煤炭学报

作者：张云, 童亮, 来兴平, 刘永孜, 曹胜根, 孙浩强, 杨彦斌, 何伟,

关键词：固体智能充填, XGBoost-Bayes-PSO, 充实率, 智能预测, 特征工程, 机器学习,

固体充填采煤技术可有效控制顶板下沉和解决煤炭资源浪费问题，其充实率是描述充填效果的关键参数。当前充填采煤工作面智能化水平低，缺乏对采空区充实率的精准控制方法，固体充填采煤技术作为煤矿绿色开采的重要方向之一，亟需创新理论解决上述问题。提出集成图像识别和机器学习可视化预测矸石体积，进而精准控制充实率的方法。该方法以固体充填采煤工作面为背景，搭建矸石图像数据采集和矸石掉落模拟试验平台，将矸石静态图像训练特征迁移至矸石掉落瞬态图像的特征初始化过程，并对低照度、高粉尘图像进行图像增强；利用图像识别提取矸石轮廓和特征信息，并基于SHAP(Shapley Additive Explanations)对体积影响因素进行重要性分析，筛选出矸石周长、面积、外接矩形面积、外接圆面积、外接矩形宽度和圆形度等6个关键特征；选取极致梯度提升(XGBoost)算法构建矸石体积与其特征之间的映射关系，并联合使用贝叶斯算法(Bayes)和粒子群算法(PSO)寻找模型最优解，构建XGBoost-Bayes-PSO矸石体积可视化预测模型，其决定系数为0.876 13，均方根误差和平均绝对误差分别为0.029 85和0.021 28，相比其他模型具有更优的预测性能。为分析矸石粒径对充填效果的影响，比较不同矸石粒径下图像预测准确率，并建立FLAC-PFC耦合计算模型，探究不同矸石粒径对覆岩运移的规律。结果表明，预测准确率随矸石粒径增大逐渐增大，最高提升幅度达12.7%；随着矸石粒径增大，充填采场支承应力峰值逐渐增大，充实率逐渐降低，综合考虑固体充填开采现场经验、设备关键参数，以及矸石粒径与模型预测精度的关系，最终确定在工程设计时选择粒径40～55 mm的矸石进行充填。进一步，通过结合实际充填采煤工作面提出了一套工程设计方法，通过监测系统对采空区矸石充入体积进行实时监测，根据所需充实率来确定矸石的充入体积，以确保充实率达到设计要求。研究成果为提高固体充填采煤工作面智能化、无人化程度提供了理论支撑，推动了智能化绿色矿山的建设进程。

来源：2026年第3期

《煤炭学报》期刊编辑部

查看煤炭学报杂志2026年第3期