Method Article

بحث حول نموذج متكامل بعمق لتحسين الهيكل في التنبؤ بدرجة حرارة الاحتراق التلقائي للفحم

DOI:

10.3791/69457

⸱

December 19th, 2025

 ,  ,  ,  , 
1School of Emergency Management and Safety Engineering, China University of Mining and Technology (Beijing)

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

هنا، نصف بروتوكولا للتنبؤ بدرجة حرارة الاحتراق التلقائي للفحم باستخدام إطار عمل CNN-LSTM-Attention المحسن ل SSA، والذي يحسن تلقائيا بنية الشبكة والمعلمات، مما يحسن الدقة والقدرة على التكيف والتعميم عبر مجموعات بيانات متجانسة وظروف تعدين متنوعة.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

هنا، نقترح بروتوكولا للتنبؤ بدرجة حرارة الاحتراق التلقائي بالفحم استنادا إلى إطار عمل الشبكات العصبية الالفافية المحسنة لخوارزمية البحث العصفورية (CNN) - الذاكرة قصيرة المدى طويلة (LSTM) - الانتباه. يعالج هذا البروتوكول حدود بنى الشبكات الثابتة، والتعميم المقيد، وضعف قابلية النقل التي تواجهها الطرق التقليدية. يستخرج الإطار الميزات المكانية باستخدام CNN ويلتقط التبعيات الزمنية مع شبكات LSTM، بينما يسلط آلية الانتباه الضوء على المراحل الحرجة والميزات البارزة. تقوم SSA بتحسين عمق الشبكة والمعاملات الفائقة بشكل مشترك، مما يتيح التكيف الديناميكي مع تعقيدات البيانات المختلفة عبر مواقع التعدين المختلفة وظروف التجارب. يتكون البروتوكول من جمع البيانات، والمعالجة المسبقة للميزات، وبناء النموذج، وتحسين المعاملات، وخطوات التحقق. تظهر النتائج التجريبية أن النموذج المقترح يحقق دقة تنبؤية أعلى بكثير على مجموعات البيانات المتجانسة ويحافظ على أداء تعميم قوي عبر مجموعات بيانات غير متجانسة، مما يجعله مناسبا لمراقبة درجة حرارة مناجم الفحم في الوقت الحقيقي وأنظمة الإنذار المبكر.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

لا يزال الفحم يلعب دورا مهيمنا في هيكل الطاقة الصيني. ومع ذلك، أثناء التخزين والنقل والتعدين، يمكن أن يحدث تسخين تلقائي، مما يؤدي إلى الاحتراق التلقائي. غالبا ما يسبب ذلك حرائق المناجم، مما يهدد سلامة المناجم وحياة العمالبشكل خطير 1,2,3,4. لذا، فإن التنبؤ الدقيق بمخاطر حريق مناجم الفحم وتقلباتها في درجات الحرارة أمر ضروري للإنذار المبكر والتخفيف من الكوارث. تطورت طرق التنبؤ بدرجة حرارة الاحتراق التلقائي للفحم من صيغ تجريبية مبكرة إلى أساليب تحليل تعتمد على بيانات المراقبة الفعلية 5,6,7. اعتمدت الدراسات المبكرة بشكل رئيسي على النماذج الفيزيائية ومعادلات الحركية الكيميائية لنمذجة آلية إطلاق الحرارة بأكسدة الفحم. ومع ذلك، وبسبب تعقيد معلمات النموذج وقلة التطبيق، تواجه هذه النماذج قيودا كبيرة في الاستخدام العملي 8,9,10. مع تطوير الخوارزميات الذكية، تم إدخال طرق مثل الغابة العشوائية (RF)11 والشبكات العصبية الاصطناعية (ANN)12 تدريجيا لتعزيز قدرات التنبؤ من خلال بناء خرائط غير خطية. في السنوات الأخيرة، قدمت التطورات في التعلم العميق مناهج جديدة للتنبؤ بدرجة حرارة الاحتراق التلقائي للفحم. اقترح وانغ وآخرون طريقة كشف تعتمد على تقنية قياس درجة الحرارة الصوتية، حيث تحلل انبعاثات الغازات تحت ظروف مختلفة لتحديد عتبات أولية ونظام إنذار مبكر. طور نموذجا رياضيا متصنا لقياس درجة حرارة الفحم السائب. كما تم تقديم بنى الشبكات العصبية البيانية (GNN) ومعماريات المحولات. قدم بان وآخرون نموذج التنبؤ بدرجة حرارة الاحتراق التلقائي بالفحم يعتمد على شبكات الالتفاف البيانية (GCN)، والذي يدمج التفاعلات بين مؤشرات الغاز لتحقيق دقة تنبؤ أعلى.

