证集正确率较建模集有一定的提升, 而RBF-SVM验证集正确率较建模集有小幅度降低, 说明LDA模型对于此煤矿水源荧光光谱数据的泛化能力较好, 且成功率较高。 结果表明, SG-PCA-LDA模型结合激光诱导荧光技术是一种较佳的应用于本地煤矿水源识别的方法, 且验证了对老空水、 砂岩水的纯水样和混合水样识别的可能性, 可以推广到煤矿其他混合水源的识别中。

快速且准确识别矿井涌水水源对于防范煤矿水灾事故有着重大的研究意义。 利用激光诱导荧光(LIF)光谱融合智能分类算法进行矿井涌水水源识别打破了传统水化学方法耗时过长等不足, 具有灵敏度高、 响应速度快等特点； 然而目前这些已使用的算法仅能依靠分类准确率定性判别不同矿井涌水水样的种类。 把随机森林(RF)算法和竞争性自适应重加权(CARS)算法相结合, 基于激光诱导荧光的水样荧光光谱数据建立偏最小二乘回归(PLSR)模型来预测不同矿井涌水的含量, 实现水样的定量评估。 首先, 采集300组以老空水为基础混入不同含量砂岩水的矿井涌水样本, 将采集到的水样按4∶1比例随机划分成校正集和预测集, 校正集共240组用于建立回归模型, 预测集共60组用于预测不同水样, 搭建激光诱导荧光涌水光谱系统完成光谱数据的获取并生成荧光光谱图。 然后分别通过S-G卷积平滑法和Lowess平滑法对原始荧光光谱进行去噪处理, 发现处理后的荧光光谱较原始光谱更为分散, 适合光谱分析, 对比了两种去噪方法的预测精度, 选择Lowess平滑法作为最终去噪方法。 接着采用RF算法约简去噪后属性重要度较低的光谱属性, 依据最优回归模型的性能选择约简出的223个属性再用于CARS算法的二次属性精简, 根据CARS算法采样过程中交叉验证均方根误差值最小原则选择出的77个属性光谱数据建立PLSR模型。 最后与全光谱、 其他变量选择方法、 不同回归模型相比, RF-CARS算法属性精简效果最好, 较全光谱建模, 属性由2 048个减少到77个, 模型预测集判定系数R2pre由0.991 4增长到0.996 7, 预测均方根误差RMSEP由0.029 4减少到0.018 3, 预测精度得到提升, 其余评估指标也相对较好。 实验结果表明, RF-CARS结合激光诱导荧光光谱可快速、 精准预测矿井涌水, 精简出的光谱属性用来建立回归模型, 为实现矿井涌水含量的实时定量评估提供了一定的理论保障。

