Coupled multi-gas indicator model for predicting temperature of coal spontaneous combustion in goaf and its application
本文提出了一种新型的 MEF-RG 模型，该模型通过融合梯度提升决策树（GBDT）和随机森林（RF），利用源自多气体浓度的 255 维特征矩阵来精确预测矿井采空区煤自燃温度，证明了其相比现有模型具有更优越的性能和工程适用性。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在深邃的地底，大地幽暗，空气静止，煤炭有着一种无声且危险的习性。它可以在没有任何火星的情况下开始燃烧，这种由煤炭自身与氧气反应产生的缓慢、持续性的自燃过程，被称为自燃。自燃是煤矿火灾的主要原因，威胁着工人的安全和整个矿井作业的稳定性。由于这种火灾往往始于无形，从一丝热气的低语演变成一场熊熊大火，因此，矿井安全中最关键的任务是在温度过高之前监测煤炭的温度。多年来，工程师们一直试图通过观察煤炭升温时释放出的气体来预测这一温度。随着煤炭升温，它会呼出由一氧化碳、二氧化碳、甲烷和其他气体组成的混合物，其排放模式会随着热量的上升而改变。然而，这些气体与实际温度之间的关系并非简单的直线关系，而是一个复杂的、交织在一起的相互作用网络，传统的工具很难对其进行精确测绘。
来自西安科技大学的研究团队及其在中国的工业合作伙伴共同应对了这一挑战，他们构建了一种新型的“数字大脑”来读取这些气体信号。他们并没有依赖单一的方法来推测温度，而是结合了两种强大的机器学习算法——一种通过构建许多小型决策树来寻找模式，另一种则通过从错误中学习来优化这些模式。研究人员将来自大规模受控实验的数据（即在密封舱内让数吨煤炭升温的过程）以及来自活跃矿井的真实测量数据输入到这个组合系统中。研究人员不仅观察当前的气体水平，还教会了模型去“记忆”过去，分析气体浓度在分钟、小时和天数层面的变化方式，以及不同气体之间是如何相互影响的。通过构建这些气体运动的丰富历史记录，该模型能够在迹象变得明显之前，捕捉到加热过程中的细微征兆。
结果表明，这种预测工具的表现优于目前行业内使用的标准方法。在针对威济底煤矿真实数据的测试中，新模型对煤炭温度的预测具有极高的精准度，平均误差小于一摄氏度。相比之下，旧有的单方法模型往往会产生近两度或更多的误差，而这微小的差异可能意味着一次安全的班次与一场灾难性火灾之间的区别。这项研究证实，通过融合这两种学习方法并精心设计数据的呈现方式，可以捕捉到气体与热量之间隐藏的非线性联系。这种方法不仅仅是在猜测，它学习的是煤炭“呼吸”与升温的特定节奏，从而提供了一个更可靠的预警系统。虽然该模型需要大量的计算能力和训练时间，但研究人员证明，其预测矿井火灾未来的能力远优于被其取代的工具，为保障地下矿工的安全提供了更清晰的路径。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。