典型文献
基于机器学习的煤自然发火期预测
文献摘要：
为快速准确地预测煤自然发火期,首先基于大型煤自燃低温氧化试验及文献数据组成数据集,并考虑煤自燃影响因素众多且与发火期存在复杂的非线性关系,建立包含煤自然发火期、环境温度、煤炭热值、水分等参数的数据集;其次采用多层感知机(MLP)和随机森林(RF)等机器学习方法建立煤自然发火期预测模型,表征内部因素和外部因素对发火期的影响;同时为增强模型的拟合能力和泛化能力,利用特征工程研究特征变量的相关性,以筛选模型的输入特征;然后利用网格搜索法优化模型超参数,以提高模型的预测能力;最后利用学习曲线法评估模型状态,防止模型过拟合.结果表明:RF和MLP模型均能预测煤自然发火期,RF模型的泛化能力更高;RF和MLP模型预测的平均绝对误差(MAE)分别为9.34天和12.10天,说明机器学习模型可同时考虑多个内外影响因素的复杂作用.
文献关键词：
煤自然发火期;机器学习;预测模型;随机森林(RF);多层感知机(MLP)
中图分类号：
作者姓名：
张利冬;宋泽阳;罗振敏;赵珊珊
作者机构：
西安科技大学安全科学与工程学院,陕西西安710054;陕西省煤火灾害防治重点实验室,陕西西安710054;陕西省工业过程安全与应急救援工程技术研究中心,陕西西安710054
文献出处：
引用格式：
[1]张利冬;宋泽阳;罗振敏;赵珊珊-.基于机器学习的煤自然发火期预测)[J].中国安全科学学报,2022(12):118-124
A类：
煤自然发火期
B类：
基于机器学习,快速准确,型煤,煤自燃,低温氧化,文献数据,非线性关系,热值,多层感知机,MLP,RF,机器学习方法,内部因素,外部因素,增强模型,泛化能力,特征工程,工程研究,研究特征,特征变量,筛选模型,输入特征,网格搜索法,超参数,预测能力,用学,学习曲线,过拟合,平均绝对误差,MAE,机器学习模型
AB值：
0.234446
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
