基于监督学习与元启发式优化的煤磨蚀指数预测框架：模型优化与可解释性分析

为解决煤炭工业中磨蚀指数(AI)预测精度不足的问题，研究人员开发了集成18种监督学习(SL)模型和8种元启发式优化算法(MOA)的预测框架。通过南非Witbank煤田129个样本的系统评估，发现经蜣螂优化器(DBO)优化的随机森林(RF)模型表现最优(R2=0.94)。研究结合蒙特卡洛模拟(MCS)和SHAP解释技术，揭示石英含量(QZ)是影响AI的关键因素。该框架为煤炭选型、设备维护提供了智能化解决方案。

　　

煤炭作为全球主要化石能源，其磨蚀特性直接影响发电、冶金等工业设备的寿命和维护成本。磨蚀指数(Abrasive Index, AI)是评估煤炭机械磨损性的关键指标，传统YGP测试法存在重复性差(误差达10%)、受矿物含量干扰等问题。南非Witbank煤田作为重要产区，其煤炭的AI预测对优化设备运行至关重要。现有研究多聚焦硬煤可磨指数(HGI)或岩石磨蚀性(CAI)，对AI的系统建模研究有限，且面临超参数调优复杂、计算成本高等挑战。

为此，研究团队通过系统评估18种监督学习(Supervised Learning, SL)模型，筛选出随机森林(Random Forest, RF)作为基础模型，并创新性地引入8种元启发式优化算法(Metaheuristic Optimization Algorithms, MOA)进行超参数调优。研究采用五折交叉验证和蒙特卡洛模拟(Monte Carlo Simulation, MCS)评估模型鲁棒性，结合SHapley Additive exPlanations(SHAP)和个体条件期望(Individual Conditional Expectation, ICE)方法解析特征贡献。

模型筛选与优化
通过Friedman检验和Nemenyi事后检验对比18种SL模型，发现RF在训练集(R²=0.925)和测试集(R²=0.916)均表现最优。采用蜣螂优化器(Dung Beetle Optimizer, DBO)等MOA优化RF的超参数(如决策树数量n_estimators=48)，DBO-RF的均方误差(MSE)降至0.1268，显著优于其他算法。

性能验证
DBO-RF在测试集上R²达0.94，均方根误差(RMSE)为26.583，预测误差(MAPE)仅0.202。泰勒图分析显示其预测点最接近理想参考线，残差分布集中在±20mg/kg内。MCS测试表明，即使添加10%噪声，模型R²仍保持0.936，95%置信区间宽度稳定在[-48.67, 57.35]。

机制解析
SHAP分析揭示石英(QZ)和热值(CV)分别以59.1%和18.4%的贡献率主导预测结果。QZ含量>3%时，AI值显著上升；而高CV煤炭因灰分较低，呈现负向影响。特征交互分析发现QZ与固定碳(FC)存在协同效应，二者共同作用可使AI预测值提升30%。

该研究构建了首个融合SL-MOA-可解释性分析的AI预测框架，其DBO-RF模型较传统方法误差降低52%。成果发表于《Fuel》，为煤炭工业的智能选煤、磨损防护提供了方法论创新。未来可扩展至褐煤等更多煤种，并探索量子计算加速优化流程。