Coal-based solid waste from the Panyi Mine in the Huainan mining area: Fine-scale chemical structure and ecological risk assessment of heavy metals
-
摘要:
煤基固体废弃物的清洁利用是矿区生态建设亟待解决的问题，重金属的结构形态是煤基固废清洁利用的关键。以安徽淮南矿区潘一矿煤矸石、粉煤灰为研究对象，利用XRF、XRD、SEM和FTIR等微区方法对煤基固废进行表征分析，探讨其精细化学结构及重金属嵌布方式，并结合RAC(Risk Assessment Code)生态风险评价对重金属潜在风险进行评估。结果表明，煤矸石主要粒径以黏粒(0~5 μm)和粗粉砂(10~50 μm)为主，粒度不规则，空间分布间距较大，主要矿物为石英(SiO2)，IR谱线辅助验证了AlO4和SiO4的弯曲振动。粉煤灰粒径以粗粉砂(10~50 μm)和砂砾石(50~250 μm)为主，表面以球状包裹体和多孔颗粒组成，粒径大小不一，主要矿物相是莫来石(Al6Si2O13)，IR谱线发现其存在有机硅Si-O-Si对称伸缩和反对称伸缩。煤矸石中Ni、Pb以有机结合态和铁锰氧化物结合态为主，Cr、Cd、As的赋存形态主要是残渣态；粉煤灰中As主要以残渣态和有机结合态存在，其余重金属元素均以残渣态存在。RAC生态风险评价结果表明，煤矸石和粉煤灰中Cr、As属于低风险水平，其余重金属均无风险。研究结果对煤基固废资源化利用及矿区生态环境保护具有重要的现实意义。
Abstract:The utilization of clean coal-based solid waste is a pressing issue in the ecological construction of mining areas. To address this issue, the key is to ascertain the structures and morphology of heavy metals in coal-based solid waste. This study investigated the coal gangue and fly ash samples from the Panyi Mine in the Huainan mining area, Anhui Province. First, this study characterized the coal-based solid waste using microanalysis methods, such as X-ray fluorescence spectrometry (XRF), X-ray diffraction (XRD), scanning electron microscopy (SEM), and Fourier transform infrared spectroscopy (FTIR). Then, it examined the fine-scale chemical structure and heavy metal dissemination modes of coal-based solid waste. Finally, this study assessed the potential ecological risks of heavy metals by combining the risk assessment code (RAC). The key findings are as follows: (1) The coal gangue, dominated by clay particles (0-5 μm) and coarse-grained silts (10-50 μm), exhibits irregular particle sizes and large spatial distribution spacings. Its main mineral is quartz (SiO2), with the bending vibrations of AlO4 and SiO4 presence in its infrared (IR) spectra. In contrast, the fly ash, dominated by coarse-grained silts (10-50 μm) and sandy gravels (50-250 μm), manifests spherical inclusions and porous particles on the surface, varying in particle size. Its main mineral is mullite (Al6Si2O13), with symmetric and antisymmetric stretching vibrations of Si-O-Si within organosilicon present in its IR spectra. (2) In the coal gangue, Ni and Pb are primarily organic bound or bound to Fe-Mn oxides, while Cr, Cd, and As predominantly occur in the residual form. In the fly ash, As principally occurs in residual and organic bound forms, while other heavy metals occur in the residual form. (3) As indicated by the RAC-based ecological risk assessment, Cr and As in both coal gangue and fly ash are at a low risk level, and other heavy metals in them do not pose a risk. The results of this study hold practical significance for the reutilization of coal-based solid waste and the eco-environmental protection of mining areas.
