随着机器学习与数据挖掘技术的不断发展,大数据处理技术逐渐在各行各业中扮演着驱动性的角色,对企业传统的经营管理模式产生了巨大的冲击与变革。在煤矿开采领域,由于煤矿自身信息化建设水平的局限性,起步较晚。瓦斯浓度监测基本上实现了瓦斯数据的采集、汇总、储存与共享阶段,但在数据的深层次挖掘研究方面相对滞后。如果有效利用瓦斯监测数据库中这些具有较强关联特征的数据,结合同一时段内采掘工作面的采煤量、风流速度、瓦斯抽采量、工作面推进速度等相关影响因素,利用支持向量机回归与分类预测技术,挖掘出这些因素间隐藏的内在联系,以及这些因素共同对回采工作面、掘进工作面、回风巷等瓦斯事故高发区域瓦斯浓度的影响。从而可以将这些规律应用到矿井瓦斯浓度异常分析、瓦斯事故风险预测等方面,为矿井的安全决策、风险预评估、瓦斯事故的预防提供参考意义。本文在研究过程中,主要完成了以下几个方面工作:(1)研究了支持向量机的非线性预测理论,并分析了该理论在矿井瓦斯事故风险预测方面的优越性,为后续的研究工作提供理论基础。(2)通过对瓦斯易积聚区域内瓦斯浓度影响因素的分析,并结合相关区域瓦斯浓度监测数据形成了瓦斯浓度预测的样本数据,基于非线性支持向量机回归预测理论建立了瓦斯浓度的SVR预测模型。(3)通过对矿井瓦斯事故危险源的分析研究,结合瓦斯浓度预测结果,建立瓦斯事故风险预测体系,利用模糊综合评估法对瓦斯事故风险进行分级,并基于非线性支持向量机分类预测理论建立瓦斯事故风险的SVC预测模型。(4)以潞安集团高河矿收集的相关资料为基础,形成预测样本,利用前文建立的瓦斯浓度与瓦斯事故风险预测模型对该矿回采工作面、掘进工作面、回采面沿空留巷的瓦斯浓度与瓦斯事故风险进行预测。