采空区煤低温氧化预测模型研究.pdfVIP

2024年第49卷第2期能源技术与管理

Vol.49No.2EnergyTechnologyandManagement119

doi:10.3969/j.issn.1672-9943.2024.02.033

采空区煤低温氧化预测模型研究

项宗文，王振国，包迪文

（徐州矿务（集团）新疆天山矿业有限责任公司，新疆阿克苏842008）

【摘要］CO是煤低温氧化预测的关键参数。基于采空区内的实测数据，采用遗传算法对支持向

量回归模型进行参数寻优，建立煤低温氧化预测的模型；在保持测试集和训练集相同

的情况下，建立了标准SVR模型、随机森林模型和神经网络模型，以MAE、MAPE与

RMSE、R?为指标,与GA-SVR模型的预测结果进行对比。结果表明：SVR、RF、BPNN和

GA-SVR

6.5266%，相应的拟合优度为0.7382、0.7562、0.6455和0.9345。GA-SVR模型的预

测效果最好，说明GA-SVR模型具有更好的泛化性和鲁棒性。利用GA算法优化SVR

模型参数能够提高预测精度和准确度。

【关键词]］煤低温氧化预测；支持向量机；遗传算法；参数寻优

［中图分类号】TD752.2［文献标识码】B［文章编号］1672-9943(2024)02-0119-04

0引言支持向量回归（SVR）将样本集从原始特征空

间映射到高维特征空间,在高维空间中对样本集进

采空区煤低温氧化预测的主要方法有指标气行回归分析,回归函数如式(1)：

体法、基础参数测试法、综合评价法、自然倾向性法f(x)=w(x)+b(1)

等。由于实验难以准确反映现场风流、温度场和式中：w为权值向量，为映射隐函数，x为样

煤岩颗粒分散度等条件，因此煤自燃倾向性及最短本在原始空间中的特征向量，b为偏置项。

自然发火期等均无法指导现场煤自燃防治。煤自燃为了求解w和b,需要最小化目标函数,进而

气体产物具有规律性和可测性，且CO伴随煤低温引人松弛变量$和为第i个训练样本对应的松

氧化的整个过程与煤温具有良好的对应关系。如何弛变量，且ss(xi）y和s之间满足式(2)：

找到最优的算法和预测模型来处理其他气体与CO[yi-f(x;)≤8+:

之间的关系，是煤低温氧化预测的关键。s.t.-y;+f(x;)≤8+s*(2)

基于机器深度学习算法在非线性高维数据处(5i,5≥0

理方面的优越性，将其引人采空区煤低温氧化预测SVR不需要求出映射函数β的具体表达式，而

预报[2]。随机森林算法训练速度快，能够给出各因是用核函数展开定理解决。本文采用径向基函数

素的重要度，但容易出现过拟合，导致数据训练失(RBF)作为核函数,定义如式(3)：

真。神经网络具有良好的非线性数据处理能力，但(3)

在模型训练中易出现过拟合。支持向量机能够避开

高维空间的复杂性，简化高维空间问题的求解难度，式中：α为RBF核的半径，x;和xj为给定的向

比神经网络具有较好的泛化推广能力，适合处理复量,(x)为第i个样本的特征向量的预测值,8是回

杂非线性数据。支持向量机模型的惩罚因子C与核