煤自燃指標氣體分析與分級預警

江莉娟 鄧存寶 王彩萍 雷昌奎 年軍

摘 要：煤自然發火嚴重制約礦井安全生產。為實現煤自然發火危險性精準預測預報，采用程序升溫試驗系統測試分析了沙曲一號煤礦不同粒徑煤樣各種氣體產物及其濃度變化規律，進一步引入隨機森林集成學習方法建立了煤自然發火危險性分級預警模型，并通過大佛寺煤礦自然發火試驗進行了驗證分析。結果表明：粒徑越小，煤氧接觸面積越大，煤氧反應越激烈，氣體產物濃度越大；C2H6氣體屬于煤體賦存氣體，在試驗初始階段就出現了，但C2H4氣體在溫度升高至120 ℃左右才出現，是煤氧化裂解的產物，可以作為沙曲一號煤礦自然發火指標氣體；基于隨機森林建立的煤自然發火危險性分級預警模型訓練樣本預測準確率達到100%，在默認參數條件下，測試樣本預測準確率高達96.7%，通過自然發火試驗數據驗證分析得到測試集預測準確率為98.9%，變量重要度評估結果為CO和C2H4氣體對煤自然發火危險性影響最大，這與現場實際情況吻合。隨機森林用于處理煤自然發火危險性與氣體產物之間的復雜非線性關系十分理想，適合于煤自然發火危險性預測預報。

關鍵詞：煤自燃；指標氣體；隨機森林；分級預警；變量重要度評估

中圖分類號：TD 75

文獻標志碼：

A

文章編號：1672-9315（2023）06-1088

-11

DOI：10.13800/j.cnki.xakjdxxb.2023.0607開放科學（資源服務）標識碼（OSID）：

Index gas analysis and grading early warning of

coal spontaneous combustion

JIANG Lijuan1，2，DENG Cunbao1，WANG Caiping3，LEI Changkui1，4，NIAN Jun1

（1.School of Safety and Emergency Management Engineering，Taiyuan University of Technology，Taiyuan 030024，China；

2.Faculty of Business and Economics，University of Pécs，Pécs 7622，Hungary；

3.College of Safety Science and Engineering，Xian University of Science and Technology，Xian 710054，China；

4.Shaanxi Shanli Technology Development Co.，Ltd.，Xian 710075，China）

Abstract：Coal spontaneous combustion seriously restricts the safety production of mines.In order to accurately predict the risk of coal spontaneous combustion，a temperature-programmed experimental system was adopted to test and analyze various gas products and their concentration changes in coal samples with different particle sizes in Shaqu No.1 Coal Mine.Furthermore，a random forest ensemble learning method was introduced to establish a grading and early warning model for the risk of coal spontaneous combustion，and the verification analysis was carried out by the spontaneous combustion test in Dafosi Coal Mine.The results show that the smaller the particle size，the larger the contact area between coal and oxygen，the more intense the coal oxygen reaction，and the higher the concentration of gas products.C2H6 belongs to the gas existing in the coal body，which appeared in the initial stage of the test.However，C2H4 only appears when the temperature rises to around 120 ℃，which is a product of coal oxidation cracking and can be used as an index gas for coal spontaneous combustion in Shaqu No.1 Coal Mine.The risk grading and early warning model for coal spontaneous combustion based on random forest has achieved 100% accuracy for training samples，and under the default parameter condition，the prediction accuracy of test samples is as high as 96.7%.The prediction accuracy of the test set is 98.9% through the validation and analysis of the spontaneous combustion test data，and the evaluation results of the importance of variables show that CO and C2H4 gases have the greatest impact on the risk of coal spontaneous combustion，which is consistent with the actual situation on site.These indicate that random forest is ideal for dealing with the complex nonlinear relationship between the risk of coal spontaneous combustion and gas products，and is suitable for predicting the risk of coal spontaneous combustion.

