煤自燃指标气体分析与分级预警

江莉娟 邓存宝 王彩萍 雷昌奎 年军

摘 要：煤自然發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；C2H6气体属于煤体赋存气体，在试验初始阶段就出现了，但C2H4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C2H4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。

关键词：煤自燃；指标气体；随机森林；分级预警；变量重要度评估

中图分类号：TD 75

文献标志码：

A

文章编号：1672-9315（2023）06-1088

-11

DOI：10.13800/j.cnki.xakjdxxb.2023.0607开放科学（资源服务）标识码（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 言煤自燃災害极大威胁着矿井安全生产。采空区由于具有区域封闭、火源隐蔽、信息监测难等特点，导致其是煤矿井下自然发火重点区域之一，而煤自然发火危险性准确预测预报是对其进行有效防控和隐患判定的前提［1-2］。因此，采用科学有效的方法实现采空区煤自然发火危险性准确预测预报极其必要。煤自燃是一个复杂的物理化学过程，在这个过程中随着煤氧复合反应的进行会释放出不同的气体，并且在不同的煤自燃状态，氧化反应产生的气体浓度会发生变化［3-5］。因此，通过煤自燃指标气体的深入研究对煤自然发火预测预报具有重要作用。文虎等试验研究了不同粒径煤样气体产物浓度、火灾系数等自燃指标的变化［6］；DENG等基于现场监测数据，采用稀疏数据点插值法分析了采空区O2、CO、CO2、CH4和温度的三维分布规律［7］；WANG、易欣等分别研究了不同供氧浓度、不同变质程度和同一矿区不同煤矿煤在低温氧化试验过程中的气体指标和极限参数等特征参数［8-9］；JIA等对6种氧浓度的煤样进行了氧化试验研究，分析不同温度阶段的气体产物，对不同氧浓度下煤自燃的指示气体进行了详细分类和评估［10］；WANG等研究了80 ℃预氧化前后煤样在不同供氧条件下氧化升温试验过程中各种气体指标变化情况以及煤样氧化性和放热性特征［11］；王凯等探讨了不同供风量条件下煤氧化过程气体产物和复合气体指标CO/O2、第一火灾系数、CO/CO2、C2H6/C2H4变化规律［12］；YANG等基于自然发火试验分析了煤自燃特征温度与单一/复合气体产生/消耗速率等参数的对应关系，建立了煤的温度与产气相关参数之间的相应关系［13］；WANG等研究了煤自然氧化升温和冷却过程气体指标、氧化特征参数、活化能的变化特征［14］；任万兴、GUO等通过煤自燃气体统计学特征建立了“气体-温度”预警体系并对煤自然发火危险阶段进行了划分［15-16］；YAN等结合灰色关联分析（GRA）计算了13种指标气体或气体比例与煤温的关系程度，建立了煤自燃指标数据值与温度之间的数学函数模型，并计算了指标可以预测的温度范围［17］；周旭等基于自然发火试验气体体积分数及其比值数据提出了粒子群优化算法（PSO）优化极限梯度提升回归树（XGBoost）的煤自燃预测预警模型（PSO-XGBoost）［18］。指标气体分析为煤自然发火预报预警提供了强有力的指导，但如何根据各种气体产物来准确反推煤自然发火危险性是关键［19-20］。因而充分挖掘一切可用的信息和数据，从中预测煤自然发火态势就显得尤为重要。为此，在煤自燃指标气体分析的基础上引入具有强泛化性和鲁棒性的随机森林集成学习方法，将其应用于煤自然发火危险性预测预报，深入研究煤自燃气体产物与煤自然发火危险性之间的复杂非线性关系，为沙曲一号煤矿煤自然发火预测预报提供技术指导。

1 煤自燃指标气体分析

1.1 试验测试采集华晋焦煤有限责任公司沙曲一号煤矿4502工作面块煤20 kg密封隔氧运送到试验室，煤样工业分析和元素分析结果见表1。将原煤样在空气中破碎并筛分出粒度为：0～0.9 mm、0.9～3 mm、3～5 mm、5～7 mm和7～10 mm的5种煤样，及5种粒度煤样各200 g组成的混合煤样，在程序升温试验系统中测试分析，试验条件见表2。

