文献类型：期刊文章

作　　者：邓军[1,2] 雷昌奎[1,2] 曹凯[3,4] 马砺[1,2] 王伟峰[1,2]

DENG Jun;LEI Chang-kui;CAO Kai;MA Li;WANG Wei-feng(College of Safety Science and Engineering,Xi’an University of Science and Technology,Xi’an 710054,China;Shaanxi Key Laboratory of Prevention and Control of Coal Fire,Xi’an University of Science and Technology,Xi’an 710054,China;Xuzhou Anyun Mining Technology Co.,Ltd.,Xuzhou 221008,China;Ventilation and Fire Prevention Institute,China University of Mining and Technology,Xuzhou 221008,China)

机构地区：[1]西安科技大学安全科学与工程学院,陕西西安710054 [2]西安科技大学陕西煤火防控重点实验室,陕西西安710054 [3]徐州安云矿业科技有限公司,江苏徐州221008 [4]中国矿业大学通风防灭火研究所,江苏徐州221008

出　　处：《西安科技大学学报》

基　　金：国家自然科学基金(51574193;51504186);陕西省工业科技攻关(2016GY-191)

年　　份：2018

卷　　号：38

期　　号：2

起止页码：175-180

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、JST、RCCSE、ZGKJHX、核心刊

摘　　要：煤自燃温度的准确预测是矿井煤自燃防控的关键。为了科学准确地预测采空区煤自燃温度,在大佛寺煤矿40106综放工作面开展现场观测实验,以现场束管监测系统数据为基础,采用粒子群优化算法(PSO)优化支持向量回归(SVR)参数,建立了煤自燃温度预测的PSO-SVR模型;同时,在保证训练和测试样本不变的前提下,建立了标准SVR模型、BP神经网络(BPNN)模型和多元线性回归(MLR)模型,并与PSO-SVR模型预测结果进行对比分析。MLR,BPNN,SVR和PSO-SVR模型训练样本预测结果的平均绝对百分比误差(MAPE)分别为:5.75%,0.84%,4.16%和1.13%,测试样本预测结果的MAPE分别为:5.17%,3.03%,3.83%和1.34%.结果表明:MLR模型预测结果最差,说明煤自燃温度与气体指标之间的非线性关系更显著,线性模型不宜于煤自燃预测;BPNN模型训练样本预测效果极佳,但测试样本预测效果较差,易出现"过拟合"现象,泛化性较差;PSO-SVR模型预测精度较标准SVR模型有了极大提高,更适宜于煤自燃预测。

关 键 词：煤自燃 支持向量回归 粒子群优化 神经网络

分 类 号：TD75]