现有采空区遗煤温度预测研究多侧重于温度与气体浓度之间的关系，较少考虑采空区内遗煤温度与距工作面距离及漏风风速之间的复杂非线性关系。针对该问题，提出了一种基于蚁群算法优化核极限学习机（ACO-KELM）的采空区遗煤温度预测模型。在葫芦素煤矿21404工作面采空区布置束管及分布式光纤，对21404工作面采空区内O2浓度、CO浓度、CO2浓度和温度数据进行采集，同时结合采空区内漏风强度和距工作面不同水平距离，构建KELM模型，通过ACO对KELM模型中的正则系数和核参数进行寻优，获得性能最优的超参数组合，得到性能最优的KELM模型。与基于极限学习机（ELM）和基于随机森林（RF）算法的预测模型相比，结果表明：ACO-KELM模型在测试集上的平均绝对误差为0.070 1℃，均方根误差为0.074 8℃，较基于ELM的模型分别降低了65%和195%，较基于RF的模型分别降低了53%和156%；ACO-KELM模型在测试集上的判定系数为0.963 5，与训练集的判定系数仅相差0.01，说明该模型未陷入过拟合且拟合程度较高。

0 引言
1 基于ACO-KELM的采空区遗煤温度预测模型
1.1 KELM数学模型
1.2 蚁群算法
1.2.1状态转移概率
1.2.2信息素更新规则
1.3 ACO-KELM模型预测流程
2 模型特征指标值分析
2.1采空区气体浓度、距离与温度间关系
2.2采空区漏风强度、距离与温度间关系
3 模型结果分析
3.1模型评价指标
3.2模型对比分析
4 结论

翟小伟,王辰,郝乐,等.基于ACO-KELM的采空区遗煤温度预测模型研究[J/OL].工矿自动化,1-8[2024-12-19].https://doi.org/10.13272/j.issn.1671-251x.18226.