李爽教授团队论文成果“融合物理信息的多通道自适应耦合预测系统研究”，通过创新性提出“瓦斯浓度时空关联异质性”理论，并构建物理信息融合的神经网络预测架构，实现了煤矿瓦斯浓度精准预测与可解释风险评估方面的重要科研突破，目前已在国际权威学术期刊《Information Fusion》上发表。该刊是中科院一区TOP期刊，影响因子15.5，在信号处理领域排名第1，在硬件与架构领域排名第1，在人工智能领域排名第3，是多源信息融合与智能预测领域最具影响力的国际顶刊之一。

一、论文信息

Research on multi-channel adaptive coupling prediction system of fusing physicalinformation for spatio-temporal correlation heterogeneity of methane concentration

融合物理信息的多通道自适应耦合预测系统研究

二、研究成果

研究构建了一套融合物理信息的多通道自适应耦合预测系统，显著提升了瓦斯浓度预测的准确性与可解释性，实现了对井下多源监测数据的动态特征提取。同时，创新性地将物理信息损失函数引入瓦斯浓度预测任务，将渗流、扩散、温度驱动等瓦斯运移机理以软约束形式嵌入神经网络，增强了模型的物理一致性与泛化能力。

该方法已在全国多个矿区实际数据中验证，预测精度显著优于传统时序模型与现有深度学习方法，在稀疏监测与跨区域迁移场景中仍保持稳健性能，为实现煤矿瓦斯灾害智能预警与本质安全提供了可靠的技术支撑。不仅推动了人工智能与矿山安全工程的深度融合，也为复杂工业场景下的时空预测问题提供了“物理+数据”双驱建模的新范式。

三、研究图示