-
煤矿开采过程中，断层不仅改变了煤(岩)层的埋藏条件，而且使煤(岩)层错断并发生显著位移，这一方面破坏了煤层的连续性和完整性，为煤层开采带来阻力；另一方面，断层处容易发生瓦斯突出、透水、冒顶等地质灾害，严重影响矿区的安全开采。因此，提前探明矿区断层分布是煤矿安全开采的重要内容。目前，地震领域，断层的解释手段主要是人机交互解释，通过解释人员肉眼观察地震波的振幅、相位和时差等特征以确定断层的存在，解释可靠性在一定程度上取决于解释人员对工区有关褶皱、断裂等构造模式的掌握程度，依靠这种方法解释断层具有很大的局限性，并且是一个费时费力的过程[1]。
为了打破传统断层解释方法的局限性，近年来，不少学者利用属性不连续性来表征断层分布。M. Bahorich等[2]首先提出了相干体属性，并获得了三维数据中地层的不连续性特征；N. M. Albinhassan等[3]将霍夫变换应用于时间切面，以增强断层的显示；S. I. Pedersen等[4]使用蚂蚁跟踪来增强空间不连续性并改善地震数据中的断层特征；F. Admasu等[5]提出了一种用于三维地震数据的半自动断层跟踪方法，该方法涉及使用log-Gabor滤波器来增强断层振幅的不连续性，并在地震剖面上跟踪断层。这些方法通过完善边缘检测属性来增强断层响应，突出显示断层边缘通常取决于属性的质量。Lu Cai等[6]开发了一种体绘制技术，融合体渲染多个地震属性，向解释人员显示了三维数据体内部结构的直观视图；孙振宇等[7]利用支持向量机(Support Vector Machines，简称SVM)进行多属性断层识别。这些研究，通过地震多属性解释很好地避免了对单一属性质量的依赖。在利用多种属性进行地震解释的同时，还需要对其进行数据整合，抓住数据中有效信息，舍弃干扰信息[8-10]。
主成分分析(Principal Component Analysis，简称PCA)是一种使用广泛的数据整合方法，被广泛应用于信号处理、统计等各个领域。这种方法通过分析提取样本的少量特征来降低空间维数，在降维过程中产生的新特征向量为正交向量，向量之间相互独立，可以帮助我们抓住主要信息，尽可能地消除噪声等干扰[11-12]。同时，近年来兴起的机器学习方法具有很好的数据泛化能力，可以从已经得到的数据中获取信息，达到分类或者回归的目的。庞大的地震数据量为机器学习在该领域的应用和发展提供了先决条件[13]。最近邻算法(k-nearest Neighbor Alogorithm，简称kNN)是机器学习领域最常用的算法之一。由于实现简单，理论清晰和分类性能出色，它已在许多领域得到广泛使用[14]。同时，传统的kNN算法需要大量的存储空间对训练样本进行存储，在多维大数据量的情况下，这意味着庞大的运算量和运算时间[15]，经过PCA降维，也很大程度上解决了这方面的不足。
笔者采用PCA方法对多种地震属性进行整合，产生新的综合属性，然后将其作为属性输入并利用kNN算法进行断层识别，同时通过交叉验证评估断层识别的准确率，为地震构造解释的研究提供了一种新的思路。
1 基本原理和方法
1.1 主成分分析(PCA)
一般来说，想要获得低维子空间，最常用的方法是对原始的高维空间进行线性变换，给定d维空间中的样本集$ X = \left\{ {{x_1}, {x_2}, \cdots , {x_m}} \right\} \in {R^{d \times m}} $，变换之后得到$ d' $维的空间样本，其中，$ d' \leqslant d $。
$$ Z = {{\boldsymbol{W}}^{\text{T}}}\boldsymbol{X} $$ (1) 式中：$ Z \in {R^{d \times m}} $是样本在新空间中的投影；$ {\boldsymbol{W}} \in {R^{d \times d'}} $是变换矩阵。
基于线性变换来降维的方法都符合式(1)的基本形式，不同的线性降维方法之间的差别在于对低维子空间的性质有不同的要求，也就是对$ {\boldsymbol{W}} $施加了不同的约束。
主成分分析作为一种常用的线性降维方法，其要求低维子空间对样本具有最大可分性。这种方法最初是由K. Pearson于1901年对非随机变量引入的。1933年，H. Hotelling进一步完善了PCA的数学基础，将其推广到随机向量[16-17]。其核心思想是通过坐标旋转，寻找新的正交基，从而将数据投影到使数据方差最大的n维坐标轴上，得到数据在新坐标系中的表示以消除原数据空间的多重共线性，从而达到数据降维的目的[18]。这种方法的主要流程如图 1所示。
降维后低维空间的维数$ d' $通常是由用户事先指定，根据实际问题，研究人员常常根据累计方差贡献率大于80%这一指标来确定主成分个数。在这一过程中，特征值最小的$ d - d' $个特征向量被舍弃了，这是降维导致的结果。通过舍弃这部分信息，一方面能够使样本的有效信息密度增大；另一方面，当数据受到噪声影响时，最小的特征值所对应的特征向量往往与噪声有关，将其舍弃能在一定程度上起到去噪的效果[19]。
1.2 最近邻算法(kNN)
最近邻算法(k-Nearest Neighbor)是T. Cover和P. Hart于1967年提出一种常用的监督学习算法[20]。kNN的工作机制是：给定测试样本，基于某种距离度量找出训练集中与其最靠近的k个训练样本，然后基于这k个“邻居”的信息来进行预测。通常，在分类任务中可使用“投票法”，即选择这k个样本中出现最多的类别标记作为预测结果。
图 2是最近邻算法的原理。从图中可以看出，k是一个重要参数，当k取值不同时，分类结果会显著不同；另一方面，若采用不同距离的计算方式，则找出的“近邻”可能有显著差别，从而也会导致分类结果的不同[21]。
常用的距离计算方法有欧式距离、曼哈顿距离和闵可夫斯基距离等[22]。本文采用欧氏距离计算方法：设特征空间$ X $是$ d $维实数向量空间$ {{\boldsymbol{R}}_d} $，$ {x}_{i}, {x}_{j}\in X，{x}_{i}={({x}_{i}^{(1)}, {x}_{i}^{(2)}, \cdots , {x}_{i}^{(d)})}^{\rm{T}}, {x}_{j}=({x}_{j}^{(1)}, {x}_{j}^{(2)}, \cdots , x_j^{(d)}{)^{\rm{T}}}, {x_i}、{x_j}$的距离$ {L_0} $可以用下式计算[23]。
