基于ACO?KELM的采空區遺煤溫度預測模型研究

關鍵詞：采空區遺煤；煤自燃；遺煤溫度預測；核極限學習機；蟻群算法；漏風強度；指標氣體分析法；漏風風速

中圖分類號：TD752 文獻標志碼：A

0引言

火災作為礦井五大災害之一，對于礦井生產及人員健康有著嚴重威脅[1-2]。經過大量事故統計發現，在礦井火災眾多的成因當中，采空區遺煤自燃是最突出的因素，其引發的火災數量占總數的60% 以上[3-5]。采空區位置較特殊，人員與常規監測設備難以深入其中，使得采空區遺煤溫度預測成為礦井火災防控工作的核心要點與難點。

目前對于采空區溫度的預測主要采用指標氣體分析法，通過分析煤氧化氣體與煤溫間的非線性關系，實現由氣定溫的目標[6]。駱大勇等[7]對煤樣進行了升溫實驗，根據實驗結果將CO，C2H6，C3H8 分別作為煤溫在20～100 ℃，100～150 ℃ 及大于150 ℃ 時的指標氣體，得到指標氣體濃度與溫度間的函數關系式，從而實現對采空區內溫度的階段性預測。武福生[8]研究了不同O2 濃度、空氣流量下煤樣復合氣體指標的變化規律，將φ（O₂）/（φ（CO）+φ（CO₂））作為溫度低于100 ℃ 的煤自燃預測指標，將φ（C₂H₄）/φ（CH₄）和φ（CO）/φ（CO₂）作為溫度高于100 ℃ 時的煤自燃預測指標，φ（·）為氣體體積分數，為利用氣體預測采空區溫度提供了科學依據。但指標氣體分析法無法直接獲取某一氣體濃度下的實際溫度，通常僅能通過相關性分析推測溫度的變化范圍或趨勢。

隨著計算機技術的興起，越來越多的學者以指標氣體分析法為基礎，建立了對應性強、精度高、適用性廣、預測速度快的溫度回歸模型[9]。張天宇等[10]為預測煤溫，以支持向量機（Support Vector Machine，SVM）為基礎，將指標氣體濃度、格氏火災系數和煤炭種類作為特征指標，建立了多煤種溫度預測模型，并利用網格搜索法對模型參數進行尋優，模型預測準確率高達98.26%。孔彪等[11]在鯨魚優化算法（Whale Optimization Algorithm，WOA）的基礎上引入了非線性收斂因子和隨機學習策略，使模型在測試階段的MAPE 由6.734 1% 降至3.039 3%，大幅提高了精度與穩定性。鄧軍等[12]在SVM 的基礎上引入主成分分析法，選取對煤自燃程度影響較大的3 個主要成分作為特征量建立模型，并利用粒子群算法（Particle Swarm Optimization， PSO）對模型參數進行尋優，模型精度和預測穩定性較高。昝軍才等[13]將煤樣氧化產物濃度作為神經網絡輸入、煤溫作為輸出建立BP 神經網絡預測模型，模型預測值與實際值的誤差不超過0.065%，同時該模型計算速度較快，穩定性較好。然而，現有研究多側重于溫度與氣體濃度之間的關系，較少考慮采空區內遺煤溫度與距工作面距離及漏風風速之間的復雜非線性關系。在實際采空區中，距離工作面較近的區域，受開采活動的影響，漏風風速較大，加速遺煤的氧化升溫過程，導致預測出的煤溫與實際溫度相差較大；當漏風風速發生變化時，比如在通風系統調整后，采空區內的熱量傳遞和遺煤氧化情況也會隨之改變，預測模型無法準確捕捉這些動態變化，導致在新的通風條件下，煤溫預測出現較大偏差，無法為煤自燃的防治提供精準的溫度預警[14-15]。

