基于SSA-RF的采空区煤自燃温度回归分析模型

doi:10.16265/j.cnki.issn1003-3033.2023.09.0846

中国安全科学学报 ›› 2023, Vol. 33 ›› Issue (9): 136-141.doi: 10.16265/j.cnki.issn1003-3033.2023.09.0846

基于SSA-RF的采空区煤自燃温度回归分析模型

汪伟¹^,²(), 崔欣超¹^,^**(), 祁云¹^,², 梁然¹, 贾宝山²^,³, 薛凯隆¹

¹ 山西大同大学煤炭工程学院,山西大同 037000
² 辽宁工程技术大学安全科学与工程学院,辽宁阜新 123000
³ 辽宁工程技术大学矿山热动力灾害与防治教育部重点实验室,辽宁葫芦岛 125000

收稿日期:2023-03-21 修回日期:2023-06-21 出版日期:2023-09-28
通讯作者:
**崔欣超(1999—),男,山西晋城人,硕士研究生,主要研究方向为矿井灾害防治。E-mail:cxc1723452598@163.com。
作者简介:
汪伟 (1991—),男,河北玉田人,博士,讲师,硕士生导师,主要从事矿井灾害防治、安全评价、应急技术与管理等方面的研究。E-mail:wangwei19910109@126.com。
祁云副教授
贾宝山教授
基金资助:
山西省基础研究计划(自由探索类)青年项目(202203021222300); 山西省高等学校科技创新计划项目(2022L449); 山西省高等学校科技创新计划项目(2022L448); 国家重点研发计划项目(2018YFC0807900)

Regression analysis model of coal spontaneous combustion temperature in goaf based on SSA-RF

WANG Wei¹^,²(), CUI Xinchao¹^,^**(), QI Yun¹^,², LIANG Ran¹, JIA Baoshan²^,³, XUE Kailong¹

¹ School of Coal Engineering, Shanxi Datong University, Datong Shanxi 037000, China
² College of Safety Science and Engineering, Liaoning Technical University, Fuxin Liaoning 123000, China
³ Key Laboratory of Mine Thermodynamic Disasters and Control of Ministry of Education, Liaoning Technical University, Huludao Liaoning 125000, China

Received:2023-03-21 Revised:2023-06-21 Published:2023-09-28

摘要/Abstract

摘要：

为了快速精准地对采空区遗煤自燃温度进行回归分析,避免自燃火灾发生,提出麻雀搜索算法(SSA)与随机森林(RF)算法相结合的SSA-RF采空区煤自燃温度回归分析模型。首先,基于东滩矿煤自燃特性试验获得的数据,对比分析SSA-RF模型与RF、反向传播神经网络(BPNN)、粒子群算法(PSO)-BPNN、SSA-BPNN模型的回归结果;然后以正佳煤业1204采煤工作面的试验数据为例,验证SSA-RF模型的可靠性;最后将该模型应用于东古城煤矿。结果表明:SSA-RF、RF、BPNN、PSO-BPNN以及SSA-BPNN模型测试样本的平均绝对误差(MAE)分别为11.203 1、14.342 0、 19.599 1、15.530 6、14.352 8;平均绝对百分比误差(MAPE)分别为14.89 %、16.91%、18.55%、18.43%、18.11%;均方根误差(RMSE)分别为13.761 0、16.525 0、20.786 6、18.022 7、17.735 5;决定系数(R²)分别为0.927 4、0.882 7、0.815 3、0.843 6、0.868 8;其中SSA-RF模型各指标均为最优,说明其具有普适性和稳定性,更适合煤自燃温度回归分析。

关键词: 采空区, 煤自燃温度, 麻雀搜索算法(SSA), 随机森林(RF), 回归分析模型

Abstract:

