基于BO‑RFR模型与SHAP分析的导水裂隙带高度预测研究

为什么煤矿上方的裂缝很重要

在地下深处，采煤持续改变着上方的岩层结构。当这些岩层的破裂穿透到含水层时，地下水会突入矿井，威胁到工人、安全设备以及周边生态系统。本研究提出了一个具有生死攸关意义的实用问题：这些导水裂隙带能长到多高？我们能否足够可靠地预测其高度，从而在含水岩层下安全采矿？

地下水的隐蔽通道

当煤层被开采后，上覆巷顶会发生弯曲、下沉并最终破裂。由此形成了一个垂直的破碎与裂隙带，称为导水裂隙带。如果该裂隙带延伸至上覆含水层，裂隙就可能成为水涌入矿井的隐蔽通道。中国严重依赖煤炭，且面临多样的地质条件：中东部地区煤系多属古老的石炭—二叠纪地层，埋深大且力学强度高；西部地区多为较年轻的侏罗纪地层，埋伏较浅且力学较弱。正是这些差异导致相同的采煤活动在不同地区产生截然不同的裂隙高度。

从经验法到数据驱动的预测

几十年来，工程师通常用简单经验公式或数值模拟来估算裂隙高度。这些方法往往只关注单一因素（如采高），忽略其他重要影响，同时难以适应复杂多变的地质条件。本研究汇集了来自代表性矿区的258组实测裂隙高度：东部古老煤田147组、西部年轻煤田111组。对每个样点，记录了采矿规划者熟悉的五个可获取变量：开采厚度（采高）、煤层埋深、工作面长度、上部含有的硬岩比例（强岩比）以及采用的采矿方法。

教一片算法森林“读”懂岩层

为了解释这些混合且不完美的数据，研究团队采用了一种称为随机森林回归的机器学习方法——将多棵决策树组合为一个稳健的预测器。随后使用贝叶斯优化（一种高效的搜索策略）自动调优模型的内部参数，以便在样本相对较少的情况下仍能获得良好性能。该BO‑RFR模型分别在东部和西部煤田上训练，并在未见数据上严格测试与交叉验证，包括来自额外矿井的“盲样”。在所有测试中，经优化的模型比传统公式和若干其他先进算法更准确地预测了裂隙高度，捕捉到了地质与采矿设计相互作用的复杂非线性关系。

解析哪些因素最重要

再强大的模型也只有在工程师能理解并信任的情况下才有价值。为了解开“黑箱”，作者使用了现代可解释性工具SHAP，它能够估计每个输入因子在每个样例中将预测值推高或压低的程度。分析显示，无论在古老岩层还是年轻岩层中，都有一个主导因素：采高是决定裂隙带高度的最强驱动因子。但第二重要的因素在不同地区有所转换。在古老且更坚硬的石炭—二叠纪地层中，强岩比紧随采高之后，反映出厚且刚性的岩层在维持岩体完整性方面的关键作用；而在年轻且更柔软的侏罗纪地层中，埋深的重要性更高，表明裂隙发育更与总体覆岩重量与应力相关，而非单一强层的存在。

将洞见转化为更安全的采矿

通过整合现场数据、精心调优的机器学习模型以及透明的解释方法，本研究为矿井规划提供了切实可行的路线图。在中国东部那些古老、硬岩的煤田，安全设计应侧重于识别与评估关键强层并限制其下方的采高。在西部较软的侏罗纪盆地，工程师则应更关注与埋深相关的应力与大规模不稳定塌陷风险，将采高与埋深作为联合作用的控制因素。总体而言，该工作表明可解释的先进算法可以将行业从一刀切的经验规则推进到基于证据、因地制宜的策略，从而更好地保护矿工与水资源安全。

引用: Qiu, M., Wen, Y., Teng, C. et al. Research on the predicted height of water-conducting fracture zones based on the BO-RFR model and SHAP analysis. Sci Rep 16, 7230 (2026). https://doi.org/10.1038/s41598-026-38043-3

关键词: 煤矿安全, 地下水灾害, 岩石裂隙, 机器学习模型, 中国煤田