我国西南岩溶地区水资源储备的主要方式是广泛地修建水库，然而岩溶地区水库渗漏的影响因素复杂繁多且相互联系、相互制约，具有随机性和模糊性，导致库区水文地质条件往往无法完全定量化处理，因此很难运用一种确定性的模型加以描述。岩溶地区修建水库的渗漏问题研究始于19世纪60年代，1854年法国率先在岩溶地区修建水库，突出了岩溶水库渗漏问题的重要地位。我国于1951年开始国内第一座岩溶水库——官厅水库的修建，从此，国内岩溶区水库的兴建及其相关防渗技术研究得到了快速发展[1-3]。然而，贯穿着整个水库工程的渗漏问题一直未得到有效解决，给工程施工和进度控制带来极大挑战。据资料显示，水库失事工程的40.5%是因渗漏问题造成的[4-6]。因此，水库渗漏量的有效评估是成功制定相应防渗措施的关键，可为我国水库事业奠定坚实的技术基础[7]。

岩溶水库渗漏评估研究，最早是运用法国水力学家达西创立的渗流公式，随后出现了哲才和斯姆列尔克公式等。我国的岩溶水库渗漏研究主要始于20世纪80年代[8-11]，1991年陈训源利用相关分析法评估了酌江水库的渗漏量，1992年光耀华利用数量化理论对正在兴建的水库渗漏进行了评估，开启了我国对岩溶水库渗漏定量研究的快速发展模式，相继出现了地下水动力学方法、模糊综合评定法、逻辑信息法等理论。随着计算机技术的发展，又出现了多孔介质模型、藕合介质模型、三重介质模型等数值方法,这些方法大大提高了岩溶水库渗漏定量研究的水平，且在水库渗漏评估方面具有较好的效果，其中Visual modflow和GIS应用广泛[12-15]。然而，这些研究在评估岩溶水库渗漏时，很难处理各影响因素的随机性和影响因素之间的非线性关系，同时大多也忽略了对水文地质条件的深入分析，要么须投入巨资以获取不完全具代表性的参数，要么在模型参数的设置时加入了较多主观因素，导致评估效果或经济效益不理想。

本研究采用matK、psbA-trnH、psbK-psbI和rbcL 4个DNA候选条形码序列，对蜘蛛抱蛋属19种104批样品进行PCR扩增，并对扩增成功率、测序效率、种内与种间变异水平和鉴定成功率等指标进行综合评价，拟获得该属植物物种鉴定的最佳DNA条形码序列，以期为该属物种的分子分类学研究奠定基础。

人工神经网络所特有的功能体现在独立地接受、处理和传递信息，并通过对新样本的学习，不断获取和积累经验，在输入和输出过程中建立一种复杂的非线性关系。BP神经网络具有反向传递并自我修正误差的强大自我学习和分类记忆功能，通过不断的自我学习可使误差达到系统要求[16]。因此，利用BP神经网络模型评估岩溶水库的渗漏具有独特的优势[17-20]。为此，本文以贵州岩溶地区迎燕水库为例，通过收集57个同类水库渗漏实例，在详细分析库区水文地质条件的基础上，构建了BP神经网络模型，目的是准确有效地定量预测评估迎燕水库的渗漏量，为水库的正常维护提供理论依据，为同类水库渗漏评价提供新思路。此外，贵州林歹矿区距水库约1 km，地下开采时常发生矿坑涌水，本文的研究对矿区地下开采与水害防治具有重要的参考价值。

1　研究区概况

迎燕水库位于贵州清镇市的站街镇内，处在清镇市北偏西方向约18 km的清-毕公路附近，贵州铝厂第二铝矿以北1 km左右，研究区交通较为便利，其地理位置详见图1[21]。

图1　研究区地理位置图 Fig.1　Location of the study area

迎燕水库区域地形地貌主要有两种形态，分别为溶蚀峰丛洼地和构造侵蚀中山，峰顶高程一般为1 260～1 360 m。库区坝体材料为石材，采用拱形浆砌设计，高度达50.5 m,坝体的顶部高程为1 292.5 m，有效蓄水量达500万m3。水库围岩主要以阻隔水性能较好的页岩、砂岩、砂质页岩为主，但水库东侧的围岩存在灰岩夹层，是水库渗漏的主要隐患之一。