$$ {L_0}({x_i}, {x_j}) = {\left\{ {{{\sum\nolimits_{l = 1}^d {[x_i^{(l)} - x_j^{(l)}]} }^2}} \right\}^{\frac{1}{2}}} $$ (2) 从式(2)中可以看出，特征空间$ X $的维度$ d $越大，则该公式计算的繁琐程度越高，而测试样本在利用kNN进行预测时，需要与每个训练样本都进行距离计算，然后通过排序找到前k个最近邻，这意味着极大运算量和运算时间。利用主成分分析的方法可以将$ d $维向量降维为$ d' $，使得每次距离计算的计算量大大减少，弥补了kNN这方面的不足。
2 数据集构建
2.1 研究区概况
峰峰矿区羊东煤矿位于中国河北邯郸。本矿区内含煤地层为石炭系上统本溪组、石炭–二叠系太原组和二叠系下统山西组，井田含煤地层平均总厚约210 m，含可采煤层6层，即2、4、6、7、8、9号煤，本次研究的目的煤层为2号煤层。2号煤层顶板为粉砂岩，底板为含泥质及炭质粉砂岩，属稳定可采煤层。
研究靶区的勘探面积为3 km2，工作面内已有3条巷道、15口钻井，其在矿区内的分布情况如图 3所示。根据巷道和钻井提供的坐标位置与构造特征(是否存在断层)对应关系信息，在2号煤层确定139个点的坐标及该位置所对应的构造特征(表 1)。
![]()
图 3 羊东煤矿2号煤层已有钻井、巷道分布情况Figure 3. Distribution of existing drilling wells and roadways of No.2 coal seam in Yangdong Coal Mine表 1 139个点位置坐标及其对应的构造信息Table 1. Position coordinates and their corresponding geological information of the 139 points序号 X坐标 Y坐标 是否存在断层 信息来源 序号 X坐标 Y坐标 是否存在断层 信息来源 1 525992 4039808 是 巷道1 128 524834 4039530 是 井1402 2 525992 4039808 否 巷道1 129 525672 4039327 否 井1404 $ \vdots $ $ \vdots $ $ \vdots $ $ \vdots $ $ \vdots $ 130 525337 4039388 否 井148 44 525976 4039789 是 巷道2 131 524960 4039741 否 井141 45 525944 4039817 否 巷道2 132 525224 4039824 是 井144 $ \vdots $ $ \vdots $ $ \vdots $ $ \vdots $ $ \vdots $ 133 525772 4039573 否 井145 82 525958 4039766 是 巷道3 134 525386 4039710 否 井149 83 525927 4039795 是 巷道3 135 525475 4040141 否 井1301 $ \vdots $ $ \vdots $ $ \vdots $ $ \vdots $ $ \vdots $ 136 525665 4040023 否 井136 125 524887 4039379 是 井155 137 525054 4039979 是 井1303 126 525257 4039147 是 井156 138 525225 4040225 是 井130 127 525592 4039078 否 井157 139 525285 4040421 否 井1204 2.2 特征提取
特征提取的目的是获取研究对象的尽可能多的信息。地震属性是由叠前或叠后地震数据，经过数学变换而得出的有关地震波的几何学、运动学、动力学或统计学特征，不同的地震属性代表不同的物理特性。因此，地震属性是非常合适的特征提取对象[24]。以方差体为例，方差体的计算是通过求取加权移动的方差值，得到三维数据体中每个时间样点的方差，其计算如式(3)所示。方差值越大，说明相似性越差，常被用于表征地层的不连续变化及检测地下断层。对三维地震数据体提取方差属性，包含了层位不连续信息。
$$ {\delta ^2} = \frac{{\sum\nolimits_{j = t - \frac{L}{2}}^{t + \frac{L}{2}} {{\omega _{j - t}}\sum\nolimits_{i = 1}^I {{{({m_{ij}}\overline {{m_j}} )}^2}} } }}{{\sum\nolimits_{j = t - \frac{L}{2}}^{t + \frac{L}{2}} {\sum\nolimits_{i = 1}^I {({\omega _{ij}}m_{ij}^2)} } }} $$ (3) 式中：$ {\delta ^2} $为当前采样点的方差值；$ t $为当前采样点的时刻值；$ {\omega _{j - t}} $为三角形权重函数；$ {m_{ij}} $表示第$ i $道$ j $时刻采样点的振幅值；$ \overline {{m_j}} $为所有$ i $道数据在$ j $时刻的平均振幅值；$ {\omega _{ij}} $为第$ i $道$ j $时刻采样点对应的三角形权重函数；$ L $为时窗的长度；$ I $为参与计算的地震数据的道数。
对数据体分别提取了10种地震属性，包括：方差、衰减系数、走向曲率、反射强度、瞬时相位、最大振幅、瞬时频率、倾角偏差、倾角连续性、混沌体，这10种属性均能用于表征断层[7]。然后，将已知构造信息的139个点与提取得到的地震属性根据坐标位置对应起来，构建羊东煤矿2号煤层已知数据集，见表 2。其中，非断层数据97组，用标签‘0’表示；断层数据42组，用标签‘1’表示。