ومع ذلك، لا تزال الطرق الحالية تواجه قيودا في اختيار المعلمات الفائقة وتعميم النماذج. لتحسين الأداء، قدم الباحثون خوارزميات تحسين ذكية مثل خوارزمية البحث عن سبارو (SSA) لضبط المعلمات الفائقة مثل معدل التعلم وحجم الدفعة. اقترح وانغ وآخرون نموذج SSA-CNN، الذي يدمج لأول مرة خوارزمية ذكاء السرب مع بنية شبكة عصبية الالتفافية. هذا النهج لا يحسن فقط كفاءة تحسين المعلمات، بل يلتقط أيضا بشكل فعال السمات الهيكلية المكانية في بيانات الاحتراق التلقائي للفحم. اقترح لونغ وآخرون 15 وزو وآخرون 16 على التوالي نماذج التنبؤ بالاحتراق التلقائي للفحم بناء على آلة تعزيز تدرج الضوء (GBM) وتحسين سرب الجسيمات XGBoost (PSO-XGB). حسن كلا النموذجين التقارب والدقة من خلال تحسين استراتيجية البحث، مما وفر طرقا جديدة لتحسين نماذج التنبؤ بالاحتراق التلقائي بالفحم.

على الرغم من أن الدراسات الحالية قد طورت التنبؤ الذكي بدرجة حرارة الاحتراق التلقائي للفحم، إلا أن معظم الجهود اقتصرت على تحسين معلمات النموذج دون تحسينات على مستوى بنية الشبكة. وبالتالي، تظهر النماذج الحالية عادة القيود التالية: أولا، تعتمد معظمها هياكل ثابتة، حيث يتم ضبط بنية الشبكة (مثل عدد الطبقات الالتفافية، طبقات LSTM) ومعلمات التدريب الرئيسية (مثل معدل التعلم، حجم الدفعة) يدويا أو تتآكل بشكل متناسب أثناء بناء النموذج الأولي وتبقى دون تغيير طوال التدريب والتنبؤ، مع نقص القدرة على التكيف ديناميكيا مع تعقيد البيانات. ثانيا، تفتقر النماذج عموما إلى آليات تكيفية للتعديل مع ظروف مختلفة مثل الفترات الزمنية المختلفة، ونطاقات درجات الحرارة، ومقاييس تركيز الغاز، مما يصعب تلبية متطلبات التنبؤ بعدة شروط. ثالثا، تظل تعميمها وقابليتها للنقل غير كافية، مما يؤدي إلى توقعات غير مستقرة وغير دقيقة عبر مجموعات بيانات إقليمية مختلفة. على الرغم من تحقيق بعض التحسينات على مستوى المعلمات، إلا أن هيكل الشبكة نفسه يبقى ثابتا دون تحسين ديناميكي مشترك للهيكل والمعلمات، مما يحد من مكاسب الأداء الإجمالية.

لذلك، تهدف هذه الدراسة إلى تطوير نموذج مرن وعالي الدقة للتنبؤ بدرجة حرارة الاحتراق التلقائي للفحم لمعالجة التحديات المذكورة أعلاه. من خلال تجارب مقارنة، تم اختيار بنية CNN-LSTM-Attention كنموذج أساسي. لتلبية متطلبات عمق الشبكة المختلفة لطبقات الفحم المختلفة، يتم استبدال الهيكل الثابت التقليدي بنهج "تحسين الهيكل". في هذا النهج، لا يثبت عدد طبقات الالتفاف (CNN) والطبقات المتكررة (LSTM)، إلى جانب معلمات التدريب الرئيسية، بل يتم تعديله ديناميكيا وفقا لقوة الميزات المكانية والزمانية في البيانات.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. جمع بيانات الاحتراق التلقائي بالفحم