Key words：coal spontaneous combustion；index gas；random forest；grading early warning；variable importance assessment

0 引 言煤自燃災害極大威脅著礦井安全生產。采空區由于具有區域封閉、火源隱蔽、信息監測難等特點，導致其是煤礦井下自然發火重點區域之一，而煤自然發火危險性準確預測預報是對其進行有效防控和隱患判定的前提［1-2］。因此，采用科學有效的方法實現采空區煤自然發火危險性準確預測預報極其必要。煤自燃是一個復雜的物理化學過程，在這個過程中隨著煤氧復合反應的進行會釋放出不同的氣體，并且在不同的煤自燃狀態，氧化反應產生的氣體濃度會發生變化［3-5］。因此，通過煤自燃指標氣體的深入研究對煤自然發火預測預報具有重要作用。文虎等試驗研究了不同粒徑煤樣氣體產物濃度、火災系數等自燃指標的變化［6］；DENG等基于現場監測數據，采用稀疏數據點插值法分析了采空區O2、CO、CO2、CH4和溫度的三維分布規律［7］；WANG、易欣等分別研究了不同供氧濃度、不同變質程度和同一礦區不同煤礦煤在低溫氧化試驗過程中的氣體指標和極限參數等特征參數［8-9］；JIA等對6種氧濃度的煤樣進行了氧化試驗研究，分析不同溫度階段的氣體產物，對不同氧濃度下煤自燃的指示氣體進行了詳細分類和評估［10］；WANG等研究了80 ℃預氧化前后煤樣在不同供氧條件下氧化升溫試驗過程中各種氣體指標變化情況以及煤樣氧化性和放熱性特征［11］；王凱等探討了不同供風量條件下煤氧化過程氣體產物和復合氣體指標CO/O2、第一火災系數、CO/CO2、C2H6/C2H4變化規律［12］；YANG等基于自然發火試驗分析了煤自燃特征溫度與單一/復合氣體產生/消耗速率等參數的對應關系，建立了煤的溫度與產氣相關參數之間的相應關系［13］；WANG等研究了煤自然氧化升溫和冷卻過程氣體指標、氧化特征參數、活化能的變化特征［14］；任萬興、GUO等通過煤自燃氣體統計學特征建立了“氣體-溫度”預警體系并對煤自然發火危險階段進行了劃分［15-16］；YAN等結合灰色關聯分析（GRA）計算了13種指標氣體或氣體比例與煤溫的關系程度，建立了煤自燃指標數據值與溫度之間的數學函數模型，并計算了指標可以預測的溫度范圍［17］；周旭等基于自然發火試驗氣體體積分數及其比值數據提出了粒子群優化算法（PSO）優化極限梯度提升回歸樹（XGBoost）的煤自燃預測預警模型（PSO-XGBoost）［18］。指標氣體分析為煤自然發火預報預警提供了強有力的指導，但如何根據各種氣體產物來準確反推煤自然發火危險性是關鍵［19-20］。因而充分挖掘一切可用的信息和數據，從中預測煤自然發火態勢就顯得尤為重要。為此，在煤自燃指標氣體分析的基礎上引入具有強泛化性和魯棒性的隨機森林集成學習方法，將其應用于煤自然發火危險性預測預報，深入研究煤自燃氣體產物與煤自然發火危險性之間的復雜非線性關系，為沙曲一號煤礦煤自然發火預測預報提供技術指導。

1 煤自燃指標氣體分析

1.1 試驗測試采集華晉焦煤有限責任公司沙曲一號煤礦4502工作面塊煤20 kg密封隔氧運送到試驗室，煤樣工業分析和元素分析結果見表1。將原煤樣在空氣中破碎并篩分出粒度為：0～0.9 mm、0.9～3 mm、3～5 mm、5～7 mm和7～10 mm的5種煤樣，及5種粒度煤樣各200 g組成的混合煤樣，在程序升溫試驗系統中測試分析，試驗條件見表2。

程序升溫試驗系統結構如圖1所示，試驗測定系統由氣路、控溫箱和氣樣采集分析3部分構成［5］。在一個直徑9.5 cm，長25 cm的鋼管中，裝入煤量1 kg，為使通氣均勻，上下兩端分別留有2 cm左右自由空間（采用100目銅絲網托住煤樣），然后置于利用可控硅控制溫度的程序升溫箱內加熱，并送入預熱空氣，試驗過程中以120 mL/min的供氣流量，從30 ℃以0.3 ℃/min的升溫速率程序升溫至170 ℃，每10 ℃采集一次氣體通過氣相色譜儀測定分析。

