一种智能的HPSO-MLP模型，用于预测煤炭的自燃温度并优化抑制剂以提升矿山安全性

《Process Safety and Environmental Protection》：An Intelligent HPSO-MLP Model for Predicting Coal Spontaneous Combustion Temperature and Optimizing Inhibitor to Enhance Mine Safety

煤自燃温度预测与抑制剂优化研究提出混合模型HPSO-MLP，通过改进粒子群优化算法与多层感知机结合，利用O2、CO、C2H6等6项气体指标构建预测模型，测试集R2达0.981，最优抑制剂配方为7.78%MgCl2+4.87%VC+0.025%SDS，东滩煤矿验证R2>0.95。

　　

李文林|孙露露|魏贵和|刘林娟|朱振辉

山东科技大学安全与环境工程学院，中国青岛市266590

摘要

煤炭自燃对安全采矿作业构成重大威胁。准确预测其温度并优化抑制剂配方对于实现智能预警和灾害预防至关重要。本研究开发了一种混合机器学习模型，该模型结合了改进的粒子群优化算法（PSO）和多层感知器（MLP），以实现这一目标。基于温度程序控制实验和斯皮尔曼相关性分析，确定了关键指示气体作为模型输入。HPSO-MLP模型表现出优异的性能，在测试集上的决定系数（R2）为0.981，均方根误差（RMSE）为9.95℃，平均绝对百分比误差（MAPE）为7.44%，优于其他PSO变体。此外，该模型还优化了抑制剂配方，确定了最佳组成为7.78% MgCl?+4.87% VC+0.025% SDS，这种组合最有效地抑制了温度上升。当使用东滩煤矿的数据进行验证时，模型的R2值保持在0.95以上，证实了其鲁棒性和泛化能力。这项工作为主动管理煤炭火灾隐患提供了一种可靠的、基于人工智能的解决方案，有助于实现更安全、更高效的采矿实践。

引言

煤炭是中国的主要能源来源；2024年，原煤产量超过了47.6亿吨（Yearbook等，2024年），长期以来煤炭在能源结构中一直占据重要比例（Sun等，2025a；Dai和Finkelman，2018年）。煤炭自燃是中国煤炭生产过程中面临的主要灾害之一；它不仅会导致设备损坏和资源浪费，还可能引发二次灾害，如煤尘爆炸和瓦斯爆炸，造成更严重的伤亡和财产损失（Guo等，2019年；Stracher和Taylor，2004年）。煤炭自燃是一个复杂的物理化学过程，涉及煤炭与氧气之间的相互作用，这一过程会释放热量并产生气体产物（Lu等，2021年；Liang等，2019年）。这一过程通常进展缓慢且难以察觉，给煤炭自燃的早期识别和预警带来了重大挑战。因此，准确预测煤炭自燃过程中的温度变化，并据此开发高效的基于抑制剂的预防（Lu等，2017年；Kong等，2017年）和控制技术，对于实现早期预警和有效预防及控制煤矿火灾至关重要。

传统的煤炭自燃监测方法主要包括煤炭自燃倾向法（Lin等，2017年）、经验统计类比法（Onifade和Genc，2020年）、综合评估法（Wang等，2021年）、煤炭自燃实验法（Wang等，2014年）以及温度测量法（Yong等，2019年）。由于煤炭自燃过程中释放的气体产物浓度在不同氧化状态下有所变化，并且具有明显的阶段特征，因此最常用的方法之一是监测煤炭氧化过程中释放的指示气体以预测自燃。然而，在煤炭自燃氧化过程中，气体产物与煤炭质量状态之间存在复杂的非线性关系，这成为准确理解和有效预警自燃过程的主要限制因素；此外，在实际应用中，煤炭自燃温度的演变与煤炭特性、环境条件以及所用抑制剂的组成和浓度密切相关（Zhan等，2024年）。传统的基于单一气体的经验模型或预测方法往往难以准确捕捉这些复杂的动态机制，这通常导致预测精度不足、误报率较高以及在新采矿面或不同煤层应用时的泛化能力较差。因此，迫切需要智能的、数据驱动的方法，能够从历史和实验数据中自主学习这些复杂模式，从而实现主动和可靠的早期预警。

近年来，机器学习方法，特别是神经网络，在复杂系统建模方面展现了强大的潜力。神经网络的核心学习范式主要包括监督学习（Wang等，2020年）、无监督学习（Dike等，2018年）和强化学习（Baker等，2016年），这些方法主要应用于分类、回归、聚类和降维等领域（Wilamowski，2009年）。在预测煤炭自燃温度方面，监督学习通过建立输入特征（如气体浓度、环境温度和湿度）与目标输出（温度变化趋势）之间的映射关系来实现燃烧过程的动态建模（Long等，2025年；Wang等，2024a；Xing等，2025年）。与传统方法相比，神经网络可以自动提取非线性特征并捕捉多个因素之间的相互作用，显著提高预测精度。特别是引入深度架构后，模型表示长期时间序列数据的能力进一步增强，使其适用于复杂工作条件下的早期预警需求。循环神经网络（RNN），如LSTM（Ding等，2025年）和GRU（Chen等，2025年），在处理煤炭自燃过程的时间序列数据方面表现优异，能够有效记忆历史状态并捕捉温度演变路径中的长期依赖性。当结合注意力机制时，模型可以进一步关注关键影响因素，提高预测的可解释性和鲁棒性。最近的研究还表明，集成多源信息的混合深度学习架构，如CNN-LSTM（Lyu等，2021年）和Transformer-GAN（Wang等，2024b），在非线性动态系统建模方面表现出更强的泛化能力，为精确预警煤炭自燃提供了新的思路。然而，神经网络模型的性能在很大程度上取决于其超参数和连接权重的优化；标准优化算法容易陷入局部最优解，收敛速度较慢，这限制了其在工程实践中的应用。

