机器学习在煤粉着火敏感性预测中的应用

作者：雷友学

来源：消防科学与技术, 2022, 41(10): 1384-1389.

• 煤粉云
• 着火敏感性
• 随机森林
• Bagging模型

为探究机器学习模型预测煤粉云最低着火温度（Minimum Ignition Temperature,MITc）的可行性，收集Godbert-Greenwal炉测试得到的煤粉云最小着火温度和影响因子数据，并分析了影响因子的关联性。利用AUC/ROC、Kappa系数、敏感性、特异性、MAE、RMSE等指标对3种机器学习模型在煤粉云最小着火温度和着火概率两方面的预测效果进行评价。结果发现：RSM模型的预测效果最差；RF模型在预测煤粉云MITc和着火概率时具有较好的精度和稳定性；Bagging模型在预测着火概率时AUC值均大于0.85，但预测MITc时效果较差。结果为煤粉云着火敏感性预测提供了一种新的研究思路。