数据-物理融合驱动煤自燃智能预警：从实验室标定到现场跨域自适应模型

摘要

煤自燃的精准预警是煤矿火灾防治的重点与难点.然而，传统基于固定阈值的经验模型由于难以适应不同矿区煤质与环境的差异，泛化能力不足.针对这一挑战，本研究提出了一种数据与物理驱动相融合的跨矿区煤自燃智能预警模型.首先，基于102组煤自燃程序升温试验，明确了CO,C₂H₄,C₂H₂作为标志性气体的阶段特征，并引入了煤质和环境权重因子，构建了动态调整预警阈值的跨矿区煤自燃四级预警体系.在此基础上，通过将煤氧化过程的物理规律转化为学习特征，建立了数据-物理融合的预警模型.结果表明：在多种算法的对比中，随机森林模型在试验数据上表现出最优的预测性能（训练：R²=0.99；测试：R²=0.93）和计算效率（预测时间<0.4 s）.同时，将该模型直接应用于大佛寺煤矿（发火场景）时，能准确输出以橙色和黄色为主的高温预警信号；而在惠宝煤矿（安全场景）则能持续保持绿色安全预警，无误报情况发生，该结果验证了本文所构建的预警体系与模型具备卓越的跨矿区适应性和泛化能力.研究成果可为解决煤自燃预警模型的普适性难题提供有效方法.

关键词

煤自燃预警 / 跨域自适应 / 数据-物理融合驱动 / 随机森林 / 煤矿安全