1.2 試驗結果分析分別對6個煤樣進行程序升溫試驗測試分析，試驗過程中CO和CO2氣體濃度隨溫度變化如圖2和圖3所示。試驗初始低溫階段煤樣中含有微量的CO和CO2氣體，說明在常溫狀態下煤樣也存在一定的氧化，產生少量的CO和一定量的CO2氣體。6個不同粒徑的煤樣，整體呈現粒徑越小，CO和CO2濃度越大的趨勢，當溫度低于70 ℃時，由于煤氧復合反應進程緩慢，二者濃度隨粒度減小而增大的趨勢表現的并不明顯，隨著溫度升高，煤氧化學反應進一步加劇，這種趨勢愈發顯著，整體呈指數增長趨勢，而6#混樣氣體濃度數值整體與3

#煤樣一致，主要是6#混樣平均粒徑為4.18 mm，

3#煤樣平均粒徑為4.00 mm，二者粒徑大小相近，因此煤氧化反應程度基本一致。從而也進一步說明在氧化升溫試驗中，隨著煤樣粒度的減小，煤與氧氣接觸的表面積逐漸增大，煤氧復合作用越劇烈，產生的CO和CO2量也越大。

整個試驗過程中，CH4濃度隨著溫度升高逐漸增大，如圖4所示，在試驗開始的低溫階段便有CH4氣體產生，直至高溫階段，CH4含量不斷增大，說明沙曲一號煤礦4502工作面原始煤樣中就含有一定量的瓦斯氣體，這與其實際煤層賦存條件完全一致，4502工作面所在的3+4#煤層瓦斯含量

為11.6 m3/t，瓦斯壓力最大為1.38 MPa，堅固性系數最小為0.28，瓦斯放散初速度最大為12.3 mL/s。

隨著溫度升高，分子間的范德華力對CH4分子的吸附能力逐漸減弱，使得CH4由于脫附作用解吸出來，導致CH4含量急劇增加，并且煤體粒徑越小，破碎程度越好，在整個升溫過程中CH4濃度越大。受煤體本身CH4吸附量的影響，溫度在120 ℃之前，CH4大量解吸釋放，當溫度超過120 ℃以后，解吸量降低，主要是煤氧化學反應產生，CH4濃度增長趨勢相對變緩。

圖5所示為C2H6氣體隨氧化溫度變化曲線，從圖5可以看出，在試驗初始階段就出現C2H6氣體，說明煤樣中含有一定的C2H6氣體，隨著溫度升高，煤樣中吸附的C2H6氣體隨之發生脫附現象而逐漸釋放出來。因此，從指標氣體角度分析，C2H6氣體不能很好地作為4502工作面煤自燃的預報性指標氣體，因為該試驗中的C2H6氣體有相當一部分是煤樣脫附來的，不是完全由煤氧化產生。然而，通過試驗發現，沙曲一號煤礦4502工作面煤樣在試驗初始階段未產生C2H4氣體，直至溫度升高至120 ℃左右才出現少量的C2H4氣體，如圖6所示，說明沙曲一號煤礦4502工作面原始煤樣中并不含C2H4氣體，而在120 ℃以后產生的C2H4氣體主要是煤樣在高溫條件下裂解的氣體，這與煤樣的裂解溫度有關，因此C2H4可以作為4502工作面煤自燃指標氣體。同時，2種氣體產生率與粒徑有關，粒徑越小，產生量越多，并且溫度越高，產生率越高。

2 煤自燃分級預警模型的構建

2.1 隨機森林集成學習隨機森林（Random Forest，RF）是

BREIMAN于2001年提出的一種基于Bagging的集成學習方法［21-22］。隨機森林就是通過集成學習的思想將多棵決策樹集成的一種算法，可用于處理分類和回歸問題。