In order to accurately and quickly analyze the spontaneous combustion temperature of coal in goaf and avoid spontaneous combustion fire, the SSA-RF regression analysis model combining SSA and RF algorithm was proposed. Firstly, based on the data obtained from the spontaneous combustion characteristics test in Dongtan coal mine, the regression results of SSA-RF model and RF, back propagation neural network (BPNN), particle swarm optimization algorithm (PSO)-BPNN and SSA-BPNN model were compared and analyzed. Then, the reliability of the SSA-RF model was verified by taking the test data of 1204 coal face in Zhengjia coal mining as an example. Finally, the model was applied to Donggucheng coal mine. The results show that the mean absolute errors (MAE) of SSA-RF, RF, BPNN, PSO-BPNN and SSA-BPNN are 11.203 1, 14.342 0, 19.599 1, 15.530 6 and 14.352 8, respectively. The mean absolute percentage error (MAPE) is 14.89%, 16.91%, 18.55%, 18.43% and 18.11%, respectively. The root mean square errors (RMSE) are 13.761 0, 16.525 0, 20.786 6, 18.022 7 and 17.735 5, respectively. The coefficients of determination (R²) are 0.927 4, 0.882 7, 0.815 3, 0.843 6 and 0.868 8, respectively. All indexes of SSA-RF model are the best, which indicates that it is universal and stable, and it is more suitable for regression analysis of coal spontaneous combustion temperature.

Key words: goaf, coal spontaneous combustion temperature, sparrow search algorithm (SSA), random forest (RF), regression analysis model

汪伟, 崔欣超, 祁云, 梁然, 贾宝山, 薛凯隆. 基于SSA-RF的采空区煤自燃温度回归分析模型[J]. 中国安全科学学报, 2023, 33(9): 136-141.

WANG Wei, CUI Xinchao, QI Yun, LIANG Ran, JIA Baoshan, XUE Kailong. Regression analysis model of coal spontaneous combustion temperature in goaf based on SSA-RF[J]. China Safety Science Journal, 2023, 33(9): 136-141.