粒子群优化（PSO）算法作为一种高效的群智优化工具，已被广泛用于神经网络训练（Zhuo等，2025年），但它本身存在过早收敛和探索与利用不平衡等固有缺点（Nakisa等，2014年）。为了解决上述挑战，本研究提出了一个多策略改进的粒子群优化框架，用于构建不同抑制剂配方下的煤炭自燃温度预测模型，从而直观地揭示不同抑制剂成分对加热过程的抑制效果。首先，系统收集了不同抑制剂配方比例下煤炭样品的温度程序控制实验中的气体产物数据，并通过相关性分析确定了煤炭样品温度程序控制过程中的关键指示气体。随后，设计了四种性能提升的PSO变体并进行比较：自适应权重PSO（IPSO）、混沌PSO（CPSO）、量子行为PSO（QPSO）以及结合梯度下降、混沌扰动和重启策略的混合PSO（HPSO）。通过对多个标准测试函数和实际煤炭自燃数据集的系统性评估，验证了改进算法在收敛速度、精度和鲁棒性方面的优越性。最后，利用最优算法训练神经网络，建立了一个“抑制剂配方-气体释放特性-温度”映射模型。本研究提出了一种新的预测驱动的逆向优化框架。我们没有直接拟合实验结果来寻找最佳配方，而是首先构建了一个高保真度的机器学习模型（HPSO-MLP），该模型能够根据任何抑制剂配方和实时气体数据准确预测完整的温度-时间曲线。该模型有效地编码了复杂的物理化学关系。然后通过查询该模型在计算机上执行优化，以找到最小化预测温度升高的配方。这种范式转变允许对抑制剂设计空间进行更全面、高效和基于机制的探索。这种方法不仅能够准确预测煤炭自燃温度，还能直观地揭示不同抑制剂成分对加热过程的抑制效果，从而为筛选和优化抑制剂配方提供科学的理论基础和数据驱动的决策支持，同时为智能早期预警和精确预防煤矿火灾提供了新的有效技术途径。

标准粒子群优化（PSO）

粒子群优化（PSO）是一种群智优化算法，灵感来源于自然界中群体生物的合作行为，例如鸟群觅食和鱼群游动，通过个体之间的信息共享和动态调整，群体逐渐接近最优目标，最终为复杂问题找到优化解决方案（Wang等，2018年）。粒子的位置和速度更新遵循这些核心原则

抑制剂处理煤炭样品的制备

实验用煤炭样品来自新疆库尔古矿业有限公司B2煤层的I010206工作面（以下简称库尔古煤矿），位于新疆昌吉州呼图壁县。该煤炭被归类为31号非粘结煤，具有非常低至低中等的灰分、非常低至中等的硫分和较高的热值。其近似分析如下表1所示。收集的煤炭块被运输到

HPSO-MLP预测模型在煤炭自燃预防中的工程应用

本研究使用了来自山东省济宁市东滩煤矿3308工作面和6303工作面的煤炭样品。研究地点和煤炭样品信息如图7和表6所示。通过温度程序控制实验验证了HPSO-MLP煤炭自燃温度预测模型的适用性。选择的抑制剂配方为7.5% MgCl?+2.5% VC+0.025% SDS。两种煤炭样品都经过了处理

讨论

本研究的主要目标是预测库尔古煤矿的煤炭自燃温度，基于五种粒子群优化（PSO）算法（基本PSO、IPSO、CPSO、QPSO、HPSO）构建了预测模型，用于优化多层感知器（MLP）。通过多维实验验证了算法的性能和模型的实用性，同时确定了当前研究的局限性和未来的优化方向。

根据

结论

本文基于改进的粒子群算法进行了建模和应用研究，重点关注煤炭自燃温度预测和抑制剂配方优化问题。主要结论如下：

(1)

通过斯皮尔曼等级相关性分析，研究了煤炭自燃过程中的气体指标。O?、CO、C?H?、C?H?、CH?和C?H?/C?H?被选为主要指标，权重为0.9，以及CO/ΔO?

CRediT作者贡献声明

刘林娟：撰写——初稿、验证、调查、概念化。朱振辉：软件、方法论、数据管理、概念化。孙露露：撰写——审阅与编辑、验证、监督、方法论、资金获取、正式分析、概念化。魏贵和：可视化、验证、资源管理、调查。李文林：撰写——初稿、可视化、验证、软件、方法论、调查、正式分析、数据管理，

利益冲突声明

我们声明与提交的工作没有任何可能构成利益冲突的商业或关联利益。

致谢

本工作得到了国家自然科学基金[项目编号52274212和52374216]、山东省自然科学基金[项目编号ZR2022ME108和ZR2023ME074]的支持。

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的商业或个人利益关系。