RF是基于Bagging （Bootstrap aggregating）思想，通過Bootstrap隨機抽樣建立決策樹基學習器，最后把這些基學習器結合起來形成最終的強學習器進行綜合預測，由于每個隨機子集都不同，保證了構建決策樹樣本集的多樣性。RF采用Bagging思想構建集成學習器示意如圖7所示。

RF以決策樹為基學習器構建Bagging集成的基礎上，進一步在決策樹的訓練過程中引入了隨機子空間方法（Random Subspace Method）。隨機子空間方法就是從隨機選擇部分屬性中挑選最佳屬性對內部節點進行屬性分裂，這個過程稱為隨機屬性選擇。傳統決策樹在選擇分裂屬性時是在當前結點的M個屬性中選擇一個最優屬性，而在RF中建立決策樹進行節點分裂時，先從M個屬性中隨機選擇一個包含mtry（mtry≤M）個屬性的子集，然后再從這個子集中選擇一個最優屬性進行分裂，參數mtry控制了輸入屬性隨機性的引入程度。

2.2 基于隨機森林的煤自燃分級預警模型煤自燃是一個動態變化且十分復雜的物理化學反應過程，在這個過程，隨著反應的進行，煤自燃會釋放不同的氣體，如圖8所示，在煤自燃不同氧化程度時，釋放出的氣體產物濃度不同，二者之間存在某種內在關聯，因此，可以通過監測煤自燃氧化過程中釋放的指標氣體來預測預報煤自燃狀態［23-25］。另外，由于煤自燃狀態與氣體之間的對應關系十分復雜，在數學中表現為非線性，故而采用一種科學可靠的數學方法來解決這個復雜非線性問題才是問題的關鍵。

隨機森林（RF）方法自2001年BREIMAN提出以來，

已經在很多領域得到了應用，如生物醫學、環境地理、大氣科學、能源燃料等［26-29］，并且體現出高精度和不易“過擬合”的特點。RF是一種基于Bagging和隨機屬性選擇的集成學習方法，它由多個決策樹構成，所構建的決策樹是CART（Classification And Regression Trees）樹，并不進行剪枝。設訓練集S={（xi，yi），i=1，2，…，N}，（X，Y）∈RM×R，輸入矩陣X由具有M個屬性的N個樣本組成，輸出Y是一個目標向量，RF算法偽代碼如下。

RF算法

Input：1.訓練樣本S={（xi，yi），i=1，2，…，N}，（X，Y）∈RM×R

2.測試樣本xi∈RM

For i=1 to ntree

（1）對原始訓樣本S進行Bootstrap抽樣，生成訓練子集Si

（2）使用Si生成不剪枝決策樹hi

a.從M個特征屬性中隨機選取mtry個屬性

b.在每個節點上從mtry個屬性中選擇最優屬性

c.從最優屬性進行分裂直到樹生長到最大

End

Output：1.決策樹集合{hi，i=1，2，…，ntree}

2.對于測試樣本，決策樹hi輸出hi（xt）

回歸：f（xt）=

1ntree

∑ntreei=1hi（xt）

分類：f（xt）=majority vote{hi（xt）}ntreei=1

因此，引入RF方法進行煤自然發火危險性預測，并對其預測性能進行考量。以試驗過程中煤自然氧化釋放的各種氣體為輸入參數，構建M個屬性的輸入矩陣X，以煤自然發火危險程度為目標向量Y，構建基于RF的煤自然發火危險性分級預警模型。

3 基于隨機森林的煤自然發火危險性預測

3.1 數據設置與計算步驟基于煤自燃程序升溫試驗，通過氣體測試分析和溫度實時監測，總共獲得了1～6#煤樣30～170 ℃的90組測量結果。在進行RF建模過程中，以煤自然發火階段性變化特征作為危險性分級基礎，將煤溫在臨界溫度以下（≤80 ℃）記作危險等級1，臨界溫度至干裂溫度（80～130 ℃）記作危險等級2，超過干裂溫度（>130 ℃）記作危險等級3，選擇氣體O2、CO、CO2、CH4、C2H6、C2H4濃度及粒徑大小作為輸入變量，危險等級作為目標輸出。其中，為了對模型效果進行測試，選取60組樣本用于訓練建模，剩余的30組樣本（總樣本數的1/3）用于模型測試。RF在建模過程中采用默認參數，默認情況下，樹的數量ntree=500，對于分類問題，mtry=