程序升温试验系统结构如图1所示，试验测定系统由气路、控温箱和气样采集分析3部分构成［5］。在一个直径9.5 cm，长25 cm的钢管中，装入煤量1 kg，为使通气均匀，上下两端分别留有2 cm左右自由空间（采用100目铜丝网托住煤样），然后置于利用可控硅控制温度的程序升温箱内加热，并送入预热空气，试验过程中以120 mL/min的供气流量，从30 ℃以0.3 ℃/min的升温速率程序升温至170 ℃，每10 ℃采集一次气体通过气相色谱仪测定分析。

1.2 试验结果分析分别对6个煤样进行程序升温试验测试分析，试验过程中CO和CO2气体浓度随温度变化如图2和图3所示。试验初始低温阶段煤样中含有微量的CO和CO2气体，说明在常温状态下煤样也存在一定的氧化，产生少量的CO和一定量的CO2气体。6个不同粒径的煤样，整体呈现粒径越小，CO和CO2浓度越大的趋势，当温度低于70 ℃时，由于煤氧复合反应进程缓慢，二者浓度随粒度减小而增大的趋势表现的并不明显，随着温度升高，煤氧化学反应进一步加剧，这种趋势愈发显著，整体呈指数增长趋势，而6#混样气体浓度数值整体与3

#煤样一致，主要是6#混样平均粒径为4.18 mm，

3#煤样平均粒径为4.00 mm，二者粒径大小相近，因此煤氧化反应程度基本一致。从而也进一步说明在氧化升温试验中，随着煤样粒度的减小，煤与氧气接触的表面积逐渐增大，煤氧复合作用越剧烈，产生的CO和CO2量也越大。

整个试验过程中，CH4浓度随着温度升高逐渐增大，如图4所示，在试验开始的低温阶段便有CH4气体产生，直至高温阶段，CH4含量不断增大，说明沙曲一号煤矿4502工作面原始煤样中就含有一定量的瓦斯气体，这与其实际煤层赋存条件完全一致，4502工作面所在的3+4#煤层瓦斯含量

为11.6 m3/t，瓦斯压力最大为1.38 MPa，坚固性系数最小为0.28，瓦斯放散初速度最大为12.3 mL/s。

随着温度升高，分子间的范德华力对CH4分子的吸附能力逐渐减弱，使得CH4由于脱附作用解吸出来，导致CH4含量急剧增加，并且煤体粒径越小，破碎程度越好，在整个升温过程中CH4浓度越大。受煤体本身CH4吸附量的影响，温度在120 ℃之前，CH4大量解吸释放，当温度超过120 ℃以后，解吸量降低，主要是煤氧化学反应产生，CH4浓度增长趋势相对变缓。

图5所示为C2H6气体随氧化温度变化曲线，从图5可以看出，在试验初始阶段就出现C2H6气体，说明煤样中含有一定的C2H6气体，随着温度升高，煤样中吸附的C2H6气体随之发生脱附现象而逐渐释放出来。因此，从指标气体角度分析，C2H6气体不能很好地作为4502工作面煤自燃的预报性指标气体，因为该试验中的C2H6气体有相当一部分是煤样脱附来的，不是完全由煤氧化产生。然而，通过试验发现，沙曲一号煤矿4502工作面煤样在试验初始阶段未产生C2H4气体，直至温度升高至120 ℃左右才出现少量的C2H4气体，如图6所示，说明沙曲一号煤矿4502工作面原始煤样中并不含C2H4气体，而在120 ℃以后产生的C2H4气体主要是煤样在高温条件下裂解的气体，这与煤样的裂解温度有关，因此C2H4可以作为4502工作面煤自燃指标气体。同时，2种气体产生率与粒径有关，粒径越小，产生量越多，并且温度越高，产生率越高。

2 煤自燃分级预警模型的构建

2.1 随机森林集成学习随机森林（Random Forest，RF）是

BREIMAN于2001年提出的一种基于Bagging的集成学习方法［21-22］。随机森林就是通过集成学习的思想将多棵决策树集成的一种算法，可用于处理分类和回归问题。

RF是基于Bagging （Bootstrap aggregating）思想，通过Bootstrap随机抽样建立决策树基学习器，最后把这些基学习器结合起来形成最终的强学习器进行综合预测，由于每个随机子集都不同，保证了构建决策树样本集的多样性。RF采用Bagging思想构建集成学习器示意如图7所示。

