文献类型：期刊文章

作　　者：周旭[1] 朱毅[2] 张九零[1] 秦思佳[2] 王艺博[2]

ZHOU Xu;ZHU Yi;ZHANG Jiuling;QIN Sijia;WANG Yibo(College of Mining Engineering,North China University of Science and Technology,Tangshan 063210,China;Yisheng Innovation Education Base,North China University of Science and Technology,Tangshan 063210,China)

机构地区：[1]华北理工大学矿业工程学院,河北唐山063210 [2]华北理工大学以升创新教育基地,河北唐山063210

出　　处：《矿业安全与环保》

基　　金：河北省省属高校基本科研业务费项目(JQN2021011);河北省博士研究生创新资助项目(CXZZBS2021102)。

年　　份：2022

卷　　号：49

期　　号：6

起止页码：79-84

语　　种：中文

收录情况：BDHX、BDHX2020、JST、RCCSE、ZGKJHX、核心刊

摘　　要：为了准确有效地对煤自燃进行预测预警,提出采用结合粒子群优化算法(PSO)、极限梯度提升回归树(XGBoost)的煤自燃预测模型(PSO-XGBoost),其中梯度提升回归树中的随机采样率和最小叶子节点样本的权重参数由PSO算法优化组合。以东滩矿煤样进行煤自然发火实验获得的337组数据为基础,选取O_(2)体积分数、CO体积分数、C_(2)H_(4)体积分数、CO体积分数与剩余O_(2)体积分数的比值,以及C_(2)H_(4)体积分数与C_(2)H_(6)体积分数的比值作为指标。首先随机选取总数据的70%划分为训练集,30%划分为测试集,设计PSO算法的惯性权重,对XGBoost的参数进行优化,选取最优组合构建模型;然后将PSO-XGBoost模型与标准的XGBoost模型、随机森林(RF)模型和梯度提升树(GBRT)模型的预测结果进行对比分析。研究结果显示,RF、GBRT、XGBoost和PSO-XGBoost模型训练样本预测结果的平均绝对百分比误差(MAPE)分别为2.256%、2.423%、0.276%、0.072%,测试结果的MAPE分别为7.246%、8.816%、7.594%、6.860%。表明PSO-XGBoost模型精度优于RF模型、GBRT模型和XGBoost模型,PSO-XGBoost模型更适用于煤自燃预测预警。

关 键 词：煤自燃 粒子群 XGBoost  指标气体 预测模型  参数优化

分 类 号：TD752]