M；對于回歸問題，mtry=M/3。因此，對于處理煤自然發火危險性分級預警的分類問題，默認參數為ntree=500，mtry=3。根據RF方法流程，如圖9所示，將RF預測煤自然發火危險性步驟歸納如下。Step 1：設置氣體產物和粒徑為輸入變量和煤自然發火危險等級為輸出目標，利用Bootstrap重抽樣方法從原始樣本集

S抽取ntree個訓練集（Si，i=1，2，…，ntree），每個訓練集Si建立相應基學習器決策樹hi。Step 2：從M個輸入變量（屬性）中隨機選取mtry個屬性作為節點分裂的子集，再從該子集中選擇一個最優的屬性進行節點分裂，構建CART樹。

Step 3：每棵決策樹不進行任何剪枝的隨機生長，mtry值在整個森林的生長形成中保持不變。Step 4：ntree個訓練子集共生成ntree棵CART樹，由于這ntree個決策樹在Si選擇和節點分裂屬性的選取上都是隨機的，決定了這ntree棵決策樹彼此的獨立性。Step 5：將生成的ntree棵決策樹組成隨機森林，每棵決策樹hi（xt）均會輸出相應的預測結果，對于文中的分類問題，將所有分類決策樹輸出值采用少數服從多數的投票結果作為RF的最終預測值。

Step 6：利用未參與訓練建模的測試集數據檢驗RF預測性能。

3.2 預測結果分析依據模型參數設置和算法設計，在默認參數情況下，RF模型訓練建模樣本預測結果如圖10所示。從圖10（a）可以看出，訓練樣本預測危險等級與實際危險等級完全重合，預測結果準確率100%，同時通過混淆矩陣圖也可以看出，煤自燃3個危險等級各自的預測準確率均為100%，如圖10（b）所示，說明建模效果非常好，對訓練樣本的預測未出現錯誤。進一步，為了驗證RF模型泛化性，圖11給出了RF模型對未參與訓練建模的測試樣本的預測結果，通過測試樣本驗證可以發現，只有一個樣本將危險等級1判斷為危險等級2，出現了一個誤判，如圖11（a）所示；同時通過圖11（b）預測結果的混淆矩陣圖發現，煤自然發火危險等級2和3的預測準確率均為100%，只有危險等級1出現了一個誤判，其準確率為93.3%，測試樣本整體準確率達到96.7%，說明RF模型預測結果精度十分理想，適合于處理煤自然發火危險性與氣體濃度之間的復雜非線性關系，能夠用于煤自然發火危險性預測預報，并且無需復雜的參數設置，在默認參數條件下即可得到滿意的結果。

3.3 變量重要度評估RF建模過程中，由于OOB（Out-Of-Bag）數據沒有參與決策樹構建，OOB數據可以對輸入變量的重要性進行評估，主要是基于隨機置換（Permutation）原理進行衡量的。其具體步驟如下。

Step 1：計算每個決策樹OOB數據的準確性（分類問題）或者均方誤差（回歸問題），分類問題，記為e1。Step 2：變量Xi在OOB數據中隨機置換，形成新OOB樣本，并計算置換后新的OOB數據的e2。

Step 3：計算原始的和置換后得到的OOB預測誤差e之差ei。Step 4：每棵樹重復Step 1～3，所有樹的差異ei的平均作為變量Xi的重要性得分。變量重要性評價的依據就是，如果一個輸入變量很重要，那么其置換后會對預測結果的誤差產生十分明顯的影響，反之，如果預測誤差在變量置換之后沒有怎么改變，則說明該變量重要性低。圖12給出了基于煤自燃程序升溫試驗RF預測過程中計算得到的變量重要性得分，可以看出，CO、CH4和C2H4對危險性預測有很大影響，結果與指標氣體在實際應用中相吻合，這3種氣體，尤其是CO和C2H4在實際中被廣泛用作預測預報煤礦煤自燃的重要指標，CO是一種普遍認可和采用的重要指標。因為在原始煤層中不賦含CO，CO是煤氧化產生的氣體，因此它常作為一種可靠的指標氣體來推斷煤自燃氧化的狀態和發展程度。C2H4常作為煤自燃進入快速氧化階段的標志，通過前文煤氧化過程中C2H4分析就會發現，C2H4氣體是煤溫達到120 ℃以后才會出現的氣體，它是煤氧化裂解產生的氣體，因此在實際礦井生產過程中，一旦工作面能夠監測到C2H4的存在，說明遺煤氧化已經很嚴重了，就必須及時采取防控措施，否則在很短的時間內就會發生煤自燃災害。