表 2 羊东煤矿2号煤层已知数据集Table 2. Known data on geological information of the No.2 coal seam in Yangdong Coal Mine方差 衰减系数 走向曲率 反射强度 瞬时相位 最大振幅 瞬时频率 倾角偏差 倾角连续性 混沌体 label 0.03 0.05 0.02 535.46 110.37 220 983.1 43.39 0.02 0.08 0.05 1 0.01 0.02 0.01 1 211.85 106.04 72 728.63 46.09 0 0.01 0.01 0 $ \vdots $ $ \vdots $ $ \vdots $ $ \vdots $ $ \vdots $ $ \vdots $ $ \vdots $ $ \vdots $ $ \vdots $ $ \vdots $ $ \vdots $ 0.02 0.05 0 410.21 116.25 108 717.8 37.72 0 0.08 0.01 0 2.3 特征选择
对于从地震数据体提取得到的属性数据集，需要利用PCA对其中的原始地震数据进行整合，整合得到的综合属性将作为特征选择的结果，用于kNN进行断层识别。本文利用SPSS软件对数据进行主成分分析，具体处理过程如下。
输入的原始地震属性数据集由47 442个样本点组成，每个样本点有10种地震属性值，则输入样本集$ X = {({x_{ij}})_{47\;442 \times 10}} $，其中，$ x_{ij} $表示第$ i $个样本点的第$ j $个属性值。由于从线性变换的本质来说，PCA是在线性空间做一个旋转，然后取低维子空间上的投影点来代替原样本点，以达到降维的目的，所以首先要保证原本空间里的点是以原点为中心分布的，同时考虑到不同的地震属性之间具有不同的量纲，数量级差异较大，因此，PCA的第一步是对每组地震属性分别进行标准化处理，其计算原理如式(4)所示。标准化处理后，各组地震属性$ z_j $的均值为0，方差为1，构成了以原点为中心分布且不同维度的属性具有同等重要性的地震属性簇。
$${z_{ij}} = \frac{{{x_{ij}} - \overline {{x_j}} }}{{{\sigma _{{x_j}}}}}$$ (4) 式中：$ z_{ij} $为标准化处理后输出的地震属性值；$ {x_{ij}} $为输入的原始地震属性值；$ \overline {{x_j}} $为$ {x_j} $的均值；$ {\sigma _{{x_j}}} $为$ {x_j} $的标准差。
对原始数据标准化后，得到了输出矩阵$ \boldsymbol{Z} = {({z_{ij}})_{47\;442 \times 10}}$。为了得到方差变化最大的方向，需要计算矩阵$ \boldsymbol{Z} $的各个列向量之间的协方差，根据式(5)可以求得其协方差矩阵$ \boldsymbol{C} $。
$${\boldsymbol{C}} = \left[ {\begin{array}{*{20}{c}} {{c_{1, 1}}}& \cdots &{{c_{1, 10}}}\\ \vdots & \vdots & \vdots \\ {{c_{10, 1}}}& \cdots &{{c_{10, 10}}} \end{array}} \right] $$ (5) 其中， ${c_{mn}} = \frac{1}{{47\;442}}\sum\nolimits_{k = 1}^{47\;442} {{z_{mk}}{z_{kn}}(m、n = 1, 2, \cdots , 10)} $。
利用特征方程$ \left| {C - \lambda E} \right| = 0 $，可以求出协方差矩阵$ \boldsymbol{C}$的特征值$ {\lambda _j}(j = 1, 2, \cdots , 10) $。同时，定义第$ j $个特征值对应方差贡献率为$ a_j $，则：
$$ {a_j} = \frac{{{\lambda _j}}}{{\sum\nolimits_{j = 1}^{10} {{\lambda _j}} }} $$ (6) 各主成分特征值λj和及其对应的方差贡献率aj的计算结果见表 3。计算得到的协方差矩阵的特征值就等于对应主成分的方差，其大小反映了第j个主成分所包含原始数据全部信息的权重，也反映了各主成分贡献的大小。根据计算结果，确定主成分的数目为6，累计方差贡献率达80.503%，包含了大部分有效信息的同时也达到了降维的目的。
表 3 主成分特征值及其方差贡献率Table 3. Principal component eigenvalue and its variance contribution rate主成分编号 特征值 方差贡献率/% 累计方差贡献率/% 主成分编号 特征值 方差贡献率/% 累计方差贡献率/% 1 2.559 25.585 25.585 6 0.916 9.161 80.503 2 1.486 14.862 40.447 7 0.736 7.356 87.859 3 1.141 11.407 51.854 8 0.552 5.517 93.376 4 0.999 9.993 61.847 9 0.493 4.927 98.303 5 0.950 9.495 71.343 10 0.170 1.697 100.000 确定完主成分后，利用主成分的特征值可以求出对应的特征向量$ {\mathit{\boldsymbol{\gamma }}_j} = ({\gamma _{j1}}, {\gamma _{j2}}, \cdots , {\gamma _{jp}})(p = 1, 2, \cdots , 6) $。然后以主成分特征向量的分量值为权数，根据式(7)，对标准化后的属性数据进行加权就得到了第$ p $个主成分的综合属性$ Y_p $，结果见表 4。
$$ {Y_p} = {\gamma _{j1}}{z_1} + {\gamma _{j2}}{z_2} + \cdots + {\gamma _{j10}}{z_{10}}$$ (7) 表 4 综合属性数据集Table 4. Integrated attribute data set样本点 Y1 Y2 Y3 Y4 Y5 Y6 1 0.623 25 –0.003 02 –0.798 82 1.624 09 1.256 43 –1.289 87 2 0.604 85 0.264 97 –0.836 58 0.084 20 –0.408 08 –1.456 64 3 0.475 82 0.193 16 –0.979 45 0.866 78 –0.336 68 –1.396 93 $ \vdots $ $ \vdots $ $ \vdots $ $ \vdots $ $ \vdots $ $ \vdots $ $ \vdots $ 47 442 –0.169 09 1.711 36 –0.007 00 –3.548 22 0.643 57 –0.643 87 3 模型构建与断层自动识别
