煤与瓦斯突出是一种严重的煤矿动力灾害,准确进行突出预测是防治煤与瓦斯突出的关键,目前国内外用于突出预测的方法很多,但这些方法有一定的局限性,预测频繁,准确性有待提高,制约了煤矿的安全高效生产。本文针对瓦斯含量计算准确性、采样方法与装备、智能预测算法等几项关键技术进行了研究,改进了现有瓦斯含量法预测煤与瓦斯突出的含量测定精度和预测效果。对6次煤与瓦斯突出事故实例的能量进行了计算,分别对煤体弹性能、游离瓦斯内能和解吸瓦斯内能在有效潜能中的占比进行了分析,得到突出能量来源主要是瓦斯内能,弹性能所占比例很小,解吸瓦斯内能占比达到53.73%,瓦斯含量的大小是解吸瓦斯内能大小的直接体现。因此,将瓦斯含量作为预测突出的主要指标。突出过程中的瓦斯解吸要配合煤体结构物理力学性质等其他参数指标才能满足突出发展的能量要求,通过分析确定将瓦斯压力、孔隙率、煤层坚固性系数和瓦斯放散初速度作为突出预测的辅助指标。结合实验,对直接法测定瓦斯含量误差产生因素进行了分析,给出了降低测定误差的对策,编制了一套瓦斯含量计算软件,操作人员仅需输入相关参数即可,操作方便,软件可实现使用煤矿的数据汇总,为将来建立煤矿安全大数据提供了技术支持。为了降低煤样采集环节的瓦斯损失量,自主研制双管正压逆流采样装备,能够实现快速定点取样,同时完成了定点控制采样方法与装备的设计,并对其无线数据传输和采集仓门驱动电机两项关键技术进行了实验研究。针对煤与瓦斯突出事故数据缺失的问题,提出采用多重填补(MI)算法进行缺失数据填补,丰富事故数据集,提高机器学习算法预测的准确性。分别选用填补前和填补后的事故数据集进行预测算法学习,算法的识别率得到了提升,特别是对事故数据的识别率得到了大幅提升,验证了采用数据填补的可行性。选用随机森林(RF)算法对煤与瓦斯突出进行预测,通过与决策树(DT)、1K最近邻(KNN)、支持向量机(SVM)算法比较,得到RF的预测平均识别率最高。为了提高煤与瓦斯突出预测率,在现有数据集中优化选择数据,建立了事故识别率100%的预测模型。上述研究结论为基于瓦斯含量法的煤与瓦斯突出预测提供了技术支持。最后将研究成果在淮南矿业集团朱集煤矿11-2煤层进行了工程试验验证,应用效果良好。