迎燕水库围岩主要为寒武系下统金顶山组(∈1j)岩层，第四系堆积层(Q)覆盖在基岩之上。库区围岩全部处于清镇-长顺复式背斜(落夯背斜)的西翼，均为单斜地层展露。其中，寒武系下统金顶山组(∈1j)岩层主要由页岩、砂岩、砂质页岩组成，其在水库东侧出露鲕状灰岩和铁质砂岩，总体具有较好的阻隔水性能，但岩层中夹杂的鲕状灰岩和砂岩发育较多裂隙，局部可见泉，流量约0.013～0.76 L/s，对水库存在一定的岩溶渗漏风险，而水库两坝肩坐落在灰绿、褐红色薄至中厚层浅变质砂岩、泥质粉砂岩且夹杂少量粉砂质泥岩的岩体上，隔水性能较好；库区不同部位第四系覆盖层的成因也稍有差别，库区尾部覆盖层主要为冲洪积层，库内坝体位置主要为淤积层，含黏土、粉砂泥及有机质。

这话鬼才信呢。林老板找我绝对不会有好事。我说夏俊，你要找我叙旧，我一定奉陪，但林老板找我，恕我不能奉陪。夏俊有点急，说实话对你说了吧，你现在缺抛光熟手么？林老板可以帮你。

图2　迎燕水库-矿区水文地质剖面示意图 Fig.2　　　　Hydrogeological profile of the study area (from mining area to Yingyan reservoir)

迎燕水库库区以南为猫跳河流域，水库范围内地表水分水岭与地下水分水岭基本一致，破岩-中寨地下分水岭使分水岭以南地下水沿着站街向斜核部流至上龙井，以地下河的方式流出地表，再通过上龙滩坝洼地补给地下水，因此地下水径流带未经过库区，对水库的影响不大。

影响岩溶水库渗漏的因素多且复杂，并且具有空间交互性，针对同类水库渗漏特征的综合分析，得出岩溶水库渗漏的影响因素有定性描述特征、定性变量特征和定量特征三种情况：

迎燕水库位于单斜构造区内，库区不存在大的断裂构造，“S”型的河湾横谷连接库首与库尾，周围岩体风化不严重，岩体间无倾角较缓的裂隙面存在，地下水分水岭一般远高于水库蓄水位，库区整体蓄水性条件较好，但局部存在泄漏隐患。

3.5 六 T 实务。餐饮服务单位实施“六个天天”的管理体系，即天天处理、天天整合、天天清扫、天天规范、天天检查、天天改进。

2　BP神经网络模型

本系统基于单总线EEPROM芯片DS2431设计eID方式的电子标签，具有体积小、触点少、可实时读写等优点。通过在光纤连接器上安装eID标签，在光纤熔配一体化托盘（以下简称光纤托盘）的活动连接器上安装eID标签插座，光纤托盘内部布放存有内部光纤连接信息的数据采集电路板，实现了对光纤托盘每路活动连接器两端光纤信息的数据采集，从而实现了ODN的数字化和智能化管理。

2. 1　BP神经网络

BP神经网络的结构特征为单向传播的多层前馈，包含输入层、隐含层和输出层，它的显著优点是利用输出层结果与实例数据的误差，估算其直接前导层的误差，再利用这个估算的误差推导更前一层的误差，以此类推，可获得网络各层的误差估计；然后，通过不断调整各层的权重，把误差估算不断逼近到一个系统可以接受的范围，从而达到预期效果。最小二乘法是BP神经网络采用的计算方法，它的主要任务是使输出值和期望值的误差均方差最小。BP网络的示意图，见图3[16]。

①加大科技攻关力度。充分发挥首都科技优势，与首都高校和科研院所合作进行科技攻关。2000年以来共投入科研经费8 000余万元，实施了《密云水库流域水土流失综合防治体系及工程示范研究》《新农村污水综合治理示范工程》等重大项目30余项，对水源区水土流失、面源污染监测评价与防治、废弃矿山修复等问题进行了重点攻关。

