来源：期刊VIP网 时间：
作者：金磊;杨晓伟;张浩;杜勇志;李新鹏;戴春田;周伟;
单位：国能宝日希勒能源有限公司;中国矿业大学煤炭精细勘探与智能开发全国重点实验室;
摘要：为了有效预测和控制煤矿粉尘浓度，保障煤矿工人健康及环境安全，以宝日希勒露天煤矿现场粉尘监测数据为基础，使用随机森林对粉尘浓度进行预测，提出了4种启发式智能优化算法优化随机森林超参数的方法，通过RMSE、MAE和皮尔逊相关系数R对模型进行评价，采用SHAP可解释模型分析影响露天煤矿粉尘浓度的因素。结果表明：PM2.5、PM10、TSP的最优模型分别为GWO-RF、WOA-RF和HHO-RF;超参数调整使模型整体RMSE指标提升约为1～3,MAE提升约为1～2.5,R提升约4%～6%;PM2.5的预测表现最好，训练集与测试集共同作用时，R为0.946 3,MAE为3.059,RMSE为4.919,其次是PM10、TSP;单因素作用时，湿度对于该矿粉尘浓度影响最大，双因素同时影响下湿度和气压对粉尘浓度变化影响最大。研究提供了一个有效的粉尘浓度预测方法，可准确预测粉尘浓度并确定粉尘最影响因素，对矿山粉尘管控具有重要参考价值。
关键词：露天煤矿;;粉尘浓度预测;;启发式算法;;SHAP;;模型可解释性
基金资助：国家自然科学基金项目(52374145)
