随钻岩性识别是煤矿地质透明化探测的重要地质保障手段，传统的岩性识别方法主要靠人工判别，依赖经验和专业知识的积累且受主观影响。近年来涌现了智能化岩性识别方法，利用机器学习的岩性识别模型对岩性进行智能判识，常规相对单一钻进参数通过机器学习对岩性的识别准确率较人工高，但存在提升空间。基于此，本文在履带式全液压坑道钻机的基础上升级了随钻综合测量系统，开展了不同岩性组合的岩层随钻试验，建立了结合钻进参数和自然伽马的双参数岩性判别体系；针对支持向量机等传统算法存在的线性权重矩阵、需要参数量大、特征提取能力有限等弊端，将KAN网络运用到岩性智能识别。结果表明：对于KNN、SVM、DT及KAN等4种机器学习算法，利用钻进参数和自然伽马的双参数判别体系相比钻进参数或伽马参数的单参数判别法能够显著提高岩性识别的准确率；在机器学习算法方面，KAN网络相比另外3种传统机器学习方法提升了准确率，为精准识别地层岩性提供了有效方法。

0引言
1 KAN网络
2 随钻试验系统及过程
2.1试验系统
2.2试验设计
2.3试验过程
2.4试验结果分析
3机器学习岩性识别模型应用
3.1数据预处理
3.2岩性识别效果分析
4 结论

王勃,谢刘俊,陈泓云,等.基于KAN神经网络的随钻岩性识别方法[J/OL].煤炭学报,1-12[2025-01-16].https://doi.org/10.13225/j.cnki.jccs.KT24.1146.