图3　BP神经网络示意图 Fig.3　Schematic diagram of BP neural network

2. 2　前馈计算方法

BP神经网络的算法包括以下两个阶段4个步骤[16]：

多媒体将“声、色、画、乐”集于一体，正符合了小学生直观形象的认知特点。在语文教学中运用多媒体课件，不仅能激发学生的学习兴趣，还能巧妙地化解教学难点，提高学习效率，寓教于乐。如《海底世界》这篇课文主要描写了海底的景色奇异、物产丰富。由于很多学生平时接触不到真正的海底世界，所以在课堂上，教师将各种海底动物的照片和声音融合于课件之中，深深将学生吸引住了，激起了学生浓厚的学习兴趣，随后教师抛出的一系列问题，学生都能迎刃而解了。这就是多媒体的魅力。

(1) 向前传播阶段:①任意选取样本集的一个样本(Sp,Yp)，把样本输入层参数Sp输到网格；②在输出层得到相应的实际输出Op。

此过程，BP神经网络按正常的运行步骤完成，输入值经过输入层后不断地逐级计算和变换，最后达到输出层，运算过程如下式：

Op=Fn(…(F2(F1(SpW(1))(2))…)(n))

(1)

式中:SP表示第p个样本的输入参数值;Yp表示第p个样本的输出预期值；Op表示第p个样本的实际输出值；Fn(…(F2(F1(SpW(1))(2))…)(n))表示第p组数据在实现n次误差调整后的输出函数。

例如，在教学五年级数学《数字与编码》这一课上，我先讲了一个故事：有个小偷偷到一个存折，看到存折上还有不少的钱，可是他不懂得密码，没有办法取出来，于是他就去办理了一张假身份证，去银行更改密码，领出这笔钱，但是他在银行把存折和身份证给营业员时，营业员只看了一眼就识破了这是一张假的身份证，立即想办法报警把他拘留了。这张身份证做得非常逼真，外表上看不出是假的，到底哪里出问题了？身份证上到底有什么数学知识，你们想知道吗?这样结合生活实际的故事就引起了学生的好奇心，让学生对学习内容有兴趣。这一节课学到后面，让学生再应用所学的知识去解决前面假身份证的问题，学生学的就很轻松愉快了。

BP神经网络算法的过程一般要求精度能控制在可控范围，即计算第p个样本的误差测度Ep，如下式：

(2)

式中:Ep表示第p个样本的误差测度。

每个误差测度Ep的总和即为BP神经网络的误差测度E，如下式：

培训是提升教师和学生信息技术应用能力的重要途径之一。经过近几年的实践和探索，我校最终形成了“五环五步”的教师层面培训策略和“课堂教学与主题教育相结合”的学生层面培训策略。

E=∑Ep

(3)

3　岩溶水库渗漏定量评估

3. 1　岩溶水库渗漏的影响因素

石炭系摆佐组(C1b)碎屑岩分布于库区左岸，呈现完整封闭形状，其分布能有效地阻隔寒武系清虚洞-高台组(∈1q+∈2g)含水层的水通往其他含水层的水力通道。寒武系明心寺组(∈1m)和金顶山组(∈1j)出露于库区右岸，其岩性均为不透水或弱透水的页岩、泥砂岩或砂岩，具有较好的隔水性能，但少部分灰岩(鲕状)出露处防渗处理不好，存在泄漏的可能性。

(1) 定性描述特征：仅能对影响因素进行定性评价，如河谷形态、渗漏通道特征和河床水文特征等。

(2) 定性变量特征：影响因素具有较明确的变化特征，如断裂发育程度、防渗处理特征和基岩渗透特征等。

(3) 定量特征：可用具体的数据量化表示影响因素的特征，如渗漏水头、地下分水岭水位、基岩岩溶发育程度和岩性特征等。

鉴于影响岩溶水库渗漏各因素的复杂性和随机性，在进行BP神经网络计算前，需要将非定量因素进行等级量化划分。BP神经网络在训练、检验和评估时，并不是选取的量化参数越多越好，量化参数太多往往会在估算各层的精度时出现较大的偏差。针对迎燕水库的地质特征和各影响因素的分析，本文共选取10个影响因素作为致漏因子并进行量化处理，每个影响因素的等级划分为3级，各渗漏影响因素的分级和量化值见表1。

