El método tradicional de desorción para medir el contenido de gas en capas de carbón presenta problemas como altos costos, largos ciclos y dificultad para cubrir áreas, lo que dificulta satisfacer la necesidad de evaluaciones rápidas de viabilidad económica y reducción de costos con aumento de eficiencia. Por lo tanto, se propone un método para predecir el contenido de gas en capas de carbón basado en un modelo de fusión Stacking mejorado. Este método optimiza los hiperparámetros de cinco modelos base heterogéneos: máquina de vectores de soporte, bosque aleatorio, potenciación extrema del gradiente, potenciación ligera del gradiente y perceptrón multicapa mediante búsqueda en malla, integrando de manera innovadora las características del conjunto de entrenamiento original y los resultados de predicción de cada modelo base mediante un promedio ponderado para construir un nuevo meta-conjunto de entrenamiento, que se ingresa a un modelo meta de regresión lineal para aprendizaje secundario, logrando una doble fusión de características originales e información de predicción de los modelos base. El modelo se aplicó al bloque de gas de capas de carbón del sur de la cuenca de Qinshui, y los resultados mostraron que el coeficiente de determinación del conjunto de prueba del modelo Stacking mejorado alcanzó 0.94, mejorando un 10.64% y 6.38% sobre el mejor modelo base individual y el modelo Stacking estándar respectivamente; el error absoluto medio, el error cuadrático medio de la raíz y el error cuadrático medio disminuyeron un 14.3%, 25.2% y 43.7% respectivamente en comparación con el modelo Stacking estándar. El análisis interpretable SHAP (un método para explicar las predicciones de modelos de aprendizaje automático) mostró que la profundidad inclinada de la capa de carbón, el potencial natural y la gamma natural son las características principales que influyen en la predicción del contenido de gas. La aplicación en campo mostró una buena coincidencia entre los resultados predichos y los valores medidos en ocho pozos, con un error absoluto medio inferior a 0.84 m³/t y un error relativo medio controlado dentro del 6%. Este modelo mejoró significativamente la precisión y confiabilidad de la predicción del contenido de gas en capas de carbón, proporcionando una nueva herramienta técnica para la evaluación y desarrollo eficiente de recursos de gas en capas de carbón.

gas de capas de carbón;contenido de gas;aprendizaje automático;modelo de fusión Stacking;análisis interpretable