煤炭工程

作者：张永涛,陈　文,王小军,高丁丁,杨　飞,陈　旭,高成登

单位：1.陕西彬长矿业集团有限公司大佛寺煤矿，陕西　咸阳　7120002.西安科技大学能源学院，陕西　西安　710054

为准确掌握煤层瓦斯含量及其影响因素，破解传统预测方法的局限性，本文以彬长矿区煤层瓦斯含量实测数据为基础，采用弹性网络（Elastic Net）、支持向量回归（SVR）、梯度提升决策树（GBDT）及极端梯度提升树（XGBoost）4种机器学习算法，构建煤层瓦斯含量预测模型; 同时引入SHAP可解释性算法, 验证机器学习模型的预测合理性，揭示输入特征对预测结果的影响机制，识别煤层瓦斯含量的主要影响因素。结果表明：4种预测模型中，GBDT模型的预测性能最优，其在测试集上的决定系数（R2）可达0.9956，具备良好的拟合精度与泛化能力；结合模型内置特征重要性与SHAP全局特征重要性分析发现，砂泥岩比和泥岩厚度是影响煤层瓦斯含量的核心因素，挥发分影响次之，埋深与基岩厚度的影响最小；GBDT与SHAP算法结合可有效捕捉各影响因素间的交互作用，且不同特征对预测结果的影响存在明显依赖性，其中砂泥岩比与泥岩厚度的交互作用突出，泥岩厚度与挥发分也存在明显的交互影响。基于GBDT与SHAP可解释性方法构建的煤层瓦斯含量预测模型兼具高精度与可解释性，能够有效识别瓦斯含量的关键控制因素及其交互关系，为矿井瓦斯含量精准预测与瓦斯灾害防治提供了新思路。

来源：2026年第4期

《煤炭工程》期刊编辑部

查看煤炭工程杂志2026年第4期