图/表 5

表1

图1

表2

表3

表4

参考文献 12

[1]	郑学召, 李梦涵, 张嬿妮, 等. 基于随机森林算法的煤自燃温度预测模型研究[J]. 工矿自动化, 2021, 47(5):58-64.
	ZHENG Xuezhao, LI Menghan, ZHANG Yanni, et al. Research on the prediction model of coal spontaneous combustion temperature based on random forest algorithm[J]. Industry and Mine Automation, 2021, 47(5):58-64.
[2]	郭军, 刘华, 金彦, 等. 地下煤自燃隐蔽火源探测方法综述及新技术展望[J]. 中国安全科学学报, 2022, 32(8):111-119. doi: 10.16265/j.cnki.issn1003-3033.2022.08.0296
	GUO Jun, LIU Hua, JIN Yan, et al. Summary of underground hidden coal spontaneous combustion fire source detection methods and prospect of new technologies[J]. China Safety Science Journal, 2022, 32(8):111-119. doi: 10.16265/j.cnki.issn1003-3033.2022.08.0296
[3]	WANG Wei, QI Yun, JIA Baoshan, et al. Dynamic prediction model of spontaneous combustion risk in goaf based on improved CRITIC-G2-TOPSIS method and its application[J]. Plos One, 2021, 16(10):1-16.
[4]	汪伟, 贾宝山, 祁云. 改进CRITIC修正G2-TOPSIS的钻孔自燃预测模型及应用[J]. 中国安全科学学报, 2019, 29(11):26-31. doi: 10.16265/j.cnki.issn1003-3033.2019.11.005
	WANG Wei, JIA Baoshan, QI Yun. Prediction model of spontaneous combustion risk of extraction drilling based on improved CRITIC modified G2-TOPSIS method and its application[J]. China Safety Science Journal, 2019, 29(11):26-31. doi: 10.16265/j.cnki.issn1003-3033.2019.11.005
[5]	祁云, 齐庆杰, 汪伟, 等. 基于集值统计-Entropy的采空区自燃危险性预测模型及应用[J]. 安全与环境学报, 2019, 19(5):1526-1531.
	QI Yun, QI Qingjie, WANG Wei, et al. A forecast model for the spontaneous combustion risk in the goaf based on set valued statistics-entropy and its application[J]. Journal of Safety and Environment, 2019, 19(5):1526-1531.
[6]	周旭, 朱毅, 张九零, 等. 基于PSO-XGBoost的煤自燃程度预测研究[J]. 矿业安全与环保, 2022, 49(6):79-84.
	ZHOU Xu, ZHU Yi, ZHANG Jiuling, et al. Study on prediction model of coal spontaneous combustion based on PSO-XGBoost[J]. Mining Safety & Environmental Protection, 2022, 49(6):79-84.
[7]	昝军才, 魏成才, 蒋可娟, 等. 基于BP神经网络的煤自燃温度预测研究[J]. 煤炭工程, 2019, 51(10):113-117.
	ZAN Juncai, WEI Chengcai, JIANG Kejuan, et al. Prediction of coal spontaneous combustion temperature based on BP neural network[J]. Coal Engineering, 2019, 51(10):113-117.
[8]	鲁学富. 基于GA-SVM的采空区煤自燃预警技术研究及应用[D]. 西安: 西安科技大学, 2020.
	LU Xuefu. Research and application on early waring technology of coal spontaneous combustion in goaf based on GA-SVM[D]. Xi'an: Xi'an University of Science and Technology, 2020.
[9]	薛建凯. 一种新型的群智能优化技术的研究与应用[D]. 上海: 东华大学, 2020.
	XUE Jiankai. Research and application of a novel swarm intelligence optimization technique[D]. Shanghai: Donghua University, 2020.
[10]	邓军, 雷昌奎, 曹凯, 等. 采空区煤自燃预测的随机森林方法[J]. 煤炭学报, 2018, 43(10):2800-2808.
	DENG Jun, LEI Changkui, CAO Kai, et al. Random forest method for predicting coal spontaneous combustion in gob[J]. Journal of China Coal Society, 2018, 43(10):2800-2808.
[11]	张利冬, 宋泽阳, 罗振敏, 等. 基于机器学习的煤自然发火期预测[J]. 中国安全科学学报, 2022, 32(12):118-124. doi: 10.16265/j.cnki.issn1003-3033.2022.12.0134
	ZHANG Lidong, SONG Zeyang, LUO Zhenmin, et al. Prediction of coal spontaneous combustion period based on machine learning[J]. China Safety Science Journal, 2022, 32(12):118-124. doi: 10.16265/j.cnki.issn1003-3033.2022.12.0134
[12]	姜鹏. 基于机器学习的煤自燃温度预测模型研究[D]. 西安: 西安科技大学, 2020.
	JIANG Peng. Research on prediction model of coal spontaneous combustion temperature based on machine learning[D]. Xi'an: Xi'an University of Science and Technology, 2020.

ϕ(O₂)/ %	…	ϕ(C₂H₄)/ 10^-6	…	ϕ(C₂H₄)/ ϕ(C₂H₆)	温度/ ℃
17.06	…	0	…	0	47.6
16.84	…	0	…	0	47.71
17.43	…	0	…	0	47.93
︙		︙		︙	︙
1.89	…	490.07	…	0.12	418.83
1	…	890.72	…	0.12	427.54
1.5	…	291	…	0.11	431.9

模型	模型性能
	MAE		MAPE/%		RMSE		R²
	训练	测试	训练	测试	训练	测试	训练	测试
RF	7.985 7	11.711	5.43	8.85	15.733 9	21.594 6	0.956 9	0.904 3
SSA-RF	5.202 7	8.752 7	3.22	5.82	9.661 6	15.425 7	0.981 9	0.951 5
BPNN	13.624 7	19.079 8	12.25	14.03	23.711 3	30.558 7	0.897 1	0.813 1
PSO-BPNN	11.995	16.743 6	9.88	12.76	17.954 8	25.651 1	0.944 1	0.863 9
SSA-BPNN	10.637 1	15.189 8	8.73	11.77	17.632 1	24.800 1	0.944 7	0.895 7

