Die traditionelle Desorptionsmethode zur Bestimmung des Gasgehalts in Kohleflözen weist Probleme wie hohe Kosten, lange Zykluszeiten und Schwierigkeiten bei der regionalen Abdeckung auf, was es erschwert, die Anforderungen an eine schnelle wirtschaftliche Bewertung und Kostensenkung bei Effizienzsteigerung zu erfüllen. Daher wird eine Methode zur Vorhersage des Gasgehalts in Kohleflözen basierend auf einem verbesserten Stacking-Fusionsmodell vorgeschlagen. Diese Methode optimiert die Hyperparameter von fünf heterogenen Basismodellen – Support Vector Machine, Random Forest, Extreme Gradient Boosting, Light Gradient Boosting Machine und Multilayer Perceptron – mittels Gittersuche, integriert innovativ die Merkmale des ursprünglichen Trainingsdatensatzes und die Prognoseergebnisse der einzelnen Basismodelle gewichtend, um einen neuen Meta-Trainingsdatensatz zu erstellen, der in ein lineares Regressions-Metamodell zur sekundären Lernphase eingegeben wird, womit eine doppelte Fusion von ursprünglichen Merkmalen und Prognoseinformationen der Basismodelle erreicht wird. Das Modell wurde auf ein Kohlegasfeld im südlichen Qinshui-Becken angewandt, wobei die Ergebnisse zeigten, dass der Bestimmtheitskoeffizient des Testsatzes für das verbesserte Stacking-Fusionsmodell 0,94 erreichte, was einer Steigerung von 10,64 % bzw. 6,38 % gegenüber dem besten einzelnen Basismodell und dem Standard-Stacking-Modell entspricht; der mittlere absolute Fehler, der quadratische Mittelwertfehler und der mittlere quadratische Fehler wurden gegenüber dem Standard-Stacking-Modell um 14,3 %, 25,2 % bzw. 43,7 % reduziert. Die SHAP-Analyse (eine Methode zur Erklärung von Vorhersagen maschineller Lernmodelle) zeigte, dass die Neigungstiefe des Kohleflözes, das natürliche Potential und das natürliche Gamma die Hauptmerkmale sind, die die Gasgehaltsvorhersage beeinflussen. Die Feldanwendung zeigte eine gute Übereinstimmung zwischen den Vorhersageergebnissen und den gemessenen Werten von acht Bohrlöchern, wobei der mittlere absolute Fehler unter 0,84 m³/t lag und der mittlere relative Fehler unter 6 % gehalten wurde. Das Modell verbesserte die Genauigkeit und Zuverlässigkeit der Gasgehaltsvorhersage in Kohleflözen deutlich und bietet ein neues technisches Mittel zur Bewertung von Kohlegasreserven und zur effizienten Entwicklung.

Kohlegas;Gasgehalt;maschinelles Lernen;Stacking-Fusionsmodell;interpretierbare Analyse