為準確預測采空區遺煤溫度，本文在中天合創能源有限責任公司葫蘆素煤礦21404工作面采空區布置束管及分布式光纖，對21404工作面采空區內O₂濃度、CO濃度、CO₂濃度和溫度數據進行采集。同時結合采空區內漏風強度和距工作面不同水平距離， 構建核極限學習機（Kernel Extreme LearningMachine， KELM） 模型， 通過蟻群優化（Ant" ColonyOptimization， ACO）算法對KELM 模型中的正則系數和核參數進行尋優，獲得最優超參數組合，通過訓練得到性能最優的KELM 模型。在此基礎上，建立了基于ACO優化KELM（ACO?KELM）的采空區遺煤溫度回歸模型，并驗證了ACO?KELM模型在遺煤溫度預測中的應用效果。

1基于ACO?KELM 的采空區遺煤溫度預測模型

1.1KELM數學模型

目前，許多學者已建立了多種有效的煤溫預測模型，但現有的典型模型由于自身原因仍存在一些局限性。例如，神經網絡模型容易陷入局部最優解，且在訓練數據不足或噪聲較大的情況下，常常出現過擬合問題；SVM的訓練時間較長，且對樣本規模和分布具有較高的敏感性；隨機森林（Random Forest，RF）模型依賴于決策樹的分裂規則，在處理復雜非線性關系時表現相對較弱。KELM 模型在回歸預測中具有訓練速度快、調參簡單、泛化能力強、模型結構簡單、不易陷入局部最優等優勢，且精度和計算效率較高，因此本文選擇KELM 模型作為基線模型，以實現更為精準的煤溫預測[16]。

1.2蟻群算法

KELM模型中的正則化系數E 及核參數S 用于控制模型的復雜度，防止過擬合。如果參數設置不合適，則無法發揮出最優效果。本文選取參數設置簡單、全局搜索能力強的ACO 對KELM 模型中的正則化系數E 及核參數S 進行尋優，在保證模型不出現過擬合的前提下找到最優參數[17-18]。

1.2.1狀態轉移概率

設螞蟻種群數量為M，默認各路徑初始信息素濃度相同，即優化目標求解值相同。螞蟻下一次位移方向地點由數據本身特征與優化值之間的距離共同決定。螞蟻m從數據節點s運動到數據節點u 的轉移概率為

1.3ACO?KELM模型預測流程

考慮到模型計算的簡便性和準確性，選取徑向基函數核（高斯核）作為本模型的核函數。模型構建及運行在Matlab 上實現，整體運行流程如圖1 所示。

首先，對監測到的溫度、氣體等數據進行異常數據去除及歸一化處理，將保留的70 組數據按8∶2劃分為訓練集和測試集。其次，初始化蟻群種群數M、最大迭代次數Max、信息素揮發系數ρ、信息素強度Q 及轉移概率常數p₀，基于式（3）、式（4）得到每個螞蟻當前信息素濃度下的超參數，將其用于KELM 模型訓練，并計算適應度。然后，根據KELM 模型的表現，更新螞蟻路徑上的信息素濃度，達到最大迭代次數或滿足收斂條件時停止尋優。最后，選擇性能最優的超參數組合， 并使用該組合訓練最終的KELM 模型，對測試集數據進行反歸一化處理后得到遺煤溫度預測值。

2模型特征指標值分析

2.1采空區氣體濃度、距離與溫度間關系

本文通過預埋束管的方式現場采集21404工作面采空區氣體數據，并通過在采空區內敷設光纖獲取遺煤溫度（圖2），束管及光纖部分數據如圖3所示。

由圖5可看出，采空區內漏風強度隨距工作面水平距離的增加而逐漸降低。在距工作面水平距離為0～20m 時，漏風強度較大，遺煤氧化反應產生的熱量大部分被風流帶走，導致溫度上升較慢，整體溫度較低。隨著距工作面水平距離的增加，上覆巖層逐漸垮落，采空區內孔隙率減小，漏風風速減緩，風流帶走的熱量小于煤氧化反應釋放的熱量，溫度加速上升。當距工作面水平距離進一步增加時，采空區內部孔隙率持續降低，漏風量越來越小，經過氧化帶的消耗后，已無法為遺煤提供充足的O₂，致使遺煤溫度開始下降，并最終趨于穩定。

需要說明的是，式（6）中漏風強度的計算需要溫度參與，結合礦井采空區實際溫度變化范圍，最終確定以30 ℃ 時煤樣的耗氧速率作為基準，將耗氧速率定為常數值，以保證輸入指標的合理性。

