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] 王彩萍[1,2] 翟小伟[1,2]

DENG Jun;LEI Changkui;CAO Kai;MA Li;WANG Caiping;ZHAI Xiaowei(School of Safety Science and Engineering,Xi’an University of Science and Technology,Xi’an 710054,China;Key Laboratory of Prevention and Control of Coal Fire,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]西安科技大学陕西省煤火灾害防控重点实验室,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：《煤炭学报》

基　　金：国家重点研发计划资助项目(2018YFC0807900);国家自然科学基金资助项目(51504186);陕西省国际科技合作与交流计划资助项目(2016KW-070)

年　　份：2018

卷　　号：43

期　　号：10

起止页码：2800-2808

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、CSCD、CSCD2017_2018、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：煤自然发火温度的准确预测是矿井煤自燃防控的关键。为了准确可靠地预测采空区煤自燃温度,在大佛寺煤矿40106综放工作面开展了长期的采空区温度和气体观测实验,提出了一种基于随机森林(RF)方法的采空区煤自燃预测模型,并将预测结果与支持向量机(SVM)和BP神经网络(BPNN)方法对比。采用粒子群优化算法(PSO)对RF和SVM超参数进行优化,建立了参数优化的PSO-RF和PSO-SVM预测模型。结果表明,RF,PSO-RF,SVM和PSO-SVM模型均具有较强的泛化性和鲁棒性; RF在建模过程中拥有宽广的参数适应范围,当树的数量(ntree)超过100后,其训练误差趋于稳定,ntree的改变对预测性能没有实质的影响;虽然PSO算法可以找到RF最优超参数,但默认参数的RF模型就能获得满意的预测性能; SVM预测结果则对超参数十分敏感,PSO优化可以显著提高其预测精度,其预测性能依赖于超参数的最优选择; BPNN模型在训练阶段拥有极佳的预测结果,但易出现"过拟合",导致泛化性弱,测试阶段误差较大。通过在其他矿井煤自燃预测中应用,验证了RF方法的稳定性和普适性,且无需复杂参数设置和优化就能获得良好的预测性能,可进一步应用于其他能源燃料领域。

关 键 词：采空区 煤自燃 随机森林  支持向量机 粒子群优化 温度预测  

分 类 号：TD752.2]