基于CS-RF的采空区煤自燃指标气体浓度预测模型

《ACS Omega》：Prediction Model for Indicator Gas Concentration of Coal Spontaneous Combustion in Goaf Areas based on CS-RF

　　

煤自燃指标气体浓度的准确快速预测对于矿井煤自燃的预防与控制至关重要。针对现有采空区煤自燃指标气体浓度预测模型普遍存在的精度低、收敛速度慢、泛化能力差等问题，本研究分析了多种算法的原理与流程，提出了一种利用布谷鸟搜索算法优化随机森林算法的混合预测模型。该方法旨在克服随机森林算法中人工调参的随机性与局限性。以铁箕山煤矿4427工作面采空区数据为案例，以CO浓度作为预测目标，验证了模型的适用性、优越性与可靠性。结果表明，通过自适应全局优化，CS-RF模型显著提升了预测精度与效率。相较于RF模型，均方根误差（RMSE）与平均绝对百分比误差（MAPE）分别降低了11.85%与23.83%，训练时间与预测时间分别缩短了74.83%与31.43%，线性拟合的决定系数（R²）提高了11.97%；与现场实际监测值相比，误差范围为0.53%–6.91%。该研究为煤矿煤自燃的精准、快速、智能预警提供了新的技术途径。

基于CS-RF的采空区煤自燃指标气体浓度预测模型研究解读

**1. 研究背景与问题**

煤炭是中国的主要能源，占全国一次能源消费总量的50%以上。煤自燃是煤矿中的重大灾害，尤其在采空区，超过50%的中国矿井面临自燃火灾风险。随着开采深度增加，地温升高导致煤层自燃更加频繁，容易引发火灾和瓦斯爆炸等事故。采空区自燃受多因素多场耦合作用影响，具有高隐蔽性、影响因素复杂和数据非线性等特点。准确预测指标气体浓度是实现早期预警和高效防控的关键。

煤低温氧化会释放CO、C₂H₄、C₂H₆等特征气体，其组分和浓度随温度系统变化，是判断自燃阶段和危险程度的主要依据。相比煤温，指标气体具有远距离可测、响应快、阶段性特征明显等优势，更适合预警。然而，现有预测方法存在以下问题：传统单一模型难以适应采空区环境多场耦合、非线性、高噪声的复杂数据特征，普遍存在稳定性差、预测精度不足等问题。尽管随机森林在煤温预测中表现优异，但其性能高度依赖决策树数量Ntree和节点特征数Mtree等超参数，传统人工调参结合网格搜索效率低且易陷入局部最优；PSO、SSA等优化算法也存在全局搜索能力不足、收敛速度有限的问题。此外，大多数现有研究聚焦于煤温预测，对指标气体浓度精细化直接建模的研究甚少。

直接预测目标气体浓度相比通过温度反算浓度具有多方面优势：预测精度和实时性更好，避免温度场重建的误差累积；工程适用性更强，气体监测技术更为成熟；物理机制建模更准确，能捕捉多参数与气体浓度的非线性映射关系；预警及时性更好，气体扩散速率快于热传导，可提供预警时间窗口。为此，研究人员提出用布谷鸟搜索（CS）算法优化随机森林（RF）构建CS-RF混合预测模型，直接预测采空区指标气体浓度。

**2. 关键技术与方法**

本研究主要采用了以下关键技术方法：①布谷鸟搜索算法（CS），一种元启发式优化算法，通过Lévy飞行实现高效全局搜索，具有参数少、全局寻优能力强、收敛快的特点；②随机森林算法（RF），集成学习与决策树相结合的机器学习方法，通过数据采样和特征选择的双重随机性降低过拟合风险；③CS-RF混合优化策略，以均方误差（MSE）或均方根误差（RMSE）为适应度函数，将RF超参数组合映射为CS算法中鸟巢的位置向量，通过迭代寻优获得最优超参数组合；④现场数据采集与验证，以铁箕山煤矿4427工作面为案例，通过CSMG-2煤自燃指标气体测试系统进行程序升温实验，结合现场监测和数值模拟构建数据集。

**3. 研究结果**

**3.1 指标气体确定与阈值设定**

通过对4427工作面煤样30至200°C氧化过程的气体分析，CO、CO₂、CH₄、C₂H₆、C₃H₈和C₂H₄呈规律性出现，产气量随温度升高呈指数增长。CO、CO₂和CH₄在加热开始即出现，80°C后CO产生量急剧增加。依据敏感性、规律性、可测性、唯一性、单调性和早期性六项选择原则，只有CO完全满足，因此选定CO作为2号煤层自燃指标气体。根据文献，4427工作面回风隅角CO浓度临界值为12 ppm，并按CO浓度划分为安全值（≤6 ppm）、加强观测（6–12 ppm）和自燃预警（≥12 ppm）三级。

**3.2 模型参数优化**

研究人员分析了CS算法中宿主发现概率Pa和鸟巢数量N对收敛过程的影响。结果表明，Pa在0.15至0.45范围内收敛过程较稳定，Pa=0.25时迭代步数最少；N在30至100范围内，N=50时收敛速率较优。最终确定Pa=0.3、N=50。经CS优化后，RF最优超参数为Mtree=10、Ntree=86。

**3.3 模型性能比较**

研究人员以采空区孔隙率、氧气浓度、甲烷浓度、温度和漏风速度为输入特征，以4427工作面回风隅角CO浓度为输出目标，构建了3125种工况，随机选取2500组为训练集、625组为测试集。与RF模型相比，CS-RF模型的RMSE和MAPE分别降低了11.85%和23.83%，训练时间和预测时间分别缩短了74.83%和31.43%。测试集线性拟合的R²值从RF的0.88878提升至CS-RF的0.99515，提高了11.97%，表明CS-RF模型的预测值与实际值的吻合度更高。利用连续七天现场实测数据进行误差分析，CS-RF模型预测的CO浓度与实际监测值的相对误差范围为0.53%至6.91%，验证了模型的可靠性。

**4. 讨论**

CS优化RF超参数后，预测精度和速度均显著提升，主要原因包括：集成学习的Bagging和随机特征选择有效降低模型方差，对噪声和异常值鲁棒性强；随机森林对超参数设置相对不敏感，CS进一步优化增强性能；树构建和预测过程高度可并行化，计算效率高。本研究还存在一定局限性，如CS优化RF模型的训练和测试数据有限，未通过与其他优化算法（如PSO、SSA）直接比较验证CS的优越性。未来可考虑开发基于CS-RF的采空区煤自燃气体浓度计算软件，探索多指标气体联合预测，并与煤矿安全监控系统集成，实现采空区煤自燃的实时在线监测和精准预警。

**5. 研究结论**

本研究成功开发了基于CS-RF的采空区煤自燃指标气体浓度预测模型。该模型有效克服了传统机器学习模型参数优化困难的问题，实现了RF超参数的自适应精准优化。与RF模型相比，RMSE和MAPE分别降低了11.85%和23.83%，训练时间和预测时间分别缩短了74.83%和31.43%，提升了预测模型的智能化水平。CS-RF模型预测与现场实测值的相对误差范围为0.53%至6.91%，具有预测精度高、训练速度快、稳定性好等优点，为采空区煤自燃指标气体浓度的精准快速预测提供了可靠的技术途径。

该研究成果发表在《ACS Omega》期刊上，为煤矿煤自燃的智能化预警提供了新的技术手段。