在厚及特厚煤層高效安全開采領域，長壁綜采放頂煤技術扮演著至關重要的角色。其智能化升級的核心——智能放煤，依賴于對放出煤矸混合物中矸石含量的實時精準監控。近年來，基于計算機視覺的圖像識別技術因其速度快、可定量化等優勢，在此領域取得了顯著進展，能夠精準識別堆積在刮板輸送機上煤矸混合物的表面矸石含量。然而，一個關鍵而常常被忽略的現實是，攝像頭捕捉到的僅僅是堆積體的表面投影信息。在實際的采出物中，矸石的分布不僅在表面，更隱藏在物料內部。這就引出了一個亟待解決的難題：表面識別出的矸石含量與真實的三維體積或質量占比（即巖石混合比(Rock Mixed Ratio, RMR)）之間，究竟存在多大差異？目前，這種差異的規律并不清晰，導致許多研究和現場實踐直接利用二維表面估計值作為判斷放煤口開閉等操作的控制閾值，可能帶來不可忽視的誤差。

為了探究這一“表里不一”的謎題，并尋求從表面預知內部含量的方法，中國礦業大學（北京）能源與礦業工程學院的研究團隊，在《Computational Particle Mechanics》期刊上發表了一項題為《Analysis and experimental prediction of surface-internal gangue content differences in coal-gangue accumulations under intelligent longwall top coal caving》的研究。他們聚焦于放煤及運輸過程中堆積在刮板輸送機上的煤矸混合體，深入分析了表面與內部矸石含量之間的差異規律及其影響因素，并構建了精準的預測模型。

研究人員主要采用了以下關鍵技術方法開展研究：

首先，基于中國神東礦區某煤礦的地質與開采參數，利用三維顆粒流（Particle Flow Code, PFC^3D）軟件構建了高度還原放煤與運輸過程的數值模型。他們將煤和矸石簡化為球形顆粒，并建立了包含五個液壓支架的模擬工作面，以研究單口放煤過程。其次，設計了系統的數值實驗方案，系統地改變了采高(H_m)、頂煤厚度(H_t)、煤層傾角(θ)、刮板輸送機速度(v)以及煤與矸石塊度(β_c, β_g)等五個關鍵參數，共實施了11組對照實驗。最后，利用OpenCV庫對數值模擬生成的堆積體表面圖像進行處理，計算投影面積占比作為表面矸石含量(M_{s)；同時基于顆粒體積直接計算內部體積占比作為內部矸石含量(Mi)，從而獲得121組成對的有效數據，用于后續分析。}

研究得出了一系列重要結果：

研究表明，在單口放煤條件下，煤矸堆積體的內部矸石含量(M_{i)與表面矸石含量(Ms)之間存在明顯的線性關系：Mi = k * Ms，其中k被定義為“差異系數”。分析發現：}

為了量化各參數對差異系數k影響的相對重要性，研究者進行了敏感性分析。結果表明：

為了將多因素（H_m、H_t、θ、v、β和M_s）綜合起來，實現對內部矸石含量(M_{i)的統一、定量預測，研究人員構建了梯度提升回歸樹（Gradient Boosted Regression Trees, GBRT）機器學習模型。他們將121組數據劃分為訓練集和測試集，將上述六個參數作為特征輸入，Mi作為預測標簽。模型訓練和調優后，與其他回歸模型（如Lasso、支持向量機(SVR)、彈性網絡(Elastic Net)和決策樹(Decision Tree)）進行了對比。評估結果顯示，GBRT模型在測試集上取得了最優異的性能：其平均絕對誤差(MAE)和均方誤差(MSE)最�。ǚ謩e為0.0125和0.0020），決定系數(R²)最接近1（達到0.9681），表明該模型能夠以極高的精度從表面含量及工況參數預測出內部矸石含量。}

該研究的結論與討論部分系統總結了以上發現，并強調了其重要意義。首先，研究通過PFC^3D數值模擬，成功獲取了不同地質與開采參數下煤矸堆積體的表面與內部含量數據，揭示了二者之間存在線性關系，并明確了差異系數的變化規律。其次，通過敏感性分析，識別出了影響內外差異的三個關鍵主導因素：采高、煤矸石塊度和刮板輸送機速度。最后，也是最具應用價值的一點，研究建立了基于GBRT算法的內部矸石含量預測模型。該模型能夠綜合多種復雜的地質和開采條件參數，僅通過易于獲取的表面矸石含量，即可實現對難以直接測量的內部含量的高精度預測。這項研究打破了單純依賴表面圖像信息的局限，為智能化放頂煤提供了更準確、更接近三維真實情況的核心數據輸入。它使得放煤控制閾值（如關閉放煤口的矸石含量臨界值）的設置可以建立在更可靠的內部RMR基礎上，從而有望顯著提升智能放煤系統的控制精度、煤炭回收率和開采效率，推動綜放開采朝著真正“精細化”和“智能化”的方向邁出關鍵一步。