3ACO?KELM模型預測結果分析

3.1模型評價指標

為驗證ACO?KELM模型預測效果，本文選擇平均絕對誤差（Mean Absolute Error，MAE）、均方根誤差（Root Mean Squared Error，RMSE） 、判定系數R² 共3項指標對預測結果進行評價[25]。MAE 可以直觀地看出模型預測值與真實值之間的差距，由于對差值計算進行了取正，所以不考慮預測結果的正負，更關注絕對誤差。MAE越小，說明模型越精準，當MAE 等于0時，該模型為完美模型。RMSE 主要衡量預測值與真實值間的偏差程度，RMSW"越小，表明模型精度越高，但極易受異常值影響，對模型效果造成誤判。R²在0～1內取值，越接近1，說明模型擬合效果越好。

3.2模型對比分析

去除異常數據后束管檢測點1 及束管檢測點2共70組合格數據，整體進行歸一化處理后按8∶2 進行訓練集、測試集劃分。ACO的超參數M（蟻群種群數）、Max（最大迭代次數）、ρ（信息素揮發系數）、Q（初始信息素強度）及p₀（轉移概率常數）分別設定為50，50，0.9，1.0，0.2，并以訓練集、測試集均方根誤差的平均值作為適應度函數，模型收斂曲線如圖6所示。可看出迭代30次后最佳適應度值趨向收斂且較為理想，直觀表明ACO在參數尋優方面的高效性和KELM模型在預測精度和泛化能力方面的優勢。

為驗證ACO?KELM模型的準確性和可行性，選取基于極限學習機（Extreme Learning" Machine，ELM）及基于RF 的2種煤溫預測模型為對比模型，將相同的訓練集和測試集代入其中。基于ELM 的預測模型[26]隱含層神經元數為8，選取Sigmoid 激活函數；基于RF 的預測模型[27]決策樹數量為100，最大樹深為5。各模型評價指標見表1。

從表1 可看出， ACO?KELM 模型的MAE 較基于ELM 算法和基于RF 算法的預測模型分別降低了65%， 53%，誤差基本在±0.01℃內。ACO?KELM 模型的RMSE 較基于ELM 算法和基于RF 算法的預測模型分別降低了195%， 156%，說明ACO?KELM模型的預測結果最接近真實值。此外ACO?KELM模型在訓練集和測試集上的R2 差值為0.01，說明ACO?KELM模型沒有過擬合，泛化性較強。

3種模型測試集樣本的預測值和真實值如圖7所示。

從圖7可看出，基于ELM算法的預測模型在某些樣本的預測上偏離真實值較多，整體離散程度大；基于RF 算法的預測模型較基于ELM算法的模型誤差更小，但整體上預測精度仍低于ACO?KELM 模型；而ACO?KELM 模型在整體預測上不僅誤差最小，且預測值曲線與真實值曲線相似度最高，數據間離散度最小，說明ACO?KELM 模型不僅提高了煤自燃溫度預測精度，且魯棒性有了明顯的提升。

4結論

1）結合ACO 優化算法和KELM 模型構建基于ACO?KELM 的采空區遺煤溫度預測模型，實現對模型正則系數及核參數自動尋優，該模型較為簡單，復雜程度較低，不易陷入過擬合。

2） 經過現場數據分析，發現隨著采空區內距工作面水平距離的增加，CO，CO₂濃度不斷上升，O₂濃度和漏風強度不斷減小，遺煤溫度呈先上升后下降的變化趨勢，整體間存在較強的非線性關系，因此將采空區內距工作面不同水平距離相應位置處的CO，CO₂，O₂濃度和漏風強度作為模型特征指標。

3） 引入基于ELM，RF算法的煤溫預測模型，綜合對比ACO?KELM 采空區遺煤溫度預測模型性能。結果表明ACO?KELM模型的R² 在測試集上高達0.9635，且MAE 和RMSE僅為0.0701和0.0748，顯著優于其他2種模型，為采空區內遺煤溫度預測提供了解決方案。