老空水为煤矿突水最主要, 也是危害最大的突水来源^[12], 本实验主要以老空水以及老空水混入奥灰水作为研究对象。 实验材料为2017年3月在华东地区某矿采集的老空水和奥灰水, 将老空水和奥灰水以不同体积比进行混合最终得到: 纯老空水、 老空水和奥灰水体积比为10∶ 3的混合水(以下简称A混合水)、 老空水和奥灰水体积比为10∶ 6的混合水(以下简称B混合水)、 老空水和奥灰水体积比为10∶ 10的混合水(以下简称C混合水)、 老空水和奥灰水体积比为6∶ 10的混合水(以下简称D混合水)、 老空水和奥灰水体积比为3∶ 10的混合水(以下简称E混合水)以及纯奥灰水这样七种不同水样(每种水样各20个样本), 共计140个样本, 选取其中的105个样本用作训练集, 剩余的35个样本用作测试集。 为保证实验数据更加真实、 可靠, 所有采集到的水样样本都避光密封保存。

实验仪器选用USB2000+微型光纤光谱仪(美国Oceanoptics公司), 光谱检测范围为400~800 nm, 分辨率为0.5 nm(FWHM), 使用蓝紫光半导体激光器产生激光, 设定入射激光波长为405 nm, 入射激光的功率为120 mW。 为便于今后的实际应用, 实验探头采用FPB-405-V3可浸入式激光激发荧光探头(广东科思凯公司), 可直接放入待测水体进行荧光光谱的测量。 测量水样荧光光谱时, 将水样放置在烧杯中, 使用铁架台固定荧光探头, 使得荧光探头浸入水样, 激光垂直照射水样激发从而获得水样的荧光光谱。 为了避免背景光以及其他人为因素对实验结果的影响, 荧光探头与存放水样样本的玻璃瓶全部放在相同的暗室中, 同时保证荧光探头每次伸入玻璃瓶的位置一样进行激光诱导荧光光谱的测量。 使用Spectra Suite软件采集并记录所有水样的荧光光谱数据。

为了减小实验误差, 获得最佳的分析结果, 首先进行光谱波长的筛选预处理, 即选取水样样本差异较大的波长区间进行荧光光谱分析。 预处理后得到的光谱数据在经过多维标度分析(MDS)降低数据维度建立水样的模型^[13], 再使用FCM算法对该模型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。

实验测得七种水样的140个样本的荧光光谱图如图1所示, 从上到下依次为老空水、 A混合水、 B混合水、 C混合水、 D混合水、 E混合水以及奥灰水。 从图中我们可以看出, 单纯的老空水和奥灰水的荧光光谱有着较大的区别, 具有比较好的辨识度。 但是, 当我们将老空水和奥灰水按照一定的体积比混合时, 混合水的荧光光谱图难以通过直接观察的方式区分。 为此, 我们需要对混合水水样荧光光谱进行进一步处理, 选择最优的波长区间分析荧光光谱数据, 这样才能实现混合水水样的分类识别。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 原始光谱Fig.1 Original spectral

七种不同水样样本的荧光光谱数据经过荧光波长区间(400~600 nm)筛选预处理后得到的光谱数据曲线仍然难以进行水样的分类识别, 为了确保可以对实验所用的七种不同水样进行分类识别, 将经过荧光波长区间筛选预处理后得到的光谱数据经过MDS降低数据维度。 通常, 为便于分析和可视化, MDS在进行数据降维的时候优先降低到三维或者三维以下, 接下来使用MDS分别将七种水样的荧光光谱数据降维到一维、 二维和三维并分析比较训练集水样的一维、 二维和三维模型。 选取维数为1时得到水样的一维模型如图2所示, 选取维数为2时得到水样的二维模型如图3所示, 选取维数为3时得到水样的三维模型如图4所示。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 水样的一维模型Fig.2 One dimensional model of water samples

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 水样的二维模型Fig.3 Two dimensional model of water samples

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 水样的三维模型Fig.4 Three dimensional model of water samples

根据图2, 我们已经可以大致的看出七种水样分布的差异, 但是图中老空水和奥灰水按体积比混合得到的混合水样的区分度不是特别高, 尤其是混合的体积越接近时更加不容易区分, 因而水样的一维模型不能满足水样分类识别的要求。 对比图2和图3, 我们不难发现, 水样的二维模型具有更好的区分度, 水样具有明显的空间分布, 即相同类型的水样在空间上分布的大体相同, 不同类型的水样在空间上分布不同。

由图3和图4可以看出来, 在维数为2和3的情况下, 依据获取的荧光光谱数据所建立的水样模型具有非常好的辨识度, 同种水样的样本在空间上呈现聚集趋势, 不同水样的样本在空间上呈现分散趋势。 所建立的训练集的水样模型和实际的情况也是一致的, 正是因为不同类型的水样所处地层和年代的差异才导致了水样在空间上分布的不同。 老空水是最常见的煤矿突水水源, 煤矿井下实际的水源情况非常复杂, 一般都是多种水源混合形成的, 采空区形成的老空水与人类活动有关, 而与年代没有关系, 这也导致了各地老空水的千差万别。

为了方便可视化观察以及后续的FCM聚类分析, 选取维数为2, 即建立水样的二维模型。

将上述MDS降维得到的维数为2的二维模型用FCM对各水样进行聚类分析, 得到不同水样的簇中心, 以便后续对测试集进行验证分析。 因为实验所用的水样为七种不同的水样, 所以在进行聚类分析时选取聚类数目为7。 使用FCM算法对MDS降维后的水样二维模型进行聚类分析, 聚类显示训练集的所有样本均聚集在相应水样的簇中心附近, 进一步证明MDS降维得到的二维模型是可靠的, 同时, FCM聚类后得到不同水样的簇中心如表1所示。

表1

Table 1

表1(Table 1)

表1 七种不同水样的簇中心 Table 1 Cluster center of seven different water samples Dimension 1 Dimension 2 老空水 -2 357.56 -504.704 A混合水 -1 737.09 -186.936 B混合水 -1 160.4 404.696 C混合水 -466.442 432.205 D混合水 1 045.766 86.296 E混合水 1 417.981 101.256 奥灰水 3 274.671 -330.937

表1 七种不同水样的簇中心 Table 1 Cluster center of seven different water samples

通过FCM算法MDS降维后的水样二维模型进行聚类分析后得到的簇中心可以作为预测水样类型的依据。 在使用FCM得到水样的簇中心后, 利用簇中心通过FCM对剩余的测试集进行验证分析, 得到的聚类效果如图5所示。

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 测试集的FCM聚类结果Fig.5 FCM clustering results of the test set

由图5, 我们可以看出, 测试集的同种水样样本都聚集在对应水样的训练集的簇中心, 测试集中35个样本全部成功聚类在相应的簇中心, 即测试集样本分类准确率为100%。

为了说明MDS降维算法对水样荧光光谱数据建模的可靠性, 还对原始光谱、 降噪预处理后的光谱以及MDS降维处理后的光谱模型的分类结果进行了对比分析, 结果如表2所示。

表2

Table 2

表2(Table 2)

表2 分类的结果 Table 2 Result of classification 处理方法 训练集正确率/% 测试集正确率/% 原始光谱 (95/105)90.48 (30/35)85.71 荧光波长筛选后的光谱 (99/105)94.29 (32/35)91.43 MDS降维后水样模型 (105/105)100 (35/35)100

表2 分类的结果 Table 2 Result of classification