我国矿井瓦斯涌出量预测技术研究进展及发展方向

秦玉金，苏伟伟，姜文忠,3，陈煜朋,3

（1.煤科集团沈阳研究院有限公司，辽宁 抚顺113122；2.煤矿安全技术国家重点实验室，辽宁 抚顺113122；3.煤炭科学研究总院，北京100013）

瓦斯涌出量预测是根据现场统计或实测数据，在考虑开采工艺、地质条件等客观因素前提下，采用特定模型预先计算新矿井、新水平、新采区、新工作面在投产前的瓦斯涌出量大小，为矿井、采区和工作面的通风设计、瓦斯抽采设计、瓦斯防治等提供基础数据，其预测结果的准确性较大程度决定了矿井生产安全的可靠性，也将直接影响矿井生产投资成本。经过半个多世纪发展，我国矿井瓦斯涌出量技术研究与现场开采条件紧密结合，利用多门学科交叉优势，衍生了多种多样的预测手段，极大提高了瓦斯涌出量预测水平。随着浅部煤炭资源日趋枯竭，埋深千米的煤炭储量将成为今后资源开采的重要对象，然而面对煤层瓦斯赋存条件复杂化、瓦斯复合灾害严重化、开采难度扩大化的特殊局面，准确预测深部矿井瓦斯涌出量成为技术挑战。因此，对我国矿井瓦斯涌出量预测技术发展历程、研究进展进行了系统调研，通过对比、考察和分析，总结了当前矿井瓦斯涌出量预测技术应用中存在的不足，指出了今后发展面临的关键问题，旨在进一步完善瓦斯涌出量预测技术，科学指导现场应用。

1 我国矿井瓦斯涌出量预测技术发展历程

从20 世纪50 年代初，煤科集团沈阳研究有限公司（以下简称“沈阳研究院”，前身为抚顺煤炭研究所）就开始研究矿井瓦斯涌出量预测技术，是我国最早从事相关研究的科研机构[1]，随后国内其他科研院所、高等院校和煤矿企业也相继开展了同类研究，研究历程可分为4 个阶段：

1）基于矿山统计法的瓦斯涌出量预测应用阶段（20 世纪50 年代至今）。1937 年，矿山统计法由前苏联专家李金首先提出[2]。1953 年，国内沈阳研究院首次引用矿山统计法，并成功测算了辽源矿务局中央竖井煤层瓦斯含量梯度；1959 年，淮南矿务局谢家集二矿采用矿山统计法首次预测了本矿瓦斯涌出量，指导了矿井开采设计；1959—1964 年，矿山统计法进行了广泛试验应用，在抚顺煤田、北票台吉矿、峰峰煤田、南桐煤田等矿区进行了瓦斯涌出量预测，随后逐步在全国瓦斯矿井推广应用。2006 年矿山统计法被制定为行业标准，实现了国内全面应用。

2）基于分源预测法的瓦斯涌出量预测应用阶段（20 世纪80 年代至今）。20 世纪80 年代，沈阳研究院于良臣率先研究了煤壁瓦斯涌出规律及涌出量预测方法[3]，在国家“七五”期间（1986—1990 年）提出了矿井瓦斯涌出量分源预测方法，适用于新建矿井和老井水平延深的瓦斯涌出量预测[4]，实现了初步应用。国家“八五”期间（1991—1995 年），沈阳研究院基于初期构建的分源预测法，提出了构造单元预测方法，首次建立全国统一的矿井瓦斯涌出量预测方法，将预测精度提高到85%以上[5-6]。国家“九五”期间（1996—2000 年），随着开采工艺水平的提高，沈阳研究院进一步研究了高产高效采煤工作面和综掘工作面的瓦斯涌出规律，为完善瓦斯涌出量预测技术奠定了基础。国家“十五”期间（2001—2005 年），经过系统总结和分析，开展了煤矿瓦斯治理技术标准体系框架和矿井瓦斯涌出量预测筛选及适用性的研究，将分源预测法推进到实用阶段，“十一五”期间（2006—2010 年）形成AQ 1018—2006《矿井瓦斯涌出量预测方法》行业标准，实现全国范围内推广应用。