RF以决策树为基学习器构建Bagging集成的基础上，进一步在决策树的训练过程中引入了随机子空间方法（Random Subspace Method）。随机子空间方法就是从随机选择部分属性中挑选最佳属性对内部节点进行属性分裂，这个过程称为随机属性选择。传统决策树在选择分裂属性时是在当前结点的M个属性中选择一个最优属性，而在RF中建立决策树进行节点分裂时，先从M个属性中随机选择一个包含mtry（mtry≤M）个属性的子集，然后再从这个子集中选择一个最优属性进行分裂，参数mtry控制了输入属性随机性的引入程度。

2.2 基于随机森林的煤自燃分级预警模型煤自燃是一个动态变化且十分复杂的物理化学反应过程，在这个过程，随着反应的进行，煤自燃会释放不同的气体，如图8所示，在煤自燃不同氧化程度时，释放出的气体产物浓度不同，二者之间存在某种内在关联，因此，可以通过监测煤自燃氧化过程中释放的指标气体来预测预报煤自燃状态［23-25］。另外，由于煤自燃状态与气体之间的对应关系十分复杂，在数学中表现为非线性，故而采用一种科学可靠的数学方法来解决这个复杂非线性问题才是问题的关键。

随机森林（RF）方法自2001年BREIMAN提出以來，

已经在很多领域得到了应用，如生物医学、环境地理、大气科学、能源燃料等［26-29］，并且体现出高精度和不易“过拟合”的特点。RF是一种基于Bagging和随机属性选择的集成学习方法，它由多个决策树构成，所构建的决策树是CART（Classification And Regression Trees）树，并不进行剪枝。设训练集S={（xi，yi），i=1，2，…，N}，（X，Y）∈RM×R，输入矩阵X由具有M个属性的N个样本组成，输出Y是一个目标向量，RF算法伪代码如下。

RF算法

Input：1.训练样本S={（xi，yi），i=1，2，…，N}，（X，Y）∈RM×R

2.测试样本xi∈RM

For i=1 to ntree

（1）对原始训样本S进行Bootstrap抽样，生成训练子集Si

（2）使用Si生成不剪枝决策树hi

a.从M个特征属性中随机选取mtry个属性

b.在每个节点上从mtry个属性中选择最优属性

c.从最优属性进行分裂直到树生长到最大

End

Output：1.决策树集合{hi，i=1，2，…，ntree}

2.对于测试样本，决策树hi输出hi（xt）

回归：f（xt）=

1ntree

∑ntreei=1hi（xt）

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

因此，引入RF方法进行煤自然发火危险性预测，并对其预测性能进行考量。以试验过程中煤自然氧化释放的各种气体为输入参数，构建M个属性的输入矩阵X，以煤自然发火危险程度为目标向量Y，构建基于RF的煤自然发火危险性分级预警模型。

3 基于随机森林的煤自然发火危险性预测

3.1 数据设置与计算步骤基于煤自燃程序升温试验，通过气体测试分析和温度实时监测，总共获得了1～6#煤样30～170 ℃的90组测量结果。在进行RF建模过程中，以煤自然发火阶段性变化特征作为危险性分级基础，将煤温在临界温度以下（≤80 ℃）记作危险等级1，临界温度至干裂温度（80～130 ℃）记作危险等级2，超过干裂温度（>130 ℃）记作危险等级3，选择气体O2、CO、CO2、CH4、C2H6、C2H4浓度及粒径大小作为输入变量，危险等级作为目标输出。其中，为了对模型效果进行测试，选取60组样本用于训练建模，剩余的30组样本（总样本数的1/3）用于模型测试。RF在建模过程中采用默认参数，默认情况下，树的数量ntree=500，对于分类问题，mtry=

M；对于回归问题，mtry=M/3。因此，对于处理煤自然发火危险性分级预警的分类问题，默认参数为ntree=500，mtry=3。根据RF方法流程，如图9所示，将RF预测煤自然发火危险性步骤归纳如下。Step 1：设置气体产物和粒径为输入变量和煤自然发火危险等级为输出目标，利用Bootstrap重抽样方法从原始样本集

S抽取ntree个训练集（Si，i=1，2，…，ntree），每个训练集Si建立相应基学习器决策树hi。Step 2：从M个输入变量（属性）中随机选取mtry个属性作为节点分裂的子集，再从该子集中选择一个最优的属性进行节点分裂，构建CART树。