3.1 交叉验证的思想
在对kNN算法分类准确率进行评估时，通常的方法是将已知数据集随机分为两部分：训练集和测试集。这种方法的样本选取虽然具有随机性，但不同的分类方法训练的结果可能有差异。为了消除这种影响，本文在样本选取时采用了十折交叉验证的方法：将用于分类的139组数据，分成10组，其中每组数据数量如图 4所示，每次实验，依次分配训练集9份验证集1份，10次结果的均值作为算法精度的估计[23]。该方法的优点是：所有的样本都进行了训练，每一份样本又各自作为测试集进行验证，提高了预测的精确度；同时，也降低了分组不同的影响。
3.2 模型构建与评估
k值的选取是构建kNN分类模型的重要参数，在过拟合和欠拟合之间保持平衡是选择k值的关键，k值的合理选取可以尽可能减少噪声对输出类别的影响[25]。根据经验规则，k一般取奇数且小于训练样本数的平方根，考虑到样本集数据量的大小，本文k的取值1、3、5、7、9、11，然后依据验证集准确率大小随k取值的变化规律，确定模型的最佳k值。
为了更好地观察PCA提取特征前后对kNN分类效果的影响，分别将PCA处理前后的2组数据集作为输入，并利用十折交叉验证的思想和图 4的分组方式对2组数据进行分组，然后利用kNN对2组数据进行分类。验证集分类准确率随k取值的变化如图 5所示。
![]()
图 5 各组验证集分类准确率随k取值的变化Figure 5. Variation of classification accuracy of each verification set with the value of k以分组1为例，从图 5中可以看出：在该种分组下，未经过PCA提取主成分的数据集在k取值3、5、9、11时，验证集分类准确率最高，为84.61%；同样的分组下，经过PCA提取主成分的数据集在k取值1、9、11时，验证集分类准确率最高，为92.31%。同样，其他各组均选择验证集准确率最高时的k值作为当前分组下kNN模型中k的最佳取值，并对其对应取值下的验证集准确率进行统计。统计结果显示，未经过PCA选择特征的kNN分类平均准确率为87.75%，经过PCA选择特征的kNN分类平均准确率为89.23%。
为了观察出k的取值对分类准确率的影响。对不同分组下同一k值的验证集准确率进行统计并求平均值，得到的变化规律曲线如图 6中PCA-kNN(a)和kNN(a)所示。从图 6中可以看出，当k的取值为9时，对应的验证集平均准确率最高，即构建模型最优，是该组数据的最佳k值。
![]()
图 6 验证集平均准确率随k取值的变化规律Figure 6. Variation of the average accuracy of the test set with the value of k另外，还增加了一组对比实验。在该次实验中，对已知数据集中选取训练集和测试集的比例做出调整，每次选择3组作为训练集，其余7组作为测试集，被选取为训练集的小组依次为：1、2、3组，2、3、4组，⋯，10、1、2组，共进行了10次选取测试。对该对比实验的结果进行分析可知，没有经过PCA特征选择时，各分组下最佳k值对应的分类平均准确率为73.79%；经过PCA特征选择时，分类平均准确率为71.63%。同时，将测试得到的同一k值的验证集准确率求平均，结果如图 6中曲线PCA-kNN(b)和kNN(b)所示。对比前面的准确率计算结果和曲线a、b可以看出，训练样本数量的减少，使得构建的模型泛化能力降低，模型预测的准确率明显下降，这一方面反映了测井和巷道提供已知信息的重要性，训练样本越多，构建的模型预测效果越好。
3.3 断层分布预测
利用交叉验证法确定了PCA-kNN的最优参数取值后，对羊东煤矿2号煤层的断层分布进行了预测，预测结果如图 7所示。
![]()
图 7 kNN断层预测分布与人工解释结果对比Figure 7. Comparison of kNN fault prediction distribution and artificial interpretation results从图 7中可以看出：PCA-kNN预测的断层分布与钻井、巷道揭露的断层分布吻合程度较高，断层走向基本一致，这表明利用PCA-kNN的方法可以实现煤矿断层的分布预测；通过对比可以发现，使用kNN模型获得的断层分布显然比人工断层解释结果更为宽松，这是由于PCA-kNN利用综合属性预测断层区域时，它仅对综合属性值的异常区域产生断层响应，因此，预测结果是相对松散分布的断层点；图中的A处和F处均有断层揭露，人工解释的结果却并未解释出这2个区域的断层，这是因为该处的断层落差较小，地震解释剖面上的断层特征不明显，人工解释常常难以解释出这种落差较小的断层，但是PCA-kNN将这2个区域均预测为断层区，这表明PCA-kNN模型相较于人通过肉眼来解释响应更为灵敏，在小断层的预测方面具有一定的优势；同理，可以推测B、C两处，PCA-kNN的预测结果与人工解释结果相反，极有可能是该区域存在小断层分布，但是人工并未解释出这些断层；另外，图中的D、E处被人为地解释为断层分布区，但是PCA-kNN的预测结果显示这些区域的断层扩展长度很小，这表明这些区域断层解释的可靠性相对较低。总体来看，PCA-kNN可以实现工区的断层分布预测，并且相较于人工断层解释而言，这一方法具有快速、直观，能够更好地识别小断层的特点。
4 结论
a. 本文在开展研究过程中，随机形成了2种类型的数据集：其中，数据集类型1的训练数据集与测试数据集的比率为9∶1，用于表示训练数据比测试数据多的情况；数据集类型2的训练数据集与测试数据集的比率为3∶7，用于表示训练数据比测试数据少的情况。基于以上2种数据集，分析了kNN和PCA-kNN的自动断层识别的准确率，并在峰峰矿区羊东煤矿进行了基于PCA-kNN算法的断层自动识别。
b. 基于kNN和PCA-kNN，数据集类型1的断层识别精度高于数据集类型2的断层识别精度。这表明断层识别的精度与数据集数量密切相关。当训练数据集的数量大于测试数据集的数量时，断层识别的准确性更高。
c. 基于数据集类型1和数据集类型2，分别开展了kNN和PCA-kNN方法的断层识别。结果表明，基于PCA-kNN模型的断层识别准确率要高于单纯基于kNN模型的断层识别准确率。特别是在数据集类型2中，当训练数据集的数量少于测试数据集的数量时，基于PCA-kNN模型的断层识别精度超过了基于kNN模型的断层识别精度。这表明由PCA形成的单个综合属性比单个地震属性具有更高的有效信息密度，并且具有进一步探查可以表征断层的地震属性的能力。