3. 2　参数筛选

前人已收集并整理了国内57个同类水库渗漏实例，在此基础上，本文根据岩溶水库渗漏影响因素特征的分级量化标准(见表1)，选取河谷形态(S1)、渗漏通道特征(S2)、河床水文特征(S3)、断裂发育特征(S4)、防渗处理特征(S5)、基岩渗透特征(S6)、渗漏水头(S7)、地下分水岭水位(S8)、基岩岩溶发育程度(S9)和岩性特征(S10)10个影响因素进行分级量化处理。在选取的57组实例数据中，有4组数据分级量化后与其他组的完全一致，将其进行合并，因此本次研究最终选取53组有效数据样本进行研究。根据迎燕水库特征和实例数据数量，本文确定40组样本为训练样本，13组样本作为检验样本，详见表2。

表1　岩溶水库渗漏影响因素的分级量化标准 Table 1　　　　Quantified and classified parameters of factors influencing karst reservoir leakage

影响因素等级量化值横向谷1河谷形态(S1)斜向谷2纵向谷3溶蚀型1渗漏通道特征(S2)岩溶管道型2管道型3补给型1河床水文特征(S3)悬托型2排泄型3断层裂隙不发育1断裂发育程度(S4)断层裂隙一般发育2断层裂隙很发育3严密处理1防渗处理特征(S5)略为处理2未处理3弱渗透1基岩渗透特征(S6)中等渗透2强渗透3小于50m1渗漏水头(S7)50～100m之间2大于100m3高于水库蓄水位1地下分水岭水位(S8)低于水库水位10m以下2低于水库水位10m以上3岩溶发育一般1基岩岩溶发育程度(S9)岩溶较发育2岩溶强发育3碎屑岩为主1岩性特征(S10)不纯或夹碳酸盐岩2纯碳酸盐岩3

甲状腺结节超声实时弹性成像分级标准：0级结节红、绿、蓝三色相间；Ⅰ级结节呈均匀的绿色；Ⅱ级结节以绿色为主(绿色区域面积>50%)；Ⅲ级结节以蓝色为主(蓝色区域面积占50%～90%)；Ⅳ级结节几乎为蓝色覆盖(蓝色区域面>90%)。Ⅲ级以上判断结节恶性可能性较大。

综上所述，本文选取10个神经元作为输入层的输入值，分别为S1、S2、S3、S4、S5、S6、S7、S8、S9、S10，而输出层的值只有一个，即水库渗漏量；针对水库渗漏影响因素的高度复杂性，选择具有两个隐含层的结构，该种结构对处理影响因素复杂的计算更有优势。

根据BP神经网络的计算法则，利用40组训练样本对网络进行逐一训练，使每组训练样本的输出值尽可能地接近实测值，最终使得所有样本的输出值与实测值之差在允许范围内[16]；完成网络的训练后，把13组检验样本逐一输入网络，验证13组检验样本的输出值是否能达到期望结果，若达到期望结果，则证明训练成功，否则须进一步改进，直至达到满意，方可用于评估研究目标。

人工神经网络能够处理高度非线性复杂问题，类似于一阶特性的人类大脑系统。

表2　BP神经网络的训练和检验样本 Table 2　　　　Training and testing samples of BP neural network

样本影响因素分级量化值S1S2S3S4S5S6S7S8S9S10水库渗漏量实测值Tpk/(m3·s-1)木蓑衣21111111110.120猫一11123112120.200王家厂21111111110.200克里马斯塔塔12132332222.000猫三21123111120.190若蓝21111111130.200马畔塘23122213321.310大潭33122211231.400卡玛那333333333212.000桃曲坡333333233327.800凯班333333333326.000里团12322211221.680仙人沱11111111130.105东峰31123112120.210陈寺22111111130.250杜坎33323333227.000猫六22111113120.300岭蒙13112211220.600训奥依玛纳11213221110.200练猛登12122111110.270样伏曼31111111120.180本登风21111111130.087灌江22112111230.340小排吾33132212324.300猫二12121112131.000蒙特雅克33323233314.000穿歼11111111110.003龙须河22112111110.087巴蒙11322112220.490后水河11113111120.005六甲11113111120.014洛东11113111120.008水槽子22222223231.800格八33323322325.000明溪23132211223.000金龙23322212333.000附廊21121111120.500大江口31111112130.006乌江渡11111331230.070肖家山32122211321.800大化12113212220.140独山12112111120.500猫五23112321120.160圭平21112111220.700火石坡22112212220.750检下桥22113111320.090验拉浪21112212120.950样花溪22112211221.200本拨贡333323123323.00旧普韦布洛11113121110.010北关22121211231.000猫四233333233320.000大龙潭13323211334.400