3）基于瓦斯地质数学模型法的瓦斯涌出量预测应用阶段（20 世纪90 年代至今）。20 世纪70 年代杨力生教授在我国首创瓦斯地质学科，为瓦斯涌出量预测方法研究提供了新思路。1993 年，张子戌[7]等基于瓦斯地质学科理论提出一种新的预测方法-瓦斯地质数学模型法，也称瓦斯地质统计法，通过研究瓦斯地质规律，确定影响瓦斯涌出的主要地质因素，结合生产矿井已采地区的涌出量实测资料，建立多变量的预测模型，实现深部未采地区的瓦斯涌出量预测。1995 年，刘英学[8]先后研究了瓦斯涌出量等值线外推方法，瓦斯涌出量与煤层瓦斯含量比值作图方法，经与瓦斯地质理论相结合，形成了瓦斯地质多元分析综合类比法。2011 年，瓦斯地质统计法纳入AQT 1086—2011《煤矿矿井瓦斯地质图编制方法》行业标准，被推荐为3 种瓦斯涌出量预测方法之一[9]。

4）基于软计算技术的多种预测方法的涌现阶段（20 世纪90 年代至今）。信息科学已成为21 世纪影响人类文明进步的重要学科，该学科涉及的软计算方法是指研究对象只求近似而非精确解，模糊逻辑、人工神经网络、遗传算法、分形与混沌理论可归为软计算方法。在矿井瓦斯涌出量预测领域，过分追求预测信息和基础数据的准确性是难以实现的，随着软计算方法的引入，瓦斯涌出量预测信息转化为一种合理的数学参数成为可能，促进了灰色系统、神经网络等工具手段衍生为新的瓦斯涌出量预测方法。20 世纪80 年代，华中理工大学邓聚龙教授创立了灰色理论，1990 年至今，与之相关的软计算方法被应用到矿井瓦斯涌出量预测领域，相关技术文献大量涌现，矿井瓦斯涌出量预测-期刊学术发展趋势曲线如图1。20 世纪90 年代初，王轩[10]、周长春[11]、秦书玉[12]、章壮新[13]等学者将灰色理论应用到了矿井瓦斯涌出量预测领域。20 世纪90 年代末，朱川曲[14]、施式亮[15]等学者将神经网络理论运用到瓦斯涌出量的预测模型中。随后更多学者根据不同算法又衍生出多种预测模型，并通过采集矿井监控系统监测的动态数据初步实现了矿井瓦斯涌出量的动态预测[16]。

2 矿井瓦斯涌出预测技术研究进展

图1 矿井瓦斯涌出量预测-期刊学术发展趋势曲线（数据来自于中国知网数据库）Fig.1 Academic development trend curve of periodicals on mine gas emission forecast（data from CNKI）

我国矿井瓦斯涌出量预测技术类型大致可分为4 类：第1 类是以煤层瓦斯含量为基础参数，通过确定井下瓦斯涌出来源，计算每个来源的瓦斯涌出量，经汇总得到整个矿井或某采区的瓦斯涌出总量，如：分源预测法；第2 类是依据瓦斯涌出量、瓦斯地质、开采条件等量化数据，利用数理统计理论建立瓦斯涌出量预测模型和方法，如：矿山统计法、瓦斯地质数学模型法；第3 类是利用信息科学的软计算方法处理瓦斯涌出量、地质参数等预测数据，建立预测模型，如：灰色预测法、神经网络预测；第4类是以前3 类单一预测方法为基础，构建形成多种组合预测方法，如：GM（1,1）线性回归、GM（1,N）神经网络、灰色-分源、改进层次分析、可变模糊、模糊灰色系统、灰色-马尔柯夫、主成分分析和逐步回归分析等组合预测模型。