d. 在实际应用中，使用所构建的模型来预测实际的断层分布。这种情况类似于本研究中的数据集类型2，即训练数据小于测试数据。为了获得比测试数据更多的训练数据，有必要在勘探区域中整合多个已知的地质数据，以进行实际的大数据分析，从而有助于形成与数据集类型1类似的情况。如果发生数据集类型2，可以考虑采用降维方法(例如PCA)来提高断层自动识别的准确性。
-
![]()
图 2 煤矸石和粉煤灰样品粒度组成分布
Fig. 2 Particle size compositions of coal gangue and fly ash samples
![]()
图 3 煤矸石及粉煤灰XRF定量分析(mass%)
Fig. 3 Quantitative XRF analysis of coal gangue and fly ash samples (mass%)
![]()
图 5 煤矸石、粉煤灰SEM形貌及EDS点面扫描图
Fig. 5 SEM-derived morphologies and EDS-derived point-surface scanning images of coal gangue and fly ash samples
![]()
图 7 煤矸石、粉煤灰样品中各形态重金属所占比例
Fig. 7 Proportions of heavy metals in various forms in coal gangue and fly ash samples
表 1 样品的基本理化参数
Table 1 Basic physicochemical parameters of samples
样品类型 项目 pH pHpzc Eh /mV Ec/(ms·cm−1) 表面电荷性质 粒径/μm 煤矸石 最大值 9.82 9.35 −137 2.53 负 213.22 最小值 9.46 9.21 −179 1.62 负 0.38 平均值 9.62 9.28 −158 2.08 标准差 0.15 0.06 17.15 0.37 变异系数/% 1.90 0.75 13.29 21.88 粉煤灰 最大值 8.57 8.79 −94 3.73 正 234.07 最小值 8.43 8.61 −126 3.19 正 0.38 平均值 8.50 8.70 −110 3.46 标准差 0.06 0.07 13.06 0.22 变异系数/% 0.83 1.03 14.55 7.80 
下载: 导出CSV
表 2 重金属含量与元素背景值对比
Table 2 Comparison between heavy metal contents and background values
单位：mg/kg
下载: 导出CSV
-
[1] 李君清,李寅琪. 煤炭产业经济走势及煤炭企业对策研究[J]. 中国煤炭,2023,49(3):16−22. DOI: 10.3969/j.issn.1006-530X.2023.03.003 LI Junqing,LI Yinqi. Study on the development trend of coal industry economy and countermeasures of coal enterprises[J]. China Coal,2023,49(3):16−22. DOI: 10.3969/j.issn.1006-530X.2023.03.003
[2] 朱磊,刘成勇,古文哲,等. 双碳目标下“煤基固废—CO2”协同充填封存技术构想[J/OL]. 矿业安全与环保. https://link.cnki.net/urlid/50.1062.TD.20231120.0855.002 ZHU Lei,LIU Chengyong,GU Wenzhe,et al. Conception of “coal-based solid waste-CO2” cooperative filling and storage technology under the target of carbon emissions peak and carbon neutral[J/OL]. Mining Safety & Environmental Protection. https://link.cnki.net/urlid/50.1062.TD.20231120.0855.002
[3] WANG Yumin,HUANG Yucheng,HAO Yuxin. Experimental study and application of rheological properties of coal gangue–fly ash backfill slurry[J]. Processes,2020,8(3):284. DOI: 10.3390/pr8030284
[4] 董猛,李江山,陈新,等. 煤系固废基绿色充填材料制备及其性能研究[J]. 煤田地质与勘探,2022,50(12):75−84. DOI: 10.12363/issn.1001-1986.22.05.0384 DONG Meng,LI Jiangshan,CHEN Xin,et al. Preparation of coal–series solid–based green filling materials and their performance[J]. Coal Geology & Exploration,2022,50(12):75−84. DOI: 10.12363/issn.1001-1986.22.05.0384
[5] 周雪雨,郭亮亮,张永波. 煤矸石人工热储的建造及自燃热能潜力分析[J]. 矿业安全与环保,2023,50(3):129−135. ZHOU Xueyu, GUO Liangliang, ZHANG Yongbo. Constraction of coal gangue artificial thermal storage and analysis of spontaneous combustion thermal energy potential[J]. Mining Safety & Environmental Protection,2023,50(3):129−135.