  1. تجميع نظام الأكسدة المبرمج بالفحم الهوائي، بما في ذلك نظام توصيل الغاز، وحدة التحكم في درجة الحرارة، وأجهزة تحليل الغاز. تأكد من أن جميع الاتصالات آمنة، وأن إعدادات التحكم في درجة الحرارة دقيقة، وأن جهاز الكروماتوغرافيا الغازي والأجهزة التحليلية الأخرى معايرة بالكامل.
  2. زن 1000 جرام من عينة الفحم المختلطة (احتفظ بالشكل الأصلي)، وتوحيد العينة جيدا باستخدام طريقة التقسيم إلى أرباع، ووضع كتل الفحم بشكل متساو داخل غرفة التسخين. حافظ على سماكة ثابتة وتوزيع موحد لضمان تسخين متساو.
  3. شغل مضخة الهواء وضبط معدل التدفق باستخدام عداد التدفق للحفاظ على تدفق غاز مستقر يبلغ 100 مل/دقيقة إلى غرفة التسخين. تأكد من ثبات التدفق ضمن ±2 مل/دقيقة.
  4. تشغيل نظام التدفئة وفقا لبرنامج منحدر درجة الحرارة المحدد مسبقا، مع زيادة درجة حرارة الفرن تدريجيا بمعدل 1.0 °م/دقيقة حتى 200 °م. استخدم برنامج التحكم لمراقبة تغيرات درجة الحرارة في الوقت الحقيقي لضمان أن معدل التسخين يفي بمواصفات التصميم.
  5. استخدم حساسات درجة الحرارة المثبتة بالقرب من عينة الفحم لمراقبة وتسجيل التغيرات الحرارية باستمرار، مما يضمن جمع بيانات دقيق ودون انقطاع.
    ملاحظة: خلال تجربة التسخين المبرمجة، تم تسجيل بيانات درجة الحرارة وتركيز الغاز تلقائيا كل 10 ثوان باستخدام حساسات درجة الحرارة المعايرة ومحللات الغاز حتى اكتمال التجربة.
  6. ينقل الغازات الناتجة أثناء تفاعل التسخين عبر نظام توصيل الغاز إلى جهاز الكروماتوغراف.
    1. إجراء أخذ عينات آلية على فترات محددة مسبقا (30 ثانية) لقياس تركيزات الأكسجين وأول أكسيد الكربون وثاني أكسيد الكربون، وإجراء معايرة أساسية GC قبل كل تجربة.
    2. الحفاظ على تدفق خط نقل 100 مل/دقيقة (±2 مل/دقيقة)، متوافقا مع تدفق الغرفة الخارج ومنظما بواسطة وحدة تحكم تدفق الكتلة لضمان التوصيل المستقر إلى كروماتوغرافيا الغاز خلال أخذ عينات تلقائية لمدة 30 ثانية.
  7. قبل تدريب النماذج، قم بتطبيق خط معالجة بيانات موحدة لضمان جودة البيانات واتساقها.
    1. تطبيع جميع الميزات إلى متوسط صفر وتباين وحدة لإزالة التناقضات في المقياس وتسهيل تقارب النماذج.
    2. لقمع ضوضاء المستشعرات وتثبيت الاتجاهات الزمنية، قم بتطبيق مرشح متوسط متحرك بحجم نافذة 5 لتلطيف بيانات السلاسل الزمنية. قم بتحديد القيم المفقودة، إذا كانت موجودة، باستخدام متوسط الملاحظات المجاورة للحفاظ على اكتمال مجموعة البيانات.
    3. علاوة على ذلك، حدد الشاذ باستخدام عتبة درجة z ل |z| > 3 واستبعدها من التحليل اللاحق لتحسين متانة النموذج.
      ملاحظة: جمعت التجربة بيانات من 83 عينة فحم، وسجلت تركيزات غازات مثل الأكسجين، أول أكسيد الكربون، ثاني أكسيد الكربون، الميثان، الإيثان، والإثيلين بالنسبة لدرجة حرارة الفحم. يظهر مخطط تخطيطي لنظام الأكسدة المبرمج بالفحم الهوائي في الشكل 1.

