降低瓦斯灾害事故发生率是煤矿安全防治工作的重中之重。由于煤与瓦斯突出机理复杂且瓦斯浓度具有非线性动力学特征,采用传统方法进行瓦斯浓度预测往往存在较大误差。神经网络在非线性、时变性系统中具有极强的拟合能力,因此,通过神经网络方法构建软测量模型进行瓦斯浓度预测,成为煤与瓦斯灾害防治的有效手段。为提高瓦斯浓度的预测效果,采用改进的鲸鱼算法(混沌LogWOA)优化回声状态网络(ESN)的方法,构建基于混沌LogWOA-ESN网络的瓦斯浓度软测量模型。主要研究内容如下:首先,为提高算法的寻优能力,提出一种基于混沌映射的对数型非线性收缩因子的混沌LogWOA算法。对传统鲸鱼算法(WOA)主要有两方面的改进:第一,采用混沌优化技术在种群初始化时进行Logistic混沌映射,使初始值分布均匀并提高解的质量。第二,针对WOA算法中的线性收缩因子,提出对数型非线性收缩因子模型以提高算法性能。通过将三角函数、指数函数、幂函数、对数函数五种非线性收缩因子模型进行实验比较,最终选出对数型收缩因子为最佳模型。将单峰函数、多峰函数及固定维度的函数作为测试函数,验证混沌LogWOA算法的优越性。其次,由于传统ESN在输出权重时可能产生病态解,导致预测效果不佳,采用混沌LogWOA算法优化其输出权重的过程,从而构建基于混沌LogWOA-ESN网络的瓦斯浓度软测量模型。采用经验模态分解算法对实际矿井瓦斯浓度数据进行去噪,采用坐标延迟法重构瓦斯浓度时间序列。模型构建的核心是采用混沌LogWOA算法优化网络输出权重求解方法,用网络误差函数代替原来的目标函数进行求解,然后将最优解作为网络输出层权值。实验结果表明,本文提出的混沌LogWOA-ESN瓦斯浓度软测量模型较其他模型在精确度方面有明显提高,验证了该模型的有效性。