[6] ZHOU Jizhi,WU Simiao,PAN Yun,et al. Enrichment of heavy metals in fine particles of municipal solid waste incinerator (MSWI) fly ash and associated health risk[J]. Waste Management,2015,43:239−246. DOI: 10.1016/j.wasman.2015.06.026
[7] 陈国杰,袁进,刘玉香,等. 循环流化床粉煤灰中重金属的浸出性研究进展[J]. 应用化工,2022,51(7):2121−2125. DOI: 10.3969/j.issn.1671-3206.2022.07.051 CHEN Guojie,YUAN Jin,LIU Yuxiang,et al. Progress of study on leaching characteristics of heavy metals from circulating fluidized bed fly ash[J]. Applied Chemical Industry,2022,51(7):2121−2125. DOI: 10.3969/j.issn.1671-3206.2022.07.051
[8] 徐晶晶,张继伟,莫凡,等. 针对煤矸石山自燃的复合抑制实验研究[J]. 矿业安全与环保,2023,50(2):28−32. XU Jingjing,ZHANG Jiwei,MO Fan,et al. Experimental research on compound inhibition of spontaneous combustion of coal gangue hill[J]. Mining Safety & Environmental Protection,2023,50(2):28−32.
[9] TIWARI M K,BAJPAI S,DEWANGAN U K,et al. Assessment of heavy metal concentrations in surface water sources in an industrial region of central India[J]. Karbala International Journal of Modern Science,2015,1(1):9−14. DOI: 10.1016/j.kijoms.2015.08.001
[10] 申海生,和卫红,赵春洲,等. 煤矸石基混凝土在井下巷道硬化工程中的应用试验[J]. 矿业安全与环保,2021,48(6):65−71. DOI: 10.1016/j.cscm.2021.e00751 SHEN Haisheng,HE Weihong,ZHAO Chunzhou,et al. Application test of coal gangue-based concrete in underground roadway hardening engineering[J]. Mining Safety & Environmental Protection,2021,48(6):65−71. DOI: 10.1016/j.cscm.2021.e00751
[11] 张理群,周慧慧,郑刘根,等. 尾渣中砷的精细化学结构、赋存形态[J]. 环境化学,2021,40(5):1611−1618. DOI: 10.7524/j.issn.0254-6108.2019121202 ZHANG Liqun,ZHOU Huihui,ZHENG Liugen,et al. The fine chemical structure and occurrence patterns of arsenic in tailings[J]. Environmental Chemistry,2021,40(5):1611−1618. DOI: 10.7524/j.issn.0254-6108.2019121202
[12] KOSMULSKI M. The pH dependent surface charging and points of zero charge. IX. Update[J]. Advances in Colloid and Interface Science,2021,296:102519. DOI: 10.1016/j.cis.2021.102519
[13] 曹艳芝,郭少青,翟晋栋. 煤矸石中汞和砷的赋存形态研究[J]. 煤田地质与勘探,2017,45(1):26−30. DOI: 10.3969/j.issn.1001-1986.2017.01.005 CAO Yanzhi,GUO Shaoqing,ZHAI Jindong. The mode of occurrence of mercury and arsenic in coal gangues[J]. Coal Geology & Exploration,2017,45(1):26−30. DOI: 10.3969/j.issn.1001-1986.2017.01.005
[14] 李世瑀,何新宇,杨喻,等. 贵州某煤矿煤矸石重金属形态分析及风险评价[J]. 山东化工,2022,51(1):243−245. DOI: 10.3969/j.issn.1008-021X.2022.01.064 LI Shiyu,HE Xinyu,YANG Yu,et al. Speciation analysis and risk assessment of heavy metals in coal gangue from Jinshalonggong No. 2 well in Bijie City[J]. Shandong Chemical Industry,2022,51(1):243−245. DOI: 10.3969/j.issn.1008-021X.2022.01.064
[15] LI Huaizhu,KONG Lingxue,BAI Jin,et al. Modification of ash flow properties of coal rich in calcium and iron by coal gangue addition[J]. Chinese Journal of Chemical Engineering,2021,35:239−246. DOI: 10.1016/j.cjche.2020.08.033
[16] 王志英. 煤矸石粉煤灰烧结陶粒制备及物化性能研究[D]. 太原:山西大学,2021. WANG Zhiying. Preparation and physicochemical properties of sintered ceramsite produced from coal gangue and fly ash[D]. Taiyuan:Shanxi University,2021.
[17] 王晶,陈震,高全洲. 基于激光粒度测试法的闽粤沿海花斑粘土成因研究[J]. 光谱学与光谱分析,2021,41(10):3026−3031. WANG Jing,CHEN Zhen,GAO Quanzhou. Research on origin of mottled clay in the coastal areas of Fujian and Guangdong Provinces based on laser particle technology[J]. Spectroscopy and Spectral Analysis,2021,41(10):3026−3031.
[18] 孙志军,李贞,赵俊吉,等. 山西省典型煤电基地煤基固废综合利用研究与资源化分析[J]. 中国煤炭,2021,47(4):70−80. DOI: 10.3969/j.issn.1006-530X.2021.04.011 SUN Zhijun,LI Zhen,ZHAO Junji,et al. Comprehensive utilization study and resource recycling analysis of coal based solid waste in Shanxi typical coal power base[J]. China Coal,2021,47(4):70−80. DOI: 10.3969/j.issn.1006-530X.2021.04.011
[19] 师垒垒. 高铁低铝煤矸石综合利用的基础研究[D]. 昆明:昆明理工大学,2013. SHI Leilei. Basic research on comprehensive utilization of high iron and low aluminum coal gangue[D]. Kunming:Kunming University of Science and Technology,2013.
