基于PSO-XGBoost算法的煤炭自燃温度预测模型

科学领域:

• 地质科学和环境科学 地球科学和环境科学
• 化学工程是化学工程的重要组成部分.
• 计算科学 计算科学

背景情况:

• 准确预测煤炭自燃温度对于防止矿山灾难至关重要.
• 现有的模型往往缺乏有效的预警系统所需的精度.
• 热力学灾害,如煤炭自燃和气体爆炸,在高峰地区构成重大风险.

研究的目的:

• 开发一个强大的预测模型,用于煤炭自发燃烧温度在goaf.
• 确定影响自发燃烧的关键气体指标.
• 提高矿山安全早期预警系统的准确性和可靠性.

主要方法:

• 通过编程温度实验和工业分析,从9种煤炭中收集了381个数据集.
• 使用皮尔森相关系数来选择特征,确定O2,CO,CO2,C2H4,C3H8和各种气体比率作为关键指标.
• 应用粒子集群优化 (PSO) 来调整XGBoost回归器,创建PSO-XGBoost模型.

主要成果:

• 与其他模型 (PSO-RF,PSO-SVR,XGBoost,RF,SVR) 相比,提出的PSO-XGBoost模型显示出更高的预测准确性和稳定性.
• 十倍的交叉验证证实了该模型的强大性能,容错性和通用适用性.
• 确定的关键输入指标包括O2,CO,CO2,C2H4,C3H8,以及特定气体比率,如C3H8/CH4和CO2/CO.

结论:

• PSO-XGBoost模型提供了一个非常准确和可靠的方法来预测煤炭自燃温度.
• 识别的气体指标为燃烧过程提供了有价值的见解.
• 这种模型显著提高了有效监测和早期预警系统在采矿业务中的潜力.