先进的机器学习方案用于预测地下煤炭火灾地区的基于CO2流量的实验方法
Yongjun Wang1, Mingze Guo2, Hung Vo Thanh3
1College of Safety Science and Engineering, Liaoning Technical University, Huludao 125105, China; Institute of Engineering and Environment, Liaoning Technical University, Huludao 125105, China; Key Laboratory of Mine Thermodynamic Disasters and Control of Ministry of Education, Huludao 125105, China.
Journal of advanced research
|November 9, 2024
概括
这项研究开发了先进的机器学习模型,以准确预测来自地下煤炭火灾的表面二氧化碳 (CO2) 流量. 自然梯度增强回归 (NGRB) 模型显示出最佳性能,有助于环境监测和缓解.
科学领域:
- 环境科学 环境科学
- 地质化学 地质化学
- 机器学习应用 机器学习应用
背景情况:
- 地下煤炭火灾释放大量的二氧化碳排放,造成环境和健康风险.
- 准确预测表面二氧化碳流量对于了解自燃区和制定减缓策略至关重要.
- 机器学习在碳相关研究和环境监测方面表现有前途.
研究的目的:
- 探索先进的机器学习方案,用于预测地下煤炭火灾地区的二氧化碳流量.
- 提供关于二氧化碳流量预测的见解,并为环境监测和管理策略提供信息.
主要方法:
- 收集了关于二氧化碳流量和地下煤炭火灾特征的实验数据.
- 应用了针对煤炭火灾环境的创新特征工程技术.
- 评估和比较机器学习算法:自然梯度增强回归 (NGRB),极端梯度增强 (XGBoost),光梯度增强 (LGBM) 和随机森林 (RF).
主要成果:
- 该NGRB模型实现了最高的预测准确度,R2为0.967和MAE为0.234.
- 开发了针对地下煤炭火灾地区量身定制的准确预测模型.
- 确定了影响这些环境中二氧化碳流量的关键因素.
结论:
- 开发的NGRB模型为预测地下煤炭火灾产生的二氧化碳流提供了一个强大的工具.
- 这些发现支持改善自燃区的划分和减轻二氧化碳排放.
- 通过解决地下煤炭火灾产生的排放,为全球气候变化减缓工作做出贡献.


