基于MICPO-LSSVM的煤自燃氧化状态预测模型研究

《Fuel》：Prediction model of coal spontaneous combustion oxidation state based on MICPO-LSSVM

为解决煤自燃(CSC)温度与氧化状态预测精度不足的问题，研究人员开展了基于多策略改进冠豪猪优化器(MICPO)优化最小二乘支持向量机(LSSVM)的预测模型研究。通过程序升温实验与热重分析筛选指标，结合改进CRITIC(ICRITIC)与改进层次分析法(IAHP)的游戏理论组合赋权，建立加权灰色靶心距离作为模型输入。结果表明：MICPO-LSSVM在回归任务中MAE、MAPE、RMSE显著降低，R2提升；分类任务中准确率、宏精确率、宏召回率、宏F1值均优于对比模型。该模型在金牛煤矿1303工作面采空区应用验证有效，为煤矿安全防控提供了新方法。

　　

煤矿火灾是威胁煤炭安全生产的重大隐患，其中约85%至90%的矿井火灾事故由煤自燃(Coal Spontaneous Combustion, CSC)引起。煤自燃是一个复杂的物理化学过程，通常发生在采空区、煤柱、巷道两侧或积煤处。由于通风不良、氧气浓度高以及煤体自身的自燃倾向性，煤在特定条件下会缓慢氧化产热，最终可能发展为火灾。煤自燃不仅可能导致人员伤亡和财产损失，还会破坏生产、环境，浪费资源，甚至引发更大的安全隐患。因此，准确预测煤自燃的温度和氧化状态，对于保障煤矿安全生产、减少伤亡损失以及提前制定预防措施具有重要意义。

尽管国内外学者提出了多种预测模型，包括基于传统数学物理方程的机理建模方法、基于优化算法的机器学习预测方法（如支持向量机SVM优化模型、浅层神经网络优化模型、集成学习优化模型）、基于深度学习的预测方法以及多指标综合评价预测方法，但这些方法仍存在一些关键局限性。例如，大多数现有方法在权重分配上依赖主观经验或单一赋权方法，导致评估结果稳定性不足、主观性强；多数模型仅关注温度单一输出，难以实现煤自燃氧化状态的多目标协同预测；优化算法易陷入局部最优，导致模型泛化能力和收敛稳定性较差；现有预测模型对多源指标动态变化的响应不足，也限制了其在复杂采矿环境中的适应性。

为解决上述问题，本研究提出了一种融合组合赋权、灰色靶心决策原理和多策略优化机器学习的新方法。研究人员首先进行了煤的程序升温实验和热重分析，以研究煤的自燃和氧化特性。基于实验结果，选取了O₂、CO、C₂H₄的体积分数以及C₂H₄/C₂H₆的体积分数比作为气体指标，并定义了煤自燃的氧化阶段。随后，采用改进CRITIC(ICRITIC)方法和改进层次分析法(IAHP)计算指标权重，并应用博弈论组合赋权方法优化这些权重。接着，基于加权灰色靶心决策原理，建立了与不同煤自燃温度相对应的综合靶心距离分布集，并将其作为模型的输入特征。然后，提出了多策略改进冠豪猪优化器(MICPO)来优化最小二乘支持向量机(LSSVM)的超参数，从而提高了模型的预测精度。

关键技术方法

本研究主要应用了以下关键技术：程序升温实验与热重分析用于获取煤自燃基础数据；改进CRITIC(ICRITIC)与改进层次分析法(IAHP)结合博弈论进行指标组合赋权；加权灰色靶心决策原理用于构建模型输入特征；多策略改进冠豪猪优化器(MICPO)用于优化最小二乘支持向量机(LSSVM)的超参数。实验煤样来源于山西汾西正佳煤业有限公司1204工作面2号煤层。