矿井突水一直威胁着煤矿井下施工人员的生命安全, 准确且快速识别矿井突水水源类型对于矿井的安全生产起到关键性作用。 激光诱导荧光(LIF)光谱技术识别矿井突水水源, 有效避免了常规的水化学法需要测定多种化学参数, 水源识别时间过长的缺点。 提出一种间隔偏最小二乘法(iPLS)与粒子群联合支持向量分类算法(PSO-SVC)相结合的方法, iPLS算法常应用于光谱波段优选和模型的回归分析, PSO-SVC则在机器学习领域有着重要的应用, 激光诱导荧光技术具有快速的时间响应、 测量精度高等特点, iPLS和PSO-SVC算法运用于光谱图和光谱数据的分析, 进而可以对突水水源类型识别分类。 首先, 用淮南矿区采集到的7种(每种水样30组)共210组荧光光谱数据进行实验, 对老空水、 灰岩水、 灰岩水和老空水不同体积比混合水样的激光诱导荧光光谱图的差异性进行分析。 比较了留出法和Kennard-Stone样本划分方法所得到的PSO-SVC模型分类准确率, 采用留出法得到的训练集水样(140组)和测试集水样(70组)作为实验样本。 其次, 用iPLS算法将全光谱波段依次按10～25波段区间进行等分, 选取划分区间的RMSECV(交叉验证均方根误差)值小于全光谱波段RMSECV值(阈值)的波段作为特征波段, 结合光谱图对比分析了划分10和14个子区间的建模结果, 发现通过直接观察得到的特征波段与iPLS算法筛选出的特征波段存在误差。 最后, 在不进行去噪、 降维等预处理条件下, 根据iPLS划分不同区间数的评价指标统计数据, 选取划分11个区间所筛选出具有561个波长点的410.078～478.424和545.078～674.104 nm特征波段范围数据作为PSO-SVC模型的输入, 以iPLS结合PSO-SVC算法筛选出的特征波段与全光谱波段、 直接观察得到波段建模准确率相比, 训练集与测试集的分类准确率高达100%, PSO寻优到的最佳惩罚系数c为1.367 0, 核函数参数g为0.576 2。 从实验结果可以看出, 利用iPLS进行荧光光谱的特征波段筛选是切实可行的, 提取出的特征波段能充分反映出全光谱波段的有效信息, 为激光诱导荧光光谱技术用于矿井突水水源精准在线识别的研究提供了理论依据。

煤矿井下突水水源的快速判别对煤矿安全生产意义非常重大， 激光荧光技术用于煤矿突水水源的识别打破了传统水化学方法耗时长的不足。 矿井老空水是最常见也是危害最大的水源类型， 而温度是影响物质特性的重要因素之一， 研究激光诱导荧光检测老空水的温度特性有助于快速准确识别矿井突水水源， 该研究具有重要的学术意义和实用价值。 采用405 nm蓝紫光半导体激光器作为光源， 设定激光器功率为120 mW， 产生的激光经UV/Vis石英光纤由荧光探头照射待测水样， 待测水样受激光激发产生荧光由荧光探头采集， 通过石英光纤传输至光谱仪。 以2017年3月在淮南市张集煤矿采集的老空水作为研究对象， 首先过滤掉水样中的悬浮颗粒， 随后将其放置在烧杯中， 使用冰块使样品温度降低至5.0 ℃， 随后放入恒温水浴锅中， 使用铁架台固定荧光探头使其位于液面下1 cm处。 在荧光光谱采集过程中， 样品始终放置在恒温水浴锅中， 通过水浴锅控制样品在10.0～60.0 ℃温度范围内获取荧光光谱， 并讨论了温度变化对老空水激光诱导荧光光谱谱图、 波峰位置及峰值、 温度系数、 谱图面积的影响。 研究结果表明： 随着温度升高， 加速了分子运动， 增加了分子间碰撞的概率， 使得非辐射跃迁增加， 老空水的荧光效率下降， 荧光强度减弱， 荧光光谱整体呈衰减变化主要集中在400～700 nm波段； 老空水荧光光谱的两个波峰所对应的波长保持不变， 并未随着温度变化发生漂移， 两个波峰处（472和493 nm）荧光强度减弱最明显， 同时荧光强度减弱与温度升高存在较好的线性关系， 荧光强度和温度在472 nm处拟合相关系数r2为0.91， 在493 nm处的拟合相关系数r2为0.963 36； 472 nm处的温度系数在20.0 ℃时达到最小值0.34%， 493 nm处的温度系数在20 ℃时达到最小值0.81%， 两处的温度系数均在20.0 ℃时达到最低值即荧光光谱在20.0 ℃附近最稳定； 温度升高， 老空水在荧光光谱在400～700 nm波段与温度轴包围的面积逐渐减小， 400～700 nm波段谱图所对应的面积与温度的拟合相关系数r2为0.975 39即面积的减小与温度的升高有良好的线性关系。 通过研究矿井老空水的温度特性， 矿井老空水的激光诱导荧光光谱在20 ℃最稳定， 在该温度条件下采用激光诱导荧光技术进行矿井水源的识别效果最佳， 同时利用老空水波峰以及面积与温度的线性关系进行温度补偿可以进一步提升利用LIF技术进行矿井突水水源识别的灵敏度和精度， 该研究对实现矿井老空水的快速、 准确判别具有重要意义。