Step 3：每棵决策树不进行任何剪枝的随机生长，mtry值在整个森林的生长形成中保持不变。Step 4：ntree个训练子集共生成ntree棵CART树，由于这ntree个决策树在Si选择和节点分裂属性的选取上都是随机的，决定了这ntree棵决策树彼此的独立性。Step 5：将生成的ntree棵决策树组成随机森林，每棵决策树hi（xt）均会输出相应的预测结果，对于文中的分类问题，将所有分类决策树输出值采用少数服从多数的投票结果作为RF的最终预测值。

Step 6：利用未参与训练建模的测试集数据检验RF预测性能。

3.2 预测结果分析依据模型参数设置和算法设计，在默认参数情况下，RF模型训练建模样本预测结果如图10所示。从图10（a）可以看出，训练样本预测危险等级与实际危险等级完全重合，预测结果准确率100%，同时通过混淆矩阵图也可以看出，煤自燃3个危险等级各自的预测准确率均为100%，如图10（b）所示，说明建模效果非常好，对训练样本的预测未出现错误。进一步，为了验证RF模型泛化性，图11给出了RF模型对未参与训练建模的测试样本的预测结果，通过测试样本验证可以发现，只有一个样本将危险等级1判断为危险等级2，出现了一个误判，如图11（a）所示；同时通过图11（b）预测结果的混淆矩阵图发现，煤自然发火危险等级2和3的预测准确率均为100%，只有危险等级1出现了一个误判，其准确率为93.3%，测试样本整体准确率达到96.7%，说明RF模型预测结果精度十分理想，适合于处理煤自然发火危险性与气体浓度之间的复杂非线性关系，能够用于煤自然发火危险性预测预报，并且无需复杂的参数设置，在默认参数条件下即可得到满意的结果。

3.3 变量重要度评估RF建模过程中，由于OOB（Out-Of-Bag）数据没有参与决策树构建，OOB数据可以对输入变量的重要性进行评估，主要是基于随机置换（Permutation）原理进行衡量的。其具体步骤如下。

Step 1：计算每个决策树OOB数据的准确性（分类问题）或者均方误差（回归问题），分类问题，记为e1。Step 2：变量Xi在OOB数据中随机置换，形成新OOB样本，并计算置换后新的OOB数据的e2。

Step 3：计算原始的和置换后得到的OOB预测误差e之差ei。Step 4：每棵树重复Step 1～3，所有树的差异ei的平均作为变量Xi的重要性得分。变量重要性评价的依据就是，如果一个输入变量很重要，那么其置换后会对预测结果的误差产生十分明显的影响，反之，如果预测误差在变量置换之后没有怎么改变，则说明该变量重要性低。图12给出了基于煤自燃程序升温试验RF预测过程中计算得到的变量重要性得分，可以看出，CO、CH4和C2H4对危险性预测有很大影响，结果与指标气体在实际应用中相吻合，这3种气体，尤其是CO和C2H4在实际中被广泛用作预测预报煤矿煤自燃的重要指标，CO是一种普遍认可和采用的重要指标。因为在原始煤层中不赋含CO，CO是煤氧化产生的气体，因此它常作为一种可靠的指标气体来推断煤自燃氧化的状态和发展程度。C2H4常作为煤自燃进入快速氧化阶段的标志，通过前文煤氧化过程中C2H4分析就会发现，C2H4气体是煤温达到120 ℃以后才会出现的气体，它是煤氧化裂解产生的气体，因此在实际矿井生产过程中，一旦工作面能够监测到C2H4的存在，说明遗煤氧化已经很严重了，就必须及时采取防控措施，否则在很短的时间内就会发生煤自燃灾害。