实验设置和条件

实验采用山西汾西正佳煤业有限公司1204工作面2号煤层的煤样，经破碎筛分后获得粒径为1.5毫米的煤样1千克。将处理后的煤样置于程序升温实验装置中，在连续氧气流下进行氧化加热。通过分析实验数据，揭示了气体指标浓度与煤温之间的关系，为后续模型构建提供了数据基础。

改进CRITIC方法

CRITIC方法是一种客观赋权法，通过指标间的冲突性和变异性来确定评价指标的权重。然而，传统CRITIC方法存在显著局限性：标准差衡量的是绝对差异，受量纲单位影响，无法直接比较不同单位指标的变异性；原始方法使用相关系数衡量指标冲突性，但相关系数无法准确反映非线性关系。本研究对CRITIC方法进行了改进，采用变异系数代替标准差来衡量指标变异性，并使用距离相关系数代替皮尔逊相关系数来衡量指标冲突性，从而提高了权重计算的合理性和稳定性。

MICPO-LSSVM模型构建

煤自燃氧化状态预测模型的构建过程主要分为五个阶段：实验数据获取与数据集构建、评价指标综合权重计算、灰色靶心决策评价体系建立、MICPO-LSSVM预测模型参数优化与验证、预测结果输出与评价。MICPO算法通过增强全局搜索能力和抑制早熟收敛，实现了对LSSVM超参数的精确优化。LSSVM基于结构风险最小化原则，将传统支持向量机的二次规划问题转化为求解线性方程组，显著提高了计算效率，其优异的泛化性能使其适用于煤自燃预测的小样本场景，有效缓解了过拟合风险。

实例应用分析

为验证MICPO-LSSVM模型在预测煤自燃氧化状态方面的通用性和稳定性，研究将其应用于金牛煤矿1303综放工作面采空区。该采空区内存在大量残煤，垮落高度大，漏风严重，存在煤自燃风险。将样本数据输入SSA-BPNN、WOA-BiLSTM、PSO-SVM和MICPO-LSSVM模型进行预测对比。结果表明，MICPO-LSSVM模型的预测结果与实际工程条件相符，验证了该模型适用于煤自燃温度和氧化状态的预测。

讨论

尽管本研究提出的基于MICPO-LSSVM的煤自燃状态预测模型在初步验证中表现出良好的性能，但其可靠性仍受到两个关键因素的制约：数据质量和模型泛化能力。在数据层面，实验测量误差是影响模型精度的潜在因素。热重分析过程中的仪器基线漂移、温度校准偏差以及煤样固有的非均质性都可能引起微小的数据波动。在模型层面，虽然MICPO算法在超参数优化中表现出色，但其在更复杂、高维优化问题中的搜索效率仍需进一步验证。此外，模型的泛化能力依赖于训练数据的代表性和完备性。未来研究可通过扩充数据集涵盖更多煤种和开采条件，以及引入在线学习机制来增强模型对动态环境的适应性。

结论

本研究开发了基于MICPO-LSSVM的煤自燃预测模型。通过将其预测结果与SSA-BPNN、WOA-BiLSTM和PSO-SVM模型的预测结果进行比较，得出以下主要结论：(1) 通过程序升温实验和热重分析，研究了煤的自燃和氧化特性，选取了O₂、CO、C₂H₄的体积分数以及C₂H₄/C₂H₆的体积分数比作为气体指标，并定义了煤自燃的氧化阶段。(2) 采用ICRITIC和IAHP方法计算指标权重，并应用博弈论组合赋权法确定综合权重，结合加权灰色靶心决策原理建立了综合靶心距离分布集作为模型输入。(3) 提出了MICPO算法来优化LSSVM的超参数，构建了MICPO-LSSVM预测模型。(4) 与对比模型相比，MICPO-LSSVM在回归和分类性能上均有显著提升。(5) 模型在金牛煤矿1303工作面采空区的应用结果表明其预测结果与实际条件一致，证明该模型适用于煤自燃温度和氧化状态的预测。该研究为煤矿煤自燃灾害的精准预警和防控提供了有效的技术手段。

该论文发表在《Fuel》期刊上。