2.1 分源预测法

分源预测法针对矿井、采区、回采面和掘进工作面等不同地点的瓦斯涌出规律，以煤层瓦斯含量、煤层开采技术条件为基础，计算相应地点的瓦斯涌出量，适用于新建矿井、生产水平延深、设计新采区及采掘工作面的瓦斯涌出量预测，该方法已被列入AQ 1018—2006《矿井瓦斯涌出量预测方法》进行推广应用。矿井瓦斯涌出构成关系如图2。

图2 矿井瓦斯涌出构成关系图Fig.2 Composition diagram of mine gas emission

在传统分源预测方法的基础上，许多学者采用新技术手段拓展了不同应用条件下的预测方法。李晓华等[17]采用瓦斯地质分析方法和GIS 空间分析技术，实现矿井瓦斯地质动态分析，同时结合工作面瓦斯抽采动态信息，采用分源预测方法将工作面前方煤体瓦斯涌出量动态预测可视化。张伟等[18]以石泉煤矿高产高效工作面为例，研究了工作面回采推进速度和与瓦斯涌出量之间的规律，提出了动态分源预测法数学模型，效果检验表明，动态分源预测精度明显高于传统分源预测精度。张运法等[19]从整个矿井生产历史出发，运用煤成气地质理论，建立了井田勘探阶段的瓦斯涌出量分源预测方法。邸志强等[20]提出了多源信息融合理论技术，将瓦斯相关数据进行有效融合，构建相同开采技术条件下煤层瓦斯含量与瓦斯涌出量计算模型，动态预测矿井瓦斯涌出量。

2.2 矿山统计法

研究普遍认为，当煤层瓦斯赋存自然条件和开采技术工艺变化不大时，所处甲烷带内煤层相对瓦斯涌出量与开采深度为线性关系：

式中：q 为预测深度H 下的瓦斯涌出量，m3/t；qt为瓦斯风化下限深度H0下的瓦斯涌出量，m3/t；α 为相对瓦斯涌出量梯度，m/（m3·t-1）；H 为预测开采深度，m；H0为瓦斯风化带深度，m。

利用线性梯度可预测延伸水平或相邻矿井未采区域的瓦斯涌出量。式（1）中相对瓦斯涌出量梯度α的物理意义指相对瓦斯涌出量每增加1 m3/t 时，开采深度增加的平均值。其大小取决于煤层倾角、煤层和围岩的透气性等因素，由已采地区深度、瓦斯涌出量等开采资料而确定。目前，该方法已被列入AQ 1018—2006《矿井瓦斯涌出量预测方法》中国安全生产行业标准[21]。

2.3 瓦斯地质数学模型法

瓦斯地质数学模型法是以瓦斯地质学科为基础理论，研究和确定影响瓦斯涌出强度的主控因素，从而建立预测瓦斯涌出量的多变量数学模型，实现矿井未采区域的瓦斯涌出量预测。该方法充分考虑了矿井真实的开采条件，能融合3～6 个不同的地质因素，具有1 个矿井1 个预测模型匹配优势。

瓦斯地质数学模型法由张子戌教授首次提出，之后许多学者又进行了探索和应用，推动瓦斯地质数学模型法发展。郎咸民[22]融合了基岩厚度、构造煤厚度、煤间距、挥发分4 个影响因素，采用最小二乘法原理建立了瓦斯涌出量预测数学地质模型，预测精度达到现场生产要求。张子戌等[23]综合考虑地质条件、开采深度等多种影响因素，采用数量化理论作为建模工具，建立了包括煤层底板标高、顶板砂岩比、煤层厚度、地质构造等4 个指标的瓦斯地质数学模型。王生全[24]采用逐步回归方法综合分析南桥煤矿瓦斯地质因素，建立了多因素影响的瓦斯涌出量预测模型。