模型	模型性能
	MAE		MAPE/%		RMSE		R²
	训练	测试	训练	测试	训练	测试	训练	测试
RF	7.342 9	13.973 7	4.41	10.66	16.600 8	23.337 3	0.951 2	0.913 8
SSA-RF	5.879 2	11.336 2	3.8	7.22	12.277 3	21.285 2	0.974 3	0.922
BPNN	14.181 7	20.395 6	11.17	14	23.074 5	37.57 2	0.898 2	0.803 4
PSO-BPNN	10.321 4	15.585 2	8.8	12.25	18.734 7	27.403 2	0.937 3	0.883 2
SSA-BPNN	11.325 1	15.350 4	9.67	12.18	17.946 1	24.903 5	0.945 3	0.891 1

[1]	古莹奎, 汪源金, 石昌武. 基于EWM和SVR的滚动轴承剩余使用寿命预测方法[J]. 中国安全科学学报, 2023, 33(9): 49-55.
[2]	吴方浩, 陈伟, 孙惠中, 牛力, 付建华. 建筑工程安全文明施工费预测精度研究[J]. 中国安全科学学报, 2023, 33(8): 51-58.
[3]	汪伟, 梁然, 祁云, 贾宝山, 武泽伟. 基于PSO-BPNN的煤自燃危险性预测模型[J]. 中国安全科学学报, 2023, 33(7): 127-132.
[4]	何淑波, 项薇, 石钟淼. 基于机器学习的电动汽车电池系统的风险预警[J]. 中国安全科学学报, 2023, 33(2): 159-165.
[5]	柯丽华, 孟瑶尧, 姚囝, 王其虎, 唐华倩. 基于模糊统计法的采空区稳定性评价[J]. 中国安全科学学报, 2023, 33(2): 59-67.
[6]	赵鹏翔, 常泽晨, 李树刚, 卓日升, 林海飞, 金士魁. 厚煤层采空区定向孔分域抽采研究及应用[J]. 中国安全科学学报, 2023, 33(1): 70-79.
[7]	孙长斌. 浅埋深薄基岩下综采工作面回风隅角低氧治理[J]. 中国安全科学学报, 2022, 32(S2): 136-141.
[8]	郭军, 刘华, 金彦, 蔡国斌, 刘荫, 杨盼盼. 地下煤自燃隐蔽火源探测方法综述及新技术展望*[J]. 中国安全科学学报, 2022, 32(8): 111-119.
[9]	吴贤国, 冯宗宝, 刘俊, 王雷, 陈虹宇, 李昕懿. 基于RF-NSGA-II的盾构施工地表沉降安全控制多目标优化*[J]. 中国安全科学学报, 2022, 32(8): 45-51.
[10]	杨文臣, 周燕宁, 田毕江, 郭凤香, 胡澄宇. 基于聚类分析和SVM的二级公路交通事故严重度预测[J]. 中国安全科学学报, 2022, 32(5): 163-169.
[11]	丁茜, 赵晓东, 吴鑫俊, 张泰丽, 徐振涛. 基于RBF核的多分类SVM滑塌易发性评价模型[J]. 中国安全科学学报, 2022, 32(3): 194-200.
[12]	张晓明, 刘筱颖, 董伟, 张河猛, 王永军, 佐佐木久郎. 海州露天矿采空区地表CO₂通量的试验研究[J]. 中国安全科学学报, 2022, 32(2): 66-73.
[13]	张利冬, 宋泽阳, 罗振敏, 赵珊珊. 基于机器学习的煤自然发火期预测[J]. 中国安全科学学报, 2022, 32(12): 118-124.
[14]	史全林, 杨红旗, 李洪彪. 成膜型胶体泡沫的制备及灭火降温特性研究[J]. 中国安全科学学报, 2022, 32(10): 121-126.
[15]	张连会, 陈世强, 赵利群, 王君, 鲁义. 采空区最小流动单元压力损失计算与试验^*[J]. 中国安全科学学报, 2021, 31(12): 78-84.

基于SSA-RF的采空区煤自燃温度回归分析模型

Regression analysis model of coal spontaneous combustion temperature in goaf based on SSA-RF

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 5

参考文献 12

相关文章 15

编辑推荐

Metrics

本文评价