3.4 驗證分析為了進一步分析隨機森林泛化性和魯棒性，采用大佛寺煤礦煤自然發火試驗數據建立RF煤自然發火危險性預測模型進行檢驗驗證。由于煤自然發火災害防控的重點在低溫氧化階段，一旦煤溫超過干裂溫度，在很短的時間內就會發生自燃，因此，在本驗證中著重以干裂溫度以下樣本為分析對象，煤自然發火危險等級劃分條件與前文一致，從而此處煤自然發火危險等級只有1和2這2類。經過27天自然發火試驗，自然發火試驗系統中煤體溫度從室溫（19.8 ℃）上升到了96.89 ℃。通過每天氣體測試分析和溫度實時監測，總共獲得了285組測量結果，在進行RF建模過程中，選擇氣體O2、CO、CO2、CH4、C2H4和C2H6氣體濃度作為輸入變量，煤自然發火危險等級作為目標輸出。其中，以190組樣本訓練建模，95組（總樣本數的1/3）未參與訓練的樣本用于測試分析。RF預測結果如圖13所示，訓練樣本預測結果與實際值完全一致，危險等級為1的148個樣本和危險等級為2的42個樣本預測準確率均為100%；同時，通過測試樣本分析發現，95個預測樣本中危險等級為1的樣本預測準確率100%，危險等級為2的樣本中僅有一個實際預測出現偏差，將危險等級2誤判為危險等級1，其他全部準確，整體準確率高達98.9%。因此，充分說明基于RF建立煤自然發火危險程度分級預警模型準確可靠，可以推廣應用于現場煤自然發火危險性預測預報。

圖14所示為RF建模過程對變量重要度評估結果，從圖14可以看出，CO和C2H4是影響煤自然發火危險性預測的2個主要指標，O2和CO2次之，而CO和C2H4也正是大佛寺煤礦用于煤自燃預測預報的2個重要指標氣體，O2和CO2形成的指標參數亦是實際常用于對比分析的重要指標。因此，基于RF的變量重要度評估結果與現場應用完全一致，也進一步驗證了RF方法的有效性與可靠性。同時也說明，在實際中RF方法可以作為煤自然發火指標氣體優選的有效方法。

4 結 論

1）粒徑對煤氧化反應具有較大影響，粒徑越小氣體產生濃度越大，煤氧復合作用越劇烈，且隨著溫度升高，該趨勢愈發明顯；在試驗初始階段就出現C2H6氣體但未產生C2H4氣體，在溫度升高至120 ℃左右才出現少量的C2H4氣體，C2H4氣體可以作為沙曲一號煤礦煤自然發火指標氣體。

2）采用隨機森林集成學習方法建立了煤自然發火危險性分級預警模型，在默認參數條件下，測試樣本預測準確率達到了96.7%。大佛寺煤礦自然發火試驗驗證得到樣本預測正確率為98.9%，說明RF模型預測結果精度十分理想，適合于處理煤自然發火危險性與氣體濃度之間的復雜非線性關系，能夠用于煤自然發火危險性預測預報。

3）通過OOB數據對輸入變量的重要性進行評估，CO和C2H4對煤自然發火危險性預測有很大影響，這與指標氣體在實際應用中相吻合，在原始煤層中不賦含CO和C2H4氣體，二者的出現是遺煤發生自然氧化和進入快速氧化階段的標志，一旦工作面能夠檢測到C2H4的存在，就說明氧化溫度達到了120 ℃左右，亟待采取防控措施。

參考文獻（References）：

［1］ 王德明，張偉，王和堂，等.煤礦熱動力重大災害的不確定性風險特性研究［J］.采礦與安全工程學報，2023，40（4）：826-837.