2.4 灰色预测方法

灰色系统介于信息完整的白色系统和一无所知的黑色系统之间，囊括了已知的、未知的和非确知的数据信息。针对矿井瓦斯动态涌出影响因素的动态、模糊等特性，灰色理论借助无信息盲区优势可以直观反映外延明确、内涵模糊的瓦斯涌出规律。灰色预测模型是以传统灰色GM（1，1）模型和MGM（1，N）模型为基础演化的，瓦斯涌出量灰色预测模型是对传统灰色模型实行的改进优化。刘新喜等[25]应用灰色系统理论GM（1，1）模型，建立了不同开采强度下瓦斯涌出量预测模型。余永强等[26]基于灰色系统理论建立瓦斯涌出量预测模型GM（1，1），根据地质条件特征对平顶山一矿戊煤层进行预测单元划分，实现了地质单元内的瓦斯涌出量预测。吕贵春等[27]利用不同采深的瓦斯涌出量原始数据，建立矿井瓦斯涌出量的动态预测GM（1，1）模型。伍爱友等[28]应用灰色系统理论建立矿井瓦斯涌出量GM（1，1）模型。刘超儒等[29]在建立的矿井瓦斯动态涌出GM（1，1）模型基础上，采用残差GM（1，1）模型对预测结果误差进行校验，实测结果表明，模型预测精度能反映延伸水平的瓦斯涌出真实情况。赵建会等[30]运用灰色预测理论，分析了回采工作面瓦斯涌出量的关键影响因素，建立了工作面瓦斯涌出量GM（1，1）预测模型。熊祖强等[31]利用无偏灰色GM（1，1）模型代替传统灰色GM（1，1）模型，建立动态无偏灰色马尔科夫模型，不但能够消除传统灰色GM（1，1）模型自身的固有偏差，而且能提高预测精度。陈延可等[32]采取增加新信息与去掉旧信息同时进行的方式建模，建立了等维新息GM（1，1）模型，既能反映瓦斯涌出量随时间推移的动态变化情况，又能反映受未来各种因素干扰后矿井瓦斯涌出量的最新变化趋势，可实时预测和监控工作面瓦斯浓度变化。肖鹏等[33]建立矿井瓦斯涌出量MGM（1，N）预测模型，模型涵盖了产量、瓦斯抽放量、支撑力、瓦斯涌出量等影响因素，预测精度大幅提高。

2.5 神经网络预测法

神经网络预测法适用于预测矿井生产阶段未采区或工作面的瓦斯涌出量。神经网络本身具备样本学习能力，实际使用时无需假设影响因素与瓦斯涌出量的关系，只须将实际数据提交给网络模型实施训练，就能以任何精度逼近真实值。神经网络预测模型直击了瓦斯涌出量与影响因素之间复杂的非线性关系，化繁为简，建立矿井瓦斯涌出量Y 与影响因素Xn之间的函数关系，Y=（X1，X2，…，Xn），矿井瓦斯涌出量神经网络预测模型如图3。

图3 矿井瓦斯涌出量神经网络预测模型（Wij 模型代表）Fig.3 Neural network prediction model of mine gas emission