注：土桥、茅七、清底和卡那立斯4个样本分别与仙人、登风、格八和杜坎样本合并。

3. 3　水库渗漏量评估

通过BP神经网络的训练，得到BP神经网络模型的拟合结果，详见图4至图7。

(2) 向后传播阶段:①此步骤的主要目的是计算实际输出的Op值与预期的Yp值之间的差值；②按极小化误差的计算方式不断调整权矩阵。

由图4至图7可见，BP神经网络模型训练过程中，R值均大于0.99，拟合效果良好，并通过样本数据检验，说明所建立的BP神经网络模型具有很高的评估能力，可以用于迎燕水库渗漏量的定量评估。

式中：—计算燃料当量消耗量（kg/h）；D—工质流量（kg/h）；ppw —锅炉排污率（%）；β′′—空预器出口过量空气系数；Δα—漏风系数。

图4　BP神经网络模型拟合效果示意图 Fig.4　Linear fitting chart of the BP neural model

图5　BP神经网络模型拟合过程示意图 Fig.5　　　　Schematic diagram of the fitting process of the BP neural model 注：Mu是L-M优化算法中的一个参数，这个算法会自动检测，当Mu太大时，训练会自动停止；图中Mu≤1×e-10，说明拟合模拟运行良好。

图6　BP神经网络训练样本学习效果图 Fig.6　　　　Predication and actual results of trainning samples

图7　BP神经网络检验样本检验效果图 Fig.7　　　　Predication and actual results of testing samples

综合分析迎燕水库库区的地质与水文地质特征，归纳得出该水库渗漏各影响因素的分级量化特征，见表3。

表3　迎燕水库渗漏影响因素的分级量化值 Table 3　　　　Evaluation results of factors influencing Yingyan reservoir leakage

影响因素分级量化值S1S2S3S4S5S6S7S8S9S10水库渗漏量Q(m3·s-1)11112111120.003

将迎燕水库各影响因素按表3中的分级量化值输入BP神经网络，计算出的水库渗漏量为0.003 m3/s，与坝体的实地考察结果一致。该渗漏量主要来源于坝体的渗漏，水库并无明显的库肩和库底渗漏，说明迎燕水库渗漏对邻近林歹矿区矿坑涌水基本无影响。

1994年，719香料合成问题也被孙宝国成功攻克。030与719开始对市场开放，也包括海外市场，其中一个购进国就是日本。孙宝国说：“030的对外售价是2万元/公斤，日本购进方问我们，这2万元究竟是人民币还是美金。我告诉他们是人民币。他们当时既惊讶又感慨，说若是从美国买，2万美金也不止。”

4　 结论与建议

本文针对岩溶水库渗漏影响因素具有随机性和复杂性的特点，利用BP神经网络具有反向传递并自我修正误差的独特优势，在收集57个岩溶水库的渗漏实例和分析迎燕水库库区水文地质特征的基础上，构建了BP神经网络模型，通过对40个训练样本的学习和13个检验样本的检验，得到的BP神经网络模型预测精度较高，可用于迎燕水库渗漏量的定量评估。通过计算可得，迎燕水库的渗漏量为0.003 m3/s，该结果可作为迎燕水库正常维护的依据，也可为贵州林歹矿区地下开采防治水研究提供参考，同时可为类似岩溶水库的选址及防渗处理提供一种新思路，具有显著的社会意义。

迎燕水库-矿区的水文地质剖面，详见图2。

本文利用BP神经网络模型评估迎燕水库的渗漏量具有较高的精度，但收集到的训练样本较少，因此为了建立更高标准的预测模型，应尽可能多地收集实例数据，并创建数据库，以提高模型的精确度。

参考文献：

病史摘要:患者17岁,因“反复下腹胀痛1月,加重3天”入院。患者12岁初潮,月经基本规则,量中,伴痛经。近1月反复出现下腹胀痛,可忍受,伴腰痛,无异常阴道流血流液,自行购买止痛药物后缓解。3天前患者自感上述症状加重,伴发热,遂来我院门诊就诊。未婚有性生活1年,未孕。

[1] 谢谟文，尹彦礼，郝楠，等.基于GIS的腊撒水电站库区渗漏地段初步分析[J].水文地质工程地质，2013，40(2):49-55.

