机器学习与寻优算法的结合在矿井突水水源识别上得到广泛应用，但突水水样数据具有随机性且寻优算法易陷入局部最优，提高模型泛化能力和跳出局部最优需进一步研究。针上述问题，提出一种改进的麻雀搜索算法(SSA)优化BP神经网络模型，用于对矿井突水水源进行定量辨识。以鲁能煤电股份有限公司阳城煤矿为研究对象，通过常规离子浓度分析、Piper三线图对该煤矿水样的水化学特征进行分析，初步判断矿井水来源于奥灰含水层和三灰含水层，并确定Na++K+浓度、Ca2+浓度、Mg2+浓度、HCO3-浓度、SO42-浓度、Cl-浓度、矿化度、总硬度、pH值作为突水水源识别指标；建立基于改进SSA-BP神经网络的矿井突水水源识别模型：首先进行SSA参数设置，引入Sine混沌映射使麻雀种群均匀分布，然后通过计算适应度值进行麻雀种群的更新，引入随机游走策略扰动当前最优个体，如果满足终止条件，则获得最优BP神经网络权重和阈值，最后基于构建的BP神经网络，输出识别结果。研究结果表明：① 改进的SSA-BP模型在训练集准确率达95.6%，在测试集准确率达100%。② 改进的SSA-BP模型与BP模型、SSA-BP模型对比结果：BP模型误判率为5/18，SSA-BP模型的误判率为2/18，改进的SSA-BP模型误判率为0，迭代10次后趋于稳定，且与设定的目标误差相差最小，初始适应度值最优，识别结果可信度高。③ 将阳城煤矿5组矿井水样数据作为输入层数据输入到训练好的模型中，矿井水样的主要来源为奥灰含水层、三灰含水层和山西组含水层，模型识别的结果与水化学特征分析的结论相互印证，并实现了精准区分。

0 引言
1 研究区概况
2 水化学特征分析
2.1 常规离子浓度分析
2.2 水化学类型分析
3 改进SSA-BP神经网络突水水源识别模型
3.1 寻优算法的改进
3.1.1 SSA
3.1.2 Sine混沌映射
3.1.3 随机游走策略
3.2 模型拟合效果
3.3模型对比分析
4 结论