La méthode traditionnelle de désorption pour mesurer la teneur en gaz des couches de charbon présente des problèmes tels que des coûts élevés, des périodes longues et une couverture régionale difficile, ce qui la rend difficile à satisfaire aux besoins d'évaluation rapide de la viabilité économique et de réduction des coûts avec amélioration de l'efficacité. À cet égard, une méthode de prédiction de la teneur en gaz des couches de charbon basée sur un modèle d'intégration Stacking amélioré est proposée. Cette méthode optimise les hyperparamètres de cinq modèles de base hétérogènes : machines à vecteurs de support, forêts aléatoires, gradient boosting extrême, gradient boosting léger et perceptron multicouche par recherche en grille. Elle intègre de manière innovante les caractéristiques du jeu de données d'origine et les résultats de prédiction des modèles de base par moyenne pondérée afin de construire un nouveau méta-jeu de données, qui est ensuite entré dans un modèle méta de régression linéaire pour un apprentissage secondaire, réalisant ainsi une double fusion des caractéristiques originales et des informations des modèles de base. Le modèle appliqué au bloc de gaz de couche de charbon dans le bassin de Qinshui sud montre que le coefficient de détermination du jeu de test du modèle Stacking amélioré atteint 0,94, soit une amélioration de 10,64 % et 6,38 % par rapport au meilleur modèle de base unique et au modèle Stacking standard respectivement. L'erreur absolue moyenne, la racine carré de l'erreur quadratique moyenne et l'erreur quadratique moyenne ont diminué respectivement de 14,3 %, 25,2 % et 43,7 % par rapport au modèle Stacking standard. L'analyse interprétative SHAP (méthode pour expliquer les prédictions des modèles d'apprentissage automatique) montre que la profondeur inclinée de la couche de charbon, le potentiel naturel et le gamma naturel sont les caractéristiques principales influençant la prédiction de la teneur en gaz. L'application sur le terrain montre une bonne concordance entre les résultats prédits et les valeurs mesurées des huit puits, avec une erreur absolue moyenne inférieure à 0,84 m³/t et une erreur relative moyenne contrôlée sous 6 %. Ce modèle améliore significativement la précision et la fiabilité de la prédiction de la teneur en gaz des couches de charbon, fournissant un nouvel outil technique pour l'évaluation des ressources et le développement efficace du gaz des couches de charbon.

gaz de couche de charbon;teneur en gaz;apprentissage automatique;modèle d'intégration Stacking;analyse interprétative