[2] Jin J L，Wei Y M，Zou L L，et al.Forewarning of sustainable utilization of regional water resources: A model based on BP neural network and set pair analysis[J].Natural Hazards，2012，62 (1):115-127.

[3] Ju Q，Yu Z，Hao Z，et al. Division-based rainfall-runoff simulations with BP neural networks and Xinanjiang model[J].Neurocomputing，2009，72(13/14/15):2873-2883.

[4] 江成鑫，李雄峰，陈鹏宇，等. 基于岩溶区水库安全的水文地质模型构建研究[J].安全与环境工程，2016,23(1)，27-29,35.

[5] 樊勇，万军伟，梁杏，等. 四川雅砻江官地水库岩溶渗漏研究[J].安全与环境工程，2007,40(2)，4-8.

[6] 蔡昊，陈植华,周宏. 裂隙对雾龙洞岩溶发育及地下径流的影响分析[J].安全与环境工程，2015,22 (2)，1-6,38.

[7] 赵瑞，许模.水库岩溶渗漏及防渗研究综述[J].地下水，2011，33(2):20-22.

[8] 光耀华.岩溶水库渗漏预测的地质-数学模型——数量化理论在岩溶方面的应用[J].中国岩溶，1992，11(3):181-197.

[9] 戴春华.中梁水库岩溶水流数值模型及渗漏量计算[D].南京：河海大学.2004.

[10]光耀华.数量化理论应用于岩溶水库渗漏预测[C]//中国地质学会工程地质专业委员会. 第四届全国工程地质大会论文选集(三). 北京: 海洋出版社，1992.

[11]寇水晶，陈晓鹏，吴昊璋.某水库坝肩渗漏评价[J].内蒙古水利，2017(5):20-22.

[12]邹成杰.水库岩溶渗漏地质模型和数学模型的初步研究[J].中国岩溶，1990，9(3):213-240.

杨宗祥曾经说过“企业家应以人为本来管理企业，董事长及高管、班组长不可能天天去当操作工、开挖机，这些行业的员工很辛苦，企业家要将心比心，解决员工后顾之忧，企业才能获得长远的发展”。为员工购买社会保险，遭遇金融危机工资不降，开发物业成本价基础上还发放补助金保证职工有房住，员工的工会活动经费总是第一时间达到，外加中午免费的午餐。公司各项福利水准在安宁当地也算上乘，绝大多数员工能安心本职工作，公司还为职工新建500套经济适用房，3000多名职工安心本职作业，多年来企业人员流失率始终保持在5%以下。

[13]王清.渔洞河水库岩溶发育特征与渗漏研究[D].成都：成都理工大学，2013.

[14]卢刚，吴旭彬.模糊综合评判法在岩溶水库渗漏预测中的应用[J].岩土工程界，2007，10(6):25-27.

[15]庞练，郭娣，姚雪倩. 灰色关联度分析法在水库渗漏分析中的应用[J].地下水，2017，39(2):80-82.

[16]栾长青，唐益群，高文冰，等.鄂尔多斯白垩系环河含水岩组中的地球化学反向模拟[J].自然灾害学报，2007，16(4):169-173.

[17]Zhao Y，Nan J，Cui F Y，et al.Water quality forecast through application of BP neural network at Yuqiao reservoir[J].Journal of Zhejiang University-SCIENCE A，2007，8(9):1482-1487.

[18]Wang J,Shi P，Jiang P，et al. Application of BP neural network algorithm in traditional hydrological model for flood forecasting[J/OL].Water，2017，9(1),48. DOI:10.3390/w9010048.

[19]Ma D，Zhou T，Chen J，et al. Supercritical water heat transfer coefficient prediction analysis based on BP neural network[J].Nuclear Engineering and Design，2017，320:400-408.

[20]陈汉宝，万军伟.岩溶地区水库渗漏分析与数值法计算实例[J].湖北水力发电，2005(1):3-6.

[21]彭三曦，李义连，赵子娟，等.贵州林歹铝土矿复合式围岩隔水安全性能研究[J].安全与环境工程，2016，23(3)，107-112,118.