[20] 柏建坤,李潮流,康世昌,等. 雅鲁藏布江中段表层沉积物重金属形态分布及风险评价[J]. 环境科学,2014,35(9):3346−3351. DOI: 10.13227/j.hjkx.2014.09.014 BAI Jiankun,LI Chaoliu,KANG Shichang,et al. Chemical speciation and risk assessment of heavy metals in the middle part of Yarlung Zangbo surface sediments[J]. Environmental Science,2014,35(9):3346−3351. DOI: 10.13227/j.hjkx.2014.09.014
[21] ZHAO Huiling,BAI Zongqing,YAN Jingchong,et al. Transformations of pyrite in different associations during pyrolysis of coal[J]. Fuel Processing Technology,2015,131:304−310. DOI: 10.1016/j.fuproc.2014.11.035
[22] 范英富,朱雨磊,李骏航,等. 不同来源粉煤灰品质对混凝土性能的影响[J]. 中国建材科技,2021,30(6):43−46. FAN Yingfu,ZHU Yulei,LI Junhang,et al. Influence of quality of fly ash from different source on concrete performance[J]. China Building Materials Science & Technology,2021,30(6):43−46.
[23] 武琳. 粉煤灰用作土壤改良剂的污染风险评价及影响因子研究[D]. 淮南:安徽理工大学,2021. WU Lin. Assessment of nutrient and pollution risk and influence factors of fly ash as a soil amendments[D]. Huainan:Anhui University of Science and Technology,2021.
[24] CAO Zhao,CAO Yongdan,DONG Hongjuan,et al. Effect of calcination condition on the microstructure and pozzolanic activity of calcined coal gangue[J]. International Journal of Mineral Processing,2016,146:23−28. DOI: 10.1016/j.minpro.2015.11.008
[25] 张治国,谭雨柠,胡友彪,等. 宁东能源化工基地粉煤灰重金属赋存特征及生态风险评价[J]. 煤田地质与勘探,2022,50(11):144−152. DOI: 10.12363/issn.1001-1986.22.05.0364 ZHANG Zhiguo,TAN Yuning,HU Youbiao,et al. Occurrence characteristics and ecological risk assessment of heavy metals in fly ash of Ningdong Energy Chemical Industry Base[J]. Coal Geology & Exploration,2022,50(11):144−152. DOI: 10.12363/issn.1001-1986.22.05.0364
[26] 邢雅珍,陈孝杨,许正刚,等. 基于文献研究的淮南煤矿区土壤重金属空间分布与污染评价[J]. 安徽农业科学,2018,46(5):77−80. DOI: 10.3969/j.issn.0517-6611.2018.05.023 XING Yazhen,CHEN Xiaoyang,XU Zhenggang,et al. The spatial distribution and pollution assessment of soil heavy metals based on literature research from coal mining areas in Huainan[J]. Journal of Anhui Agricultural Sciences,2018,46(5):77−80. DOI: 10.3969/j.issn.0517-6611.2018.05.023
[27] 梁文勖. 淮南煤田煤矸石中有害元素和放射性元素特征与风险评价[J]. 煤炭技术,2022,41(6):94−97. DOI: 10.13301/j.cnki.ct.2022.06.024 LIANG Wenxu. Characteristics and risk assessment of harmful and radioactive elements in coal gangue of Huainan Coalfield[J]. Coal Technology,2022,41(6):94−97. DOI: 10.13301/j.cnki.ct.2022.06.024
[28] DU Ying,LIU Zupeng,DONG Mian,et al. Speciation and acid leach ability of as from gypsum with arsenic[J]. Chinese Journal of Environmental Engineering,2017,11(10):5691−5695.
[29] RAO B K,REDDY M A K,RAO A V. Effect of flyash as cement replacement material and pore filling material in concrete[J]. Materialstoday:Proceedings,2022,52:1775−1780.
[30] 范圣轩,叶恒棣,刘学玲,等. 钢铁厂铬泥高温焚烧重金属形态分布及其环境风险评价[J]. 烧结球团,2023,48(3):7−13. DOI: 10.13403/j.sjqt.2023.03.033 FAN Shengxuan,YE Hengdi,LIU Xueling,et al. Morphological distribution of heavy metals of chrome sludge in high–temperature incineration in iron and steel works and its environmental risk assessment[J]. Sintering and Pelletizing,2023,48(3):7−13. DOI: 10.13403/j.sjqt.2023.03.033
[31] 秦元礼,张富贵,彭敏,等.云南省宣威市农耕区土壤重金属元素分布影响因素及生态风险评价[J]. 地质与勘探,2022,58(2):360−369. QIN Yuanli,ZHANG Fugui,PENG Min,et al. Influencing factors and ecological risk assessment of soil heavy metals in agricultural areas of xuanwei City,Yunnan Province[J]. Geology and Exploration,2022,58(2):360–369.
[32] MAO Lingchen,YAN Nanxia,KONG Hui,et al. Ecological risk assessment of trace metals in sediments under reducing conditions based on isotopically exchangeable pool[J]. Journal of Environmental Science and Health,Part A,2021,56(2):171−180.
[33] 杨玉龙. 煤矸石固体废物对环境的危害及防治对策[J]. 云南化工,2022,49(4):148−150. DOI: 10.3969/j.issn.1004-275X.2022.04.42 YANG Yulong. Harm of solid waste pollution to environment and its prevention and control countermeasures[J]. Yunnan Chemical Technology,2022,49(4):148−150. DOI: 10.3969/j.issn.1004-275X.2022.04.42
计量
- 文章访问数: 177
- HTML全文浏览量: 24
- PDF下载量: 39
