基于机器学习的煤与瓦斯突出预测研究进展及展望

作     者：薛生 郑晓亮 袁亮 来文豪 张玉婷 XUE Sheng;ZHENG Xiaoliang;YUAN Liang;LAI Wenhao;ZHANG Yuting

作者机构：安徽理工大学深部煤炭安全开采与环境保护全国重点实验室安徽淮南232001 安徽理工大学煤炭安全精准开采国家地方联合工程研究中心安徽淮南232001 合肥综合性国家科学中心能源研究院(安徽省能源实验室)安徽合肥230031 安徽理工大学公共安全与应急管理学院安徽合肥231100 安徽理工大学电气与信息工程学院安徽淮南232001 

出 版 物：《煤炭学报》 (Journal of China Coal Society)

年 卷 期：2024年第49卷第2期

页      面：664-694页

核心收录：

学科分类：0819[工学-矿业工程] 081903[工学-安全技术及工程] 08[工学] 

基　　金：安徽高校协同创新资助项目(GXXT-2022-17) 国家重点研发计划资助项目(2023YFB3211003) 煤炭安全精准开采国家地方联合工程研究中心开放基金资助项目(EC2021003) 

主　　题：煤与瓦斯突出 机器学习 突出预测 特征选择 

摘      要：我国煤矿安全生产形势不断好转,但煤与瓦斯突出事故仍时有发生。煤与瓦斯突出预测不仅能指导防突措施科学的运用、减少防突措施工程量,在一定程度上也可以确保煤矿工人的作业安全。机器学习(Machine Learning, ML)是一门涉及概率论、统计学和计算机学等领域的交叉学科,可以挖掘突出事故和指标间的非线性关系。将机器学习用于煤与瓦斯突出预测,已得到相对广泛的关注,并随着人工智能和计算机技术的快速进步,其在突出预测领域将发挥更大作用。因此,对机器学习在煤与瓦斯突出预测中的研究进行了全面的综述,分析其在突出预测中面临的难点并展望其发展方向。首先,简述煤与瓦斯突出假说、发生机理与预测指标选择的研究现状;介绍机器学习在煤与瓦斯突出预测领域的主要研究进展,包括支持向量机(Support Vector Machines,SVM)、人工神经网络(Artificial Neural Network, ANN)、极限学习机(Extreme Learning Machines,ELM)和集成学习(Ensemble Learning, EL)等算法的应用,以及特征选择和缺失数据填补在数据处理等方面的创新,同时也指出了目前基于机器学习的突出预测研究面临的挑战及存在的问题,例如事故与非事故样本的不平衡、数据的指标缺失和机器学习中的小样本等;最后,展望了基于机器学习的煤与瓦斯突出预测的未来发展方向,包括改进算法性能、优化特征工程和增加样本量等。随着计算机性能的提升,有望开发出更为复杂、精准的模型,以提高对突出事故的准确预测能力。