WANG Deming，ZHANG Wei，WANG Hetang，et al.Uncertain risk characteristics of major thermodynamic disasters in underground coal mines［J］.Journal of Mining and Safety Engineering，2023，40（4）：826-837.

［2］LIANG Y，ZHANG J，WANG L，et al.Forecasting spontaneous combustion of coal in underground coal mines by index gases：A review［J］.Journal of Loss Prevention in the Process Industries，2019，57：208-222.

［3］秦波濤，仲曉星，王德明，等.煤自燃過程特性及防治技術研究進展［J］.煤炭科學技術，2021，49（1）：66-99.

QIN Botao，ZHONG Xiaoxing，WANG Deming，et al.Research progress of coal spontaneous combustion process characteristics and prevention technology［J］.Coal Science and Technology，2021，49（1）：66-99.

［4］趙曉虎，孫鵬帥，楊眷，等.應用于煤自燃指標氣體體積分數在線監測系統［J］.煤炭學報，2021，46（S1）：319-327.

ZHAO Xiaohu，SUN Pengshuai，YANG Juan，et al.Online monitoring system of index gases concentration applied to coal spontaneous combustion［J］.Journal of China Coal Society，2021，46（S1）：319-327.

［5］LEI C，SHI X，JIANG L，et al.Study on the effect of external air supply and temperature control on coal spontaneous combustion characteristics［J/OL］.Sustainability，2023，15，8286.http：//doi.org/10.3390/su15108286

［6］文虎，郭曦蔓，張鐸，等.建北煤礦高瓦斯煤層自燃早期預報指標優選研究［J］.礦業安全與環保，2022，49（3）：1-8.

WEN Hu，GUO Ximan，ZHANG Duo，et al.Optimization of early prediction index for spontaneous combustion of gassy coal seam in Jianbei Coal Mine［J］.Mining Safety & Environmental Protection，2022，49（3）：1-8.

［7］DENG J，LEI C，XIAO Y，et al.Determination and prediction on “three zones” of coal spontaneous combustion in a gob of fully mechanized caving face［J］.Fuel，2018，211：458-470.

［8］WANG C，ZHAO X，BAI Z，et al.Comprehensive index evaluation of the spontaneous combustion capability of different ranks of coal［J］.Fuel，2021，291：120087.

［9］易欣，張敏，鄧寅，等.淮南礦區煤自燃指標氣體及特征參數［J］.西安科技大學學報，2023，43（3）：457-465.

YI Xin，ZHANG Min，DENG Yin，et al.Spontaneous combustion indicator gases and characteristic parameters of coal in Huainan mining area［J］.Journal of Xian University of Science and Technology，2023，43（3）：457-465.

［10］JIA X，WU J，LIAN C，et al.Assessment of coal spontaneous combustion index gas under different oxygen concentration environment：an experimental study［J］.Environmental Science and Pollution Research，2022，29（58）：87257-87267.

［11］WANG K，HE Y，FAN H，et al.Study of the coal secondary spontaneous combustion behavior under different pre-heating oxygen concentrations［J］.Journal of Thermal Analysis and Calorimetry，2021，146（2）：681-688.

［12］王凱，韓濤，和運中.風量影響下的煤自燃定量預測預報指標試驗研究［J］.西安科技大學學報，2022，42（1）：16-21.

WANG Kai，HAN Tao，HE Yunzhong.Experimental study on quantitative prediction indexes of coal spontaneous combustion based on air supply［J］.Journal of Xian University of Science and Technology，2022，42（1）：16-21.

［13］YANG Y，FEI J，LUO Z，et al.Experimental study on characteristic temperature of coal spontaneous combustion［J］.Journal of Thermal Analysis and Calorimetry，2023，148（19）：10011-10019.

［14］WANG C，DENG Y，ZHANG Y，et al.Coal oxidation characteristics and index gases of spontaneous combustion during the heating and cooling processes［J］.Fuel，2022，307：121806.