3.4 验证分析为了进一步分析随机森林泛化性和鲁棒性，采用大佛寺煤矿煤自然发火试验数据建立RF煤自然发火危险性预测模型进行检验验证。由于煤自然发火灾害防控的重点在低温氧化阶段，一旦煤温超过干裂温度，在很短的时间内就会发生自燃，因此，在本验证中着重以干裂温度以下样本为分析对象，煤自然发火危险等级划分条件与前文一致，从而此处煤自然发火危险等级只有1和2这2类。经过27天自然发火试验，自然发火试验系统中煤体温度从室温（19.8 ℃）上升到了96.89 ℃。通过每天气体测试分析和温度实时监测，总共获得了285组测量结果，在进行RF建模过程中，选择气体O2、CO、CO2、CH4、C2H4和C2H6气体浓度作为输入变量，煤自然发火危险等级作为目标输出。其中，以190组样本训练建模，95组（总样本数的1/3）未参与训练的样本用于测试分析。RF预测结果如图13所示，训练样本预测结果与实际值完全一致，危险等级为1的148个样本和危险等级为2的42个样本预测准确率均为100%；同时，通过测试样本分析发现，95个预测样本中危险等级为1的样本预测准确率100%，危险等级为2的样本中仅有一个实际预测出现偏差，将危险等级2误判为危险等级1，其他全部准确，整体准确率高达98.9%。因此，充分说明基于RF建立煤自然发火危险程度分级预警模型准确可靠，可以推广应用于现场煤自然发火危险性预测预报。

图14所示为RF建模过程对变量重要度评估结果，从图14可以看出，CO和C2H4是影响煤自然发火危险性预测的2个主要指标，O2和CO2次之，而CO和C2H4也正是大佛寺煤矿用于煤自燃预测预报的2个重要指标气体，O2和CO2形成的指标参数亦是实际常用于对比分析的重要指标。因此，基于RF的变量重要度评估结果与现场应用完全一致，也進一步验证了RF方法的有效性与可靠性。同时也说明，在实际中RF方法可以作为煤自然发火指标气体优选的有效方法。

4 结 论

1）粒径对煤氧化反应具有较大影响，粒径越小气体产生浓度越大，煤氧复合作用越剧烈，且随着温度升高，该趋势愈发明显；在试验初始阶段就出现C2H6气体但未产生C2H4气体，在温度升高至120 ℃左右才出现少量的C2H4气体，C2H4气体可以作为沙曲一号煤矿煤自然发火指标气体。

2）采用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，在默认参数条件下，测试样本预测准确率达到了96.7%。大佛寺煤矿自然发火试验验证得到样本预测正确率为98.9%，说明RF模型预测结果精度十分理想，适合于处理煤自然发火危险性与气体浓度之间的复杂非线性关系，能够用于煤自然发火危险性预测预报。

3）通过OOB数据对输入变量的重要性进行评估，CO和C2H4对煤自然发火危险性预测有很大影响，这与指标气体在实际应用中相吻合，在原始煤层中不赋含CO和C2H4气体，二者的出现是遗煤发生自然氧化和进入快速氧化阶段的标志，一旦工作面能够检测到C2H4的存在，就说明氧化温度达到了120 ℃左右，亟待采取防控措施。

参考文献（References）：

［1］ 王德明，张伟，王和堂，等.煤矿热动力重大灾害的不确定性风险特性研究［J］.采矿与安全工程学报，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］秦波涛，仲晓星，王德明，等.煤自燃过程特性及防治技术研究进展［J］.煤炭科学技术，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］趙晓虎，孙鹏帅，杨眷，等.应用于煤自燃指标气体体积分数在线监测系统［J］.煤炭学报，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，张铎，等.建北煤矿高瓦斯煤层自燃早期预报指标优选研究［J］.矿业安全与环保，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，张敏，邓寅，等.淮南矿区煤自燃指标气体及特征参数［J］.西安科技大学学报，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，韩涛，和运中.风量影响下的煤自燃定量预测预报指标试验研究［J］.西安科技大学学报，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］任万兴，郭庆，石晶泰，等.基于标志气体统计学特征的煤自燃预警指标构建［J］.煤炭学报，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，张九零，等.基于PSO-XGBoost的煤自燃程度预测研究［J］.矿业安全与环保，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］郭军，金彦，文虎，等.矿井煤层自燃程度精细划分与预警方法研究［J］.煤炭科学技术，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］鄧军，雷昌奎，曹凯，等.采空区煤自燃预测的随机森林方法［J］.煤炭学报，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］岳宁芳，金彦，孙明福，等.基于多指标气体的煤自燃进程分级预警研究［J］.安全与环境学报，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，赵荣焕，何坤，等.基于随机森林和树突网络的煤镜质组反射率估计［J］.工矿自动化，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.

（责任编辑：刘洁）