近年来，随计算机科学和信息科学的不断发展，瓦斯涌出量神经网络预测模型不断自我修正，自身的合理性和科学性逐步提升，预测精度越来越高。徐刚等[34]为了解决因工作面影响瓦斯涌出因素繁多而无法筛选的难题，采用因子分析法降维处理了矿井瓦斯涌出量影响因素，使错综复杂的变量关系转变为3 个主因子之间的线性组合关系，从而建立BP神经网络预测模型，现场预测结果与实测结果相对误差均在5%以下，稳定性较好。李杰等[35]以改进的万有引力搜索方法实施神经网络隐含层节点数寻优，计算瓦斯涌出相关系数，筛选主要影响因素，建立了IGSA-ELM 神经网络预测模型，相比传统神经网络预测模型，预测精度提高31%以上。魏林等[36]为了改进Elman 模型的递归部分，引用Lyapunov 稳定性原理，将煤层瓦斯含量、煤层深度、煤层厚度、煤层倾角、开采高度、工作面长度、回采速度、回采率、邻近层瓦斯含量、邻近层厚度、煤层间距、开采强度和层间岩性等16 个变量节点连通，建立隐层递归反馈（HRF）Elman 预测模型，利用矿井监测数据检验预测模型，相比传统的Elman 模型，预测精度和效率均有大幅提升。付华等[37]采用蚁群聚类算法计算获取最优的Elman 神经网络权值和阈值，消除了Elman 神经网络算法学习速度缓慢、精度低、鲁棒性差等缺陷，完成了瓦斯涌出量和影响因素之间的非线性逼近，最终提出了ACC－ENN 绝对瓦斯涌出量预测模型，实现了动态预测目标。付华等[38]又提出猫群算法（CSO）优化相关支持向量机（RVM），融合多特征空间信息，解决了有限样本、高维数瓦斯涌出量建模难题。魏引尚等[39]结合煤矿工作面瓦斯涌出量实时监测数据，运用Monet Carlo 方法研究数据内部蕴含规律，实现待采区域的瓦斯涌出量预测。薛鹏骞等[40]将小波分析和神经网络理论有机结合，利用非线性小波函数取代人工神经网络激发函数，建立了小波神经网络模型，解决了影响瓦斯涌出量因素的复杂非线性问题，模型能够输入深度、厚度、瓦斯含量、煤层间距、日进度、日产量等6 个变量节点。徐威等[41]有机结合灰色理论和遗传神经网络，利用遗传算法输入埋藏深度、厚度、瓦斯含量、地质构造、火成岩、顶底板岩性等6 个变量节点，优化了隐含层神经元个数和网络中的连接权值。杨智懿等[42]结合BP 神经网络原理，采用matlab 语言，建立了以埋藏深度、厚度、瓦斯含量、工作面平均日进度、工作面平均日产量共5 个输入层节点为基础结构的神经网络预测模型。周革忠等[43]采用BP 人工神经网络模型和算法，成功引入采深、瓦斯含量、煤层间距、工作面日产量、煤层厚度、落煤方式、工作面推进速度、循环方式、倾角等9 个变量节点，准确求解了瓦斯涌出量与煤层赋存条件、开采条件的非线性模型函数，实现不同开采条件下的瓦斯涌出量预测。魏引尚等[44]结合现场实际开采条件，构建以BP 神经网络为基础理论的预测模型，把影响瓦斯涌出量的埋深、煤厚、瓦斯含量、煤层与邻近煤层距离、推进距离、工作面产量等6 个因素作为变量节点融入模型之中，提高了工作面瓦斯涌出量预测精度。王生全等[45]通过分析陈家山煤矿综采工作面瓦斯涌出量影响因素，定量筛选埋藏深度、瓦斯含量、工作面推进度、煤层顶板采动影响带范围含油气砂岩厚度、煤层顶板采动影响带范围砂岩层含油强度等5 个主控因素，建立了BP 神经网络预测模型，有效消除了人为主观分析带来的误差。刘玉静等[46]将埋藏深度、日产量、瓦斯含量、厚度、煤层间距和日进尺等6 个变量节点输入人工神经网络预测瓦斯涌出量模型，采用Levenberg-Marquardt 近似算法进行神经网络训练，反映出模型收敛速度快和预测精度高的优点。

从神经网络模型预测瓦斯涌出量发展现状看出，神经网络预测模型能够根据矿井实际开采情况，有效融合多种信息学科理论，灵活的选择和输入不同条件下瓦斯涌出量主控因素，且输入变量层数无上限要求，收敛算法优势突出，建立的预测模型解决了瓦斯涌出量和影响因素非线性关系存在的算法难题，实现了矿井未采区域在不同开采时期和不同开采条件下的瓦斯涌出量预测。

