基于智能气体指标模型的煤自燃风险预测：面向低碳能源系统的自燃温度精准预报

这篇研究通过极端梯度提升(XGBoost)、额外树(ET)、随机森林(RF)和自适应梯度提升(AdaBoost)四种机器学习模型，建立了煤自燃温度(CSC)的智能预测系统。研究证实XGBoost模型在MAE、RMSE和R2指标上表现最优，并通过SHAP分析确定C2H4和C2H4/C2H6为关键预测指标，为煤矿安全管理和低碳能源转型提供了创新解决方案。

　　

Highlight

煤自燃(CSC)的活性官能团具有多样性，随着温度升高会发生氧化和自反应。因此，煤温与生成的气体指标之间存在复杂的非线性关系。基于指标气体预测煤自燃风险具有显著优势。

Index gases of coal spontaneous combustion

煤自燃的三个必要条件：能够储热的煤堆体积、氧气供应和丰富的活性官能团。如图1所示，煤是一种具有非均匀结构和强芳香性的高分子物质，其主要活性官能团包括芳香烃、脂肪烃、含氧杂原子（如羟基）和羰基化合物。

Data characterization

如图2所示，对337个煤自燃温度样本的分析揭示了煤氧化过程中气体的动态行为。这些程序升温测试以0.3°C/min的速率加热1kg煤样，同时以120ML/min的流速注入空气模拟实际情况。

Evaluation of proposed ML models

如表4所示，评估了四种机器学习模型（RF、ET、AdaBoost和XGBoost）在预测煤温方面的效能。这项研究具有重要意义，因为准确的温度预测对于提高燃烧效率、减少污染物生成和维护煤燃烧操作安全至关重要。

Summary and conclusions

本研究选取O₂（%）、CO（ppm）、C₂H₄（ppm）、CO/ΔO₂和C₂H₄/C₂H₆六个指标来预测煤温。通过比较机器学习模型发现...