［15］任萬興，郭慶，石晶泰，等.基于標志氣體統計學特征的煤自燃預警指標構建［J］.煤炭學報，2021，46（6）：1747-1758.

REN Wanxing，GUO Qing，SHI Jingtai，et al.Construction of early warning indicators for coal spontaneous combustion based on statistical characteristics of index gases［J］.Journal of China Coal Society，2021，46（6）：1747-1758.

［16］GUO Q，REN W，LU W.Risk evaluation of coal spontaneous combustion from the statistical characteristics of index gases［J］.Thermochimica Acta，2022，715：179287.

［17］YAN H，NIE B，LIU P，et al.Experimental assessment of multi-parameter index gas correlation and prediction system for coal spontaneous combustion［J］.Combustion and Flame，2023，247：112485.

［18］周旭，朱毅，張九零，等.基于PSO-XGBoost的煤自燃程度預測研究［J］.礦業安全與環保，2022，49（6）：79-84.

ZHOU Xu，ZHU Yi，ZHANG Jiuling，et al.Study on prediction model of coal spontaneous combustion based on PSO-XGBoost［J］.Mining Safety & Environmental Protection，2022，49（6）：79-84.

［19］郭軍，金彥，文虎，等.礦井煤層自燃程度精細劃分與預警方法研究［J］.煤炭科學技術，2021，49（10）：115-121.

GUO Jun，JIN Yan，WEN Hu，et al.Study on fine division and early warning methods of spontaneous combustion degree of coal seams in mines［J］.Coal Science and Technology，2021，49（10）：115-121.

［20］LEI C，DENG J，CAO K，et al.A random forest approach for predicting coal spontaneous combustion［J］.Fuel，2018，223：63-73.

［21］BREIMAN L.Random forests［J］.Machine Learning，2001，45（1）：5-32.

［22］TIWARY A K，GHOSH S，SINGH R，et al.Automated coal petrography using random forest［J］.International Journal of Coal Geology，2020，232：103629.

［23］鄧軍，雷昌奎，曹凱，等.采空區煤自燃預測的隨機森林方法［J］.煤炭學報，2018，43（10）：2800-2808.

DENG Jun，LEI Changkui，CAO Kai，et al.Random forest method for predicting coal spontaneous combustion in gob［J］.Journal of China Coal Society，2018，43（10）：2800-2808.

［24］GUO J，WEN H，ZHENG X，et al.A method for evaluating the spontaneous combustion of coal by monitoring various gases［J］.Process Safety and Environmental Protection，2019，126：223-231.

［25］岳寧芳，金彥，孫明福，等.基于多指標氣體的煤自燃進程分級預警研究［J］.安全與環境學報，2020，20（6）：2139-2146.

YUE Ningfang，JIN Yan，SUN Mingfu，et al.Multi-staged warning system for controlling the coal spontaneous combustion based on the various index gases［J］.Journal of Safety and Environment，2020，20（6）：2139-2146.

［26］LEI C，DENG J，CAO K，et al.A comparison of random forest and support vector machine approaches to predict coal spontaneous combustion in gob［J］.Fuel，2019，239：297-311.

［27］WANG Z，CAI Y，LIU D，et al.Intelligent classification of coal structure using multinomial logistic regression，random forest and fully connected neural network with multisource geophysical logging data［J］.International Journal of Coal Geology，2023，268：104208.

［28］CHELGANI S C.Prediction of specific gravity of afghan coal based on conventional coal properties by stepwise regression and random forest［J］.Energy Sources，Part A：Recovery，Utilization，and Environmental Effects，2023，45（2）：4323-4334.

［29］袁懿琳，趙榮煥，何坤，等.基于隨機森林和樹突網絡的煤鏡質組反射率估計［J］.工礦自動化，2023，49（8）：148-155.

YUAN Yilin，ZHAO Ronghuan，HE Kun，et al.Estimation of coal vitrinite reflectance based on random forest and dendritic network［J］.Industry and Mine Automation，2023，49（8）：148-155.

（責任編輯：劉潔）