煤自燃指标气体分析与分级预警

煤自然发火严重制约矿井安全生产。为实现煤自然发火危险性精准预测预报,采用程序升温试验系统测试分析了沙曲一号煤矿不同粒径煤样各种气体产物及其浓度变化规律,进一步引入随机森林集成学习方法建立了煤自然发火危险性分级预警模型,并通过大佛寺煤矿自然发火试验进行了验证分析。结果表明:粒径越小,煤氧接触面积越大,煤氧反应越激烈,气体产物浓度越大;C_(2)H_(6)气体属于煤体赋存气体,在试验初始阶段就出现了,但C_(2)H_(4)气体在温度升高至120℃左右才出现,是煤氧化裂解的产物,可以作为沙曲一号煤矿自然发火指标气体;基于随机森林建立的煤自然发火危险性分级预警模型训练样本预测准确率达到100%,在默认参数条件下,测试样本预测准确率高达96.7%,通过自然发火试验数据验证分析得到测试集预测准确率为98.9%,变量重要度评估结果为CO和C_(2)H_(4)气体对煤自然发火危险性影响最大,这与现场实际情况吻合。随机森林用于处理煤自然发火危险性与气体产物之间的复杂非线性关系十分理想,适合于煤自然发火危险性预测预报。

采空区煤自燃极限参数灰色关联分析及预测

采空区动态变化特征决定了煤自燃极限参数与其影响因素之间的复杂性。为了实现煤自燃极限参数精准预测,引入灰色综合关联度分析方法,定量分析了上限漏风强度与其影响因素之间的关联程度,并基于此建立了改进粒子群优化算法(IPSO)优化支持向量回归(SVR)参数的煤自燃极限参数预测模型;以上限漏风强度为例,分别建立了标准PSO-SVR模型和多元线性回归模型(MLR),进行上限漏风强度预测并与已有的变步长网格搜索优化SVR参数方法和神经网络对比。结果表明:浮煤厚度与上限漏风强度的灰色综合关联度最大,氧体积分数与煤温次之,放热强度与采空区距工作面距离最小;煤自燃极限参数与其影响因素之间非线性关系较线性关系更显著;SVR相比于神经网络方法具有更强的非线性处理能力;IPSO-SVR模型预测值与真实值之间的相对误差在2.6%以内,其预测精度明显优于其他4种模型,IPSO参数优化对提高SVR模型的预测精度有很大帮助,IPSO-SVR方法应用于煤自燃极限参数预测是有效的。