2.6 组合预测法

为消除单一预测模型计算对象偶然性以及防止有效预测信息丢失，许多学者针对不同需求进行了不同预测方法组合，形成了各类组合预测模型。刘军等[47]吸收GM（1，N）模型和神经网络模型的双重优势，构建组合模型应用于矿井瓦斯涌出量预测，较单一模型的预测精度，组合预测精度有大幅提高。魏春荣等[48]系统分析灰色理论模型和分源预测法预测瓦斯涌出量的优缺点，将两者优势结合，充分发挥了灰色理论预测的长期性和分源预测的准确性，形成了灰色-分源预测的组合模型，实现矿井相对瓦斯涌出量预测。田水承等[49]从稳定性、数据利用和适用时间3 个方面，加权组合指数预测、双曲线预测和灰色预测3 种传统预测方法，形成了一种基于改进层次分析法的组合预测方法，并在现场进行了预测及效果检验，取得了较好的应用效果。黄为勇等[50]引用支持向量机（SVM）的应用结构化风险最小化准则和全局逼近任意非线性函数特性，通过样本学习和平均绝对百分比误差最小原则，确定预测模型输入参数，采用非线性组合处理双曲线回归、指数回归和灰色预测方法获得的3 种不同单项预测数据，建立了一种多输入单输出的瓦斯涌出量预测非线性组合模型，预测结果的平均绝对误差仅为6.92%，均方根误差为0.93 m3/t，预测精度明显高于单一模型预测精度。施式亮等[51]将灰色预测模型GM（1，1）和线性回归耦合应用，建立了瓦斯涌出量组合预测新方法，具有模型简单、原始数据少、预测精度高等优点，预测精度能够满足矿井生产需求。罗景峰等[52]基于粗糙集理论，分析确定了煤层埋深、厚度、瓦斯含量、平均日进度和日产量等瓦斯涌出量影响因素的权重初值和重要性，将可变模糊聚类和可变模糊模式识别2 种模型组合，并求解最优模糊分类中心矩阵和最优权重，最终利用模式识别模型对待预测样本进行预测。题正义等[53]建立了模糊-灰色系统瓦斯涌出量预测模型，将时间序列和开采量、开采深度、推进速度、周期来压、地质构造、温度、大气压一并纳入瓦斯涌出量影响因素，丰富了组合模型的基本参数。龙祖根[54]、张兆瑞等[55]兼具灰色预测和马尔柯夫转移概率矩阵预测的2 大优点，均提出建立了灰色马尔柯夫预测模型。孙建华等[56]充分吸收主成分分析和逐步回归分析方法的优点，建立了两者分析方法相结合的瓦斯涌出量回归预测模型，预测精度明显高于一元或多元回归预测结果。李超群[57]等基于支持向量机和模型树在回归分析方面的优越性能，建立了支持向量机和模型树组合回归的瓦斯涌出量预测模型。付华等[58]针对训练样本有限和样本点分散的问题，经先聚类、再分类建模和预测处理，形成了自组织特征映射神经网络（SOM）与多变量的径向基函数（RBF）组合的人工神经网络动态预测模型。

组合模型搭配方式多种多样，形成了灰色预测-统计回归模型、灰色预测-神经网络模型、灰色预测-分源预测模型、灰色预测模型-马尔柯夫预测模型等组合，其组合本质兼具了单一模型的优点，并克服了单一模型预测存在的不足，提高了单一模型预测精度。

3 存在不足

经调研可知，当前常用的瓦斯涌出量预测技术表现出明显的局限性和不适用性，经系统调研和分析，指出以下不足之处。

中国安全生产行业标准AQ 1018—2006《矿井瓦斯涌出量预测方法》[21]，因引用文献及排版错误，文中存在3 处明显错误：

1）瓦斯涌出量梯度α 是指相对瓦斯涌出量与开采深度的变化关系，行业标准中（5.2.3）列出的计算公式（式（2））错误，多个文献均指出并进行了推导[59]，更正后见式（3）。

