突水事故是我国煤矿主要群死群伤特大事故之一,突水所造成的直接经济损失一直排在各种煤矿灾害之首。研究煤矿突水机理,建立快速准确的突水预测模型,是保障煤矿安全生产的重要途径。煤矿突水涉及到开采条件、水文地质、岩石特性等诸多因素,这些因素与突水之间构成了复杂的非线性关系,用传统的数学理论与方法难以建立快速准确的预测模型。通过对已有煤矿突水预测方法的研究,分析比较各方法的优点与不足,本文提出一种新的单隐层前馈神经网络—在线自适应差分进化极限学习机,用于煤矿突水预测模型的建立。现有的许多研究只对是否突水进行预测,未涉及到对突水量范围的预测,而不同突水量造成的损失与相应的应对措施不同。因此,本文按国家标准,根据最大突水量大小划分突水类型,并实现对突水类型的预测,便于进行不同级别的安全预警。此外,在实际应用中,随着时间的推移,旧模型可能不能满足新预测的需要,而在线自适应差分进化极限学习机可以据新输入更新输出权值,实现网络结构在线更新,具有精确、泛化与快速等特性,在解决多分类问题方面显示出较大的优越性。在研究分析煤矿突水机理与影响突水因素的基础上,从众多煤矿突水因素中选出主控因素。以Matlab为实验平台,将我国淮北矿区历史突水数据作为训练与测试样本,利用在线自适应差分进化极限学习机进行多等级突水预测模型建立,通过实验调整网络参数确定网络结构,包括隐藏层节点数与激励函数的选取。并将仿真结果与以往的突水预测方法进行比较分析,实验结果表明,本文提出的方法在突水预测中预测精度高、速度快。