The Bayes Recognition Model for Mine Water Inrush Source Based on Multiple Logistic Regression Analysis

Abstract

Accurate recognition of water inrush sources is important in mine water hazard control. In this study, 118 water samples of four water types in the Qinan coal mine were analysed by multiple logistic regression, and the 12 water samples that did not meet the requirements were removed. The remaining 106 were used as training samples to establish a Bayes recognition model (BRM). In addition, the BRM was used to complement multiple logistic regression analysis (MLRA) to discriminate other water samples in the mining area. The recognition accuracy of the combined model was 95.28%. The results from the model were consistent with the field water samples and showed that the combined MLRA-BRM approach fully considers the hydraulic relationships between different aquifers and a mixed water inrush source. Moreover, the MLRA-BRM combination improved water inrush source recognition accuracy and was more reliable than using MLRA or BRM alone.

Zusammenfassung

Die präzise Erkennung von Wassereinbruchsquellen ist für die Gefahrenabwehr im Zusammenhang mit Grubenwasser von zentraler Bedeutung. In der vorliegenden Studie wurden 118 Wasserproben von vier Wassertypen in der Qinan Kohlemine mittels multipler logistischer Regression analysiert. Die nach Entfernung von 12 Wasserproben, die die Voraussetzungen nicht erfüllten, verbliebenen 106 Proben wurden für den Aufbau eines Bayes Recognition Models (BRM) verwendet. Zusätzlich wurde das BRM zur Ergänzung der multiplen logistischen Regressionsanalyse (MLRA) eingesetzt, um eine Unterscheidung bei weiteren Wasserproben aus dem Bergbaugebiet vornehmen zu können. Die Erkennungsgenauigkeit des kombinierten Modells lag bei 95,28%. Die Modellergebnisse stimmten mit den Wasserproben aus dem Feld überein und zeigen, dass der kombinierte MLRA-BRM Ansatz die hydraulische Verknüpfung verschiedener Aquifere und die Vermischung von Wassereinbruchsquellen vollständig berücksichtigt. Darüber hinaus wurde die Genauigkeit der Quellenerkennung für Wassereinbrüche durch die Kombination von MLRA und BRM verbessert und die Zuverlässigkeit im Vergleich zur alleinigen Anwendung der Einzelbausteine MLRA oder BRM erhöht.

Resumen

El conocimiento exacto de las fuentes de entrada de agua es importante en el control de los riesgos del agua de las minas. En este estudio, se analizaron 118 muestras de agua de cuatro tipos de agua en la mina de carbón de Qinan mediante una regresión logística múltiple, y se retiraron las 12 muestras de agua que no cumplían los requisitos. Las 106 restantes se utilizaron como muestras de entrenamiento para establecer un modelo de reconocimiento de Bayes (BRM). Además, el BRM se utilizó para complementar el análisis de regresión logística múltiple (MLRA) para discriminar otras muestras de agua en la zona minera. La precisión de reconocimiento del modelo combinado fue del 95,28%. Los resultados del modelo fueron consistentes con las muestras de agua obtenidas en campo y mostraron que el enfoque combinado MLRA-BRM considera las relaciones hidráulicas entre diferentes acuíferos y una fuente mixta de irrupción de agua. Además, la combinación MLRA-BRM mejoró la precisión del conocimiento de la fuente de agua de irrupción y fue más fiable que el uso de MLRA o BRM por separado.

基于多重Logistic回归分析的矿井突水水源贝叶斯识别模型

准确识别矿井突水源对矿井水害防治至关重要。采用多重Logistic回归法分析了祁南煤矿4种类型的118个水样,剔除了其中12个不符合要求水样。以剩余106个水样为训练样本建立了贝叶斯识别模型(BRM),进一步基于BRM模型建立了多重Logistic回归分析法(MLRA),以识别矿区其它水样。MLRA-BRM组合模型的识别准确率95.28%。模型结果与野外水样基本一致。MLRA-BRM组合模型方法能够充分考虑不同含水层与混合突水水源之间的水力联系。MLRA-BRM组合法能提高突水源识别准确性,比单独使用MLRA或BRM更可靠。.