煤炭资源的开采和利用为我国经济发展做出了突出的贡献,但与此同时也带来一系列问题。目前环境问题日益严重,地表沉陷、地表水资源的循环、污染、浪费等一系列环境问题亟需解决;众所周知,煤炭开采是高危行业,其中矿井水害严重威胁着井下工人的生命安全;此外,由于过去对煤炭资源不合理的开采,导致煤炭资源大量浪费,所以合理的确定开采上限,提高煤炭资源回收率势在必行。针对上述问题,究其原因,发现导水裂隙带高度(以下简称“导高”)与之密切相关,导高值的确定对于解决上述问题意义重大。然而,导高影响因素众多,目前确定其值大多依据经验公式,但误差往往较大,直接研究其发育情况又存在众多困难。基于此,本文提出通过已采工作面导高值来研究待采工作面导高发育情况。人工神经网络模型被广泛的应用于预测类问题中,但由于收集的样本数据中往往存在冗余样本,所以直接运用人工神经网络模型预测导高值其误差往往偏大。因此,本文建立模糊聚类分析法和人工神经网络的组合模型,预测待采工作面导高值。一方面提高了人工神经网络模型中训练样本的质量,另一方面可以根据各聚类类别的特点,建立相应的双精度人工神经网络组合模型。所以,通过组合模型所得导高预测值更客观、真实。本文首先运用模糊聚类分析算法得到57例已采工作面的聚类类别,再根据顾北矿3例待采工作面(预测样本)与各聚类类别之间的隶属度确定其所属类别,从而踢除掉预测样本聚类类别中的冗余样本;然后根据各预测样本所属类别的特点,建立相应的双精度人工神经网络组合模型;最后将聚类类别数据导入各自的人工神经网络模型中,进而得到3例预测样本的导高值。经多个验证公式验证得到,组合模型所得导高值的精度较高,预测结果科学、可信。