由于瓦斯爆炸事故的复杂性,导致许多煤矿的事故现场巷道和相关设施严重受损,人员伤亡率极高。人证和物证被破坏使得瓦斯爆炸源位置和强度的确定极为困难,给瓦斯爆炸事故的应急救援和事故调查带来了很大难度,经验型的瓦斯爆炸源位置和强度的确定方法已不能适应当前需求。为了应急救援指挥部在科学分析论证的基础上制定救灾方案,以及为瓦斯爆炸现场的事故调查提供参考,防止同类事故的发生并保障煤矿安全生产,本文对瓦斯爆炸源的位置和强度反演进行了研究。本文由国家重点研发计划“National Key R&D Program of China”(项目编号:2016YFC0801800)资助。本文通过使用理论分析和数据驱动思想,建立了瓦斯爆炸源位置和强度反演的数学模型和黑箱模型;对适定条件和不适定条件下的反演问题进行了研究,反演过程中引入基于改进的遗传算法优化的最小二乘估计、基于改进的粒子群算法优化的BP神经网络以及改进的广义回归神经网络,基于本文进行的瓦斯爆炸实验和瓦斯爆炸数值模拟所得到的不同测点的位置数据和超压数据进行反演。基于反演所使用的数据建立了瓦斯爆炸反演数据库,并对屯兰矿瓦斯爆炸事故进行了反演方法应用。研究结果表明:(1)解决瓦斯爆炸源位置和强度反演问题的所需参数为不同测点在反演坐标系中的位置数据,以及当前位置的超压数据;适定条件下的反演问题需要两组测点的位置数据和超压数据,不适定条件下需要三组及以上的位置数据和超压数据。(2)适定条件下的反演问题,基于反演的数学模型以两组位置和超压数据为基础并使用最小二乘估计的反演精度较差,均方误差为3539.58。这是由于测点数据本身带有观测误差,反演数学模型的推导建立在模型简化的基础上,反演过程中各种系统误差互相耦合被放大,导致反演结果可靠性不强。(3)不适定条件下的反演问题,基于反演的数学模型以八组位置和超压数据为基础并使用改进的遗传算法优化的最小二乘估计进行反演。反演结果表明:改进措施较好的避免了遗传算法的“早熟现象”和“进化停滞”等问题;遗传算法的种群规模的变化对适应度函数影响较小;随着遗传算法种群规模的增加,爆炸源位置反演准确度提高,爆炸源强度反演准确度降低,但总均方误差随着种群规模的增加而降低;反演结果均方误差为445.53,反演精度较适定条件下的反演有了大幅提升,可靠性增强。(4)基于瓦斯爆炸源位置和强度反演黑箱模型以八组位置和超压数据为基础,使用基于改进的粒子群算法优化的BP神经网络的方法进行不适定条件下的反演研究。反演结果表明:改进措施较好的提升了粒子群算法的全局搜索能力,避免了粒子群算法的“早熟现象”;粒子群算法的种群规模并不是越大越好,较小的种群规模使得粒子群算法的收敛时间缩短;反演结果均方误差为6.11,反演精度较基于改进遗传算法优化的最小二乘估计的反演有了大幅提升,可靠性进一步增强。(5)基于瓦斯爆炸源位置和强度反演黑箱模型以八组位置和超压数据为基础,使用改进的广义回归神经网络方法进行不适定条件下的反演研究。反演结果表明:改进措施得到了最优训练样本输入模式和最优的扩展速度;反演结果均方误差为4.47,反演精度优于基于改进的粒子群算法优化的BP神经网络的反演方法。(6)以反演数据为基础建立了瓦斯爆炸反演数据库,根据屯兰矿瓦斯爆炸现场破坏情况以及数值模拟得到多组位置和超压数据,将基于改进的遗传算法优化的最小二乘估计、基于改进的粒子群算法优化的BP神经网络、改进的广义回归神经网络应用到屯兰矿瓦斯爆炸事故的爆炸源位置和强度反演中。反演结果显示:适用范围最广、精度最高的是基于黑箱模型的粒子群算法优化的BP神经网络反演方法;当反演数据较少时,适合使用基于数学模型的遗传算法优化的最小二乘估计反演方法;使用基于黑箱模型的广义回归神经网络反演方法,前提是需要提供与反演问题同等尺寸的反演数据样本作为黑箱模型的训练样本。本文研究工作的主要学术贡献在于,既使用了传统的理论分析建模方法,又应用了非线性科学的建模方法,涉及多学科多领域的交融,反演过程中又引入多种基于群智能算法和人工神经网络的优化算法,反演结果能够为瓦斯爆炸事故现场的应急救援和事后事故调查提供决策支持,具有较强的实用意义。