随着我国煤矿开采逐渐进入深部区域，煤岩瓦斯复合动力灾害日益严重，对煤矿的安全生产造成极大威胁。基于某矿现场数据，采用智能预测手段对煤岩瓦斯复合动力灾害进行研究。首先，依据大数据处理流程，应用箱型图分析法(Box-plot)与多重插补法(MI)进行数据清洗，结合灰色关联度分析法(GRA)建立煤岩瓦斯复合动力灾害指标体系；然后应用主成分分析法(PCA)进行数据降维，结合深度学习中的卷积神经网络(CNN)建立基于BMGP-CNN的煤岩瓦斯复合动力灾害预测模型；运用现场案例数据将此模型与BP模型、随机森林(RF)模型、支持向量机(SVM)模型及人工神经网络(ANN)模型进行对比验证，发现BMGP-CNN模型预测结果的准确率最高，且该模型的收敛速度较快，能够在数秒内完成预测。研究结果对于煤岩瓦斯复合动力灾害的预测和防控具有重要意义。

国家自然科学基金(52130409,52004291)；

1 模型建立流程与方法原理
1.1 预测模型建立流程
1.2 方法原理
1.2.1 箱型图分析法(Box-plot)
1.2.2 多重插补法(MI)
1.2.3 灰色关联度分析法(GRA)
(1) 建立初始序列。
(2) 无量纲化处理。
(3) 计算关联系数。
(4) 计算灰色关联度。
1.2.4 主成分分析法(PCA)
(1) 原始指标数据的标准化采集。
(2) 构造标准化矩阵Z求相关系数矩阵R。
(3) 求解相关系数矩阵R。
(4) 转换主成分。
1.2.5 卷积神经网络(CNN)
2 建立复合动力灾害预测指标体系
2.1 数据获取与数据转换
2.1.1 数据获取
2.1.2 数据转换
2.2 基于Box-plot-MI的数据清洗
2.3 基于GRA的数据分析
3 建立复合动力灾害预测模型
3.1 PCA优化输入数据
3.1.1 提取主成分
3.1.2 计算公因子
3.2 数据格式转换
3.3 BMGP-CNN煤岩瓦斯复合动力灾害预测模型参数确定
3.3.1 卷积层参数优选
3.3.2 激活函数、池化层与Dropout概率优选
3.3.3 卷积神经网络参数确定
3.3.4 训练参数的确定
3.4 BMGP-CNN模型预测结果
3.5 模型预测结果对比
4 结 论

王凯,李康楠,杜锋等.基于CNN的煤岩瓦斯复合动力灾害预测[J].矿业科学学报,2023,8(05):613-622.DOI:10.19606/j.cnki.jmst.2023.05.003.