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。

快速的矿井涌水水源辨识对于矿井的水灾预警及灾后救援意义重大。 常规方法使用离子浓度做为判别因子, 耗时过长, 因此提出一种激光诱导荧光光谱(LIF)技术与偏最小二乘判别分析(PLS-DA)算法联合快速辨识矿井涌水水源类型的方法。 实验使用405 nm激光对被测水体进行激发, 获取矿井5个不同含水层100组水样的荧光光谱, 根据光谱曲线特征, 对数据进行压缩处理, 获取合适的光谱数据。 每种水样使用15组共75组光谱数据作为建模集, 剩余的25组水样的光谱数据作为测试集。 为验证实验结果, 设计了簇类的独立软模式(SIMCA)算法与PLS-DA算法构建的实验模型进行对比。 实验发现矿井不同含水层水样的荧光光谱差异较大, 在不进行任何预处理的情况下, 以PLS模型为基础的PLS-DA算法较SIMCA算法的建模正确率高, 达到了100%, 其校正及验证结果与实际分类变量的相关系数均大于0.951, 校正集均方根误差(RMSECV)和验证集均方根误差(RMSEP)均小于0.123, 利用模型对测试集中五种水样样本的识别正确率均为100%。