任海峰，严由吉，吴青海

(西安科技大学 安全科学与工程学院，陕西 西安 710054)

为了有效防止瓦斯事故的发生，煤矿瓦斯涌出量的准确预测对安全管理有十分重要的作用[1]。传统的瓦斯涌出量预测方法有矿山统计法、分源预测法等[2]。由于煤层地质条件和自然因素的差异，传统的瓦斯涌出量预测法在实际应用上存在一定的局限性。国内外学者在传统预测方法的基础上不断进行优化，如徐刚等[3]提出了基于因子分析法与BP神经网络的工作面瓦斯涌出量预测方法。于健等[4]提出了以核熵成分分析与粒子群支持向量机相结合的预测模型。李振兴等[5]采用BP神经网络来实现瓦斯涌出量的预测，通过对预测模型的训练及仿真，对BP算法进行了改进优化。温廷新等[6]建立了基于PSOBP-AdaBoost 算法的瓦斯涌出量分源预测模型。谢国民等[7]提出一种多元混沌时间序列的加权极端学习机瓦斯涌出量预测模型。P.Booth等[8]研究了瓦斯排放预测局限性的改进方法，提高了瓦斯涌出量预测的精度。M.Borowski等[9]基于多层感知网络MLP建立瓦斯涌出量预测模型并对煤矿瓦斯涌出量进行预测。WANG Yan等[10]提出采用灰色系统建模预测瓦斯涌出量。

以上研究在一定程度上提高了预测精度，但瓦斯涌出量具有影响因素多、非线性等特征，且影响因素之间存在多重相关性，会增加预测模型的复杂性，这就导致不同地质条件下瓦斯涌出量预测结果的准确性和预测精度的提高受到了一定的限制。

为了更加精确和高效地预测瓦斯涌出量，在分源预测的理论基础上，采用主成分分析法，在保留原始变量主要信息的基础上对各涌出源的瓦斯涌出量影响因素进行降维；……