为了快速而准确地判别煤矿突水水源类型，提出了一种构建多层正则极限学习机(M-RELM)模型的方法，该模型融合了非线性特征提取和分类学习。以激光诱导荧光(LIF)技术获取水样荧光光谱，作为模型的输入；以改进的自动编码器(AE)提取荧光光谱特征，形成模型隐含层的特征空间。为了减少光谱中噪声和异常对分类结果的影响，对极限学习机(ELM)算法进行了正则化优化，根据是否利用未知样本构造训练集，进行L2范数正则极限学习机(L2-RELM)或基于图的流形正则极限学习机(GM-RELM)优化，实现监督或半监督的分类学习。通过不同功能的隐含层之间进行传播，构建了多层正则化模型，完成了预训练和训练两个过程的融合。以淮南区域煤矿突水水样为实验对象，与支持向量机(SVM)和单隐含层极限学习机进行性能比较。在含有混合水的样集上，该模型的平均测试准确率可达到94%以上，训练时间为0.2 s左右。在含有未知样本的所有水样集上，相比于L2-RELM模型，采用基于图的流形正则优化的GM-RELM模型的测试准确率可提升2%左右。实验结果表明，M-RELM模型更能适应煤矿突水水源的判别要求。

快速识别煤矿突水水源类型对于矿井水害防治意义非凡。 鉴于传统水化学方法水源识别耗时较长等诸多不足， 提出了将模糊C均值聚类（FCM）算法和多维标度分析（MDS）用于激光诱导荧光光谱识别煤矿突水水源这一新思路。 由于FCM算法在光谱分析和模式识别等方面都有着成功的应用， 况且激光光谱具有时间响应快、 灵敏度高、 干扰小等优点， 通过实时采集水样的荧光光谱数据， 利用FCM和MDS对光谱数据分析后就可以辨别水样类型。 以华东地区某矿的老空水和奥灰水以及按比例混合得到水样共7种（每种水样各20个样本）为实验材料， 利用405 nm激光打入被测水体， 一共采集了140组荧光光谱数据， 随后选择合适的波长区间进行分析。 取每种水样各15组共105组光谱数据用作训练集， 其余35组光谱数据用作测试集。 使用MDS建立七种不同水样的模型， 再利用FCM算法进行聚类分析得到七种水样的簇中心， 最后使用得到的簇中心对测试集进行验证。 实验结果表明， 不同水样的光谱图有着较大差异， 选取合适的波长区间下的光谱数据， 在MDS下选择维度为2， 利用FCM算法对水样进行分类， 全部140组样本的准确率是100%。

防治煤矿突水时需迅速精准地判别突水水源, 激光诱导荧光(LIF)光谱技术具有灵敏度高、 快速准确监测特点, 为检测突水水源提供了一种新的方法。 该研究引入该技术以获取突水荧光光谱数据。 采用卷积(SG)平滑和多元散射校正(MSC)方法对光谱图进行预处理, 以消除光谱采集过程中噪声干扰。 采用主成分分析(PCA)方法提取特征信息, 针对SG预处理后的数据, 当主成分个数为3时, 累积贡献率可达到99.76%, 已基本保留原数据的全信息。 选择3层结构BP神经网络建立分类判别模型, 通过不同方式构造训练集和测试集, SG预处理数据构建的分类模型可以达到精准判别, 而对于MSC预处理和原始数据出现很少的误判。 实验结果表明SG预处理结果要优于MSC预处理。 研究结果表明, 将PCA和BP神经网络结合建立分类模型, 能有效判别煤矿突水水源, 且具有较强的自组织、 自学习能力。