式中：α 为相对瓦斯涌出量梯度，m/（m3·t-1）；Hi为第i 个水平的开采深度，m；qi为第i 个水平的相对瓦斯涌出量，m3/t；n 为统计的开采水平数。

2）附录B 中B.2 煤壁初始瓦斯涌出强度计算公式（式（4））排版错误，更正后见式（5）：

式中：q0为巷道煤壁瓦斯涌出初速度，m3/（m2·min）；Vdaf为煤中挥发分含量，%；W0为煤层原始瓦斯含量，m3/t。

3）附录C 中C.1 中煤的残存瓦斯含量公式（式（6））排版错误，更正后见式（7）：

式中:Wc为煤层残存瓦斯含量，m3/t。

分源预测法以煤层瓦斯含量作为瓦斯涌出量预测的基础数据，无需借用邻近矿井瓦斯涌出数据就能够预测本矿井的瓦斯涌出量，该优点是其他方法无法比拟的。由于分源预测法中的计算参数取值是统计规律得到的结果，不能完全适应所有开采环境，对一些特殊条件可能因取值不准确造成预测结果误差较大[6]。回采工作面瓦斯涌出量预测未考虑回采工作面巷道布置及通风方式，煤层瓦斯含量取值没有考虑煤层瓦斯抽采量与风排瓦斯量之间的关系、瓦斯抽采前预测和预抽后预测之间的关系[60]。

矿山统计法预测的矿井垂直深度范围为100～200 m，走向范围不超过600 m，只能适用于同一煤层自然赋存条件和相近开采技术水平，预测精度取决于矿井原始统计数据精度和预测区的地质、采矿条件[61]。现场应用需要2 个及以上开采水平的瓦斯涌出数据，要求未采区和已采取具有相同或类似的开采顺序、采煤方法、瓦斯地质等开采条件。

分源预测法、矿山统计法和瓦斯地质数学模型法仅能实现静态预测，预测对象存在以点代面、以偏概全的问题，预测结果仅能反映回采期间瓦斯涌出量的平均值，不能呈现瓦斯动态涌出规律，预测方式和结果的针对性、时效性、可靠性较差。瓦斯地质数学模型法虽然作为行业标准推荐的涌出量预测方法之一，但由于影响指标和参数都需要依据每一个煤矿的实际情况来确定，不利于煤矿现场推广应用。

灰色预测法、神经网络预测法以及组合预测法均具备短期或中长期动态预测能力，预测精度较高，而目前研究仅停留在学术方面，没有运用到实际生产中。另外，基于多影响因素构建的预测模型，存在建模与求解的困难。

4 研究展望

在5G 技术快速发展的新时代背景下，矿山机械化、智能化水平正朝着无人化开采目标加速前进，矿井瓦斯涌出量预测技术作为矿山安全生采技术体系的重要组成部分，其研究现状和应用发展逐渐暴露诸多不足，为了适应大型机械化和高端智能化的开采条件，瓦斯涌出量预测技术研究可从以下3 个方面进一步开展技术攻关：

1）完善分源预测参数科学选值。针对部分参数的取值具有随意性，预测结果具有不确定性的问题，在加大研究各种参数科学合理取值同时，可以建立自适应分源预测模型，利用人工智能及机器自学习能力，通过不断修正分源预测模型法中的各种参数，最终确定各个矿井的科学合理的参数取值，从而提高预测精度。

2）推进瓦斯地质模型预测技术模块化、集成化。瓦斯地质模型预测最大的优势是充分考虑了影响瓦斯涌出量变化的主要地质因素，尤其在编制矿井瓦斯地质图时更能直观反映出瓦斯地质对瓦斯涌出量的影响，只有开发出矿井瓦斯地质图自动编制系统，并将瓦斯地质数学预测模型模块化、集成化、可视化，实现人机交互，解决煤矿技术人员自己建模的难题，才能达到实用目的。

3）组建信息化高端融合模型。将灰色预测模型、神经网络预测模型和组合预测模型与人工智能、云计算、大数据、机器人等技术深度融合，进一步挖掘矿井监控、瓦斯抽采、防突预警等系统采集的数据，建立全面感知、实时互联、分析决策、自主学习、动态预测、提前预警的智能预测系统，将动态预测和日常的采掘活动结合起来，使预测更具有针对性、时效性、可靠性，以适应现代煤矿开采智能化、无人化的需求。