2. بناء نموذج الانتباه CNN-LSTM بناء على تحسين هيكلي SSA

  1. بناء نموذج CNN-LSTM-attention-
    1. بناء وحدة الشبكة العصبية الالفافية (CNN) لاستخراج الميزات المكانية تلقائيا من تسلسلات الإدخال لتركيزات درجة الحرارة والغازات.
      1. تكديس طبقات الالتفاف أحادية الأبعاد 2-4 (stride = 1، الحشو = "نفسه"، حجم النواة من 3 إلى 7). بعد كل طبقة، قم بتطبيق التطبيع (BatchNorm أو LayerNorm)، تفعيل ReLU أو GELU، وحذف 0.1-0.2. اختياريا، يمكنك استخدام MaxPooling1D (المجموعة = 2) في الطبقة أو الطبقتين الأوليين لإزالة العينات/تقليل العينة، وتجنب التجميع في الطبقة النهائية للحفاظ على الدقة الزمنية.
      2. استخدم التفاف 1×1 لإسقاط بعد القناة إلى ما يتوقعه جهاز LSTM في الأسفل في النهاية. حافظ على الموتر بشكل ثلاثي الأبعاد "زمن × القنوات" (لا تسطيح) وأدخله مباشرة إلى LSTM مع return_sequences=صحيح؛ عدد طبقات السجلات، القنوات، حجم النواة، التجميع، والانقطاع في ملف الإعدادات لتمكين البحث وإعادة الإنتاج في SSA.
    2. تعامل مع مخرج Conv1D النهائي كتسلسل زمني من متجهات الميزات، مع الحفاظ على المحور الزمني دون تسطيحه، وإدخاله مباشرة إلى LSTM. إذا أدى التجميع السابق إلى تقصير التسلسل، استخدم الطول المخفض؛ عندما لا يتطابق بعد القناة مع توقعات LSTM، يطبق التفاف 1×1 أو إسقاط خطي للمحاذاة.
    3. قم بتكوين LSTM مع 64 وحدة مخفية، وتفعيل تانه، و return_sequences=True للاحتفاظ بالتمثيلات في كل خطوة زمنية. تنفيذ هذا التحويل في وحدة بناء النموذج وسجل أشكال موتر الإدخال/الإخراج وإعدادات المفاتيح لضمان قابلية التكرار والتتبع، وبالتالي الاحتفاظ بالتمثيلات في كل خطوة زمنية. تنفيذ هذا التحويل في وحدة بناء النموذج وسجل أشكال التنسور والإدخال/الإخراج وإعدادات المفاتيح لضمان قابلية التكرار والتتبع.
    4. أدخل كتلة انتباه زمنية مباشرة بعد إخراج LSTM: تأخذ الكتلة التمثيلات المخفية لكل خطوة زمنية وتستخدم إسقاطا بطبقة مخفية واحدة لإنتاج متجه وزن انتباه.
    5. اضبط بعد الوزن-المتجه إلى 64، محددا مباشرة في تكوين طبقة الانتباه. ثم نطبع الأوزان عبر محور الزمن باستخدام سوفتماكس، مما يعطي الأهمية النسبية لكل خطوة زمنية. استخدم الأوزان المطبعة لحساب متجه السياق (المجموع الموزون)، الذي يتم دمجه مع تمثيل التسلسل ويغذى إلى رأس الانحدار.
    6. تدريب وحدة الانتباه من البداية إلى النهاية باستخدام العمود الفقري؛ إذا كان هناك حشو، ضع قناعا قبل سوفت ماكس لتجاهل الخطوات غير الصالحة.
    7. بالنسبة لتجارب الاستئصال فقط، قسم مجموعة البيانات زمنيا إلى تدريب (80٪) ومجموعات اختبار (20٪)، مع إجراء تحقق متقاطع منفصل من خمسة أضعاف لتقييم الاستقرار العام والتعميم للنموذج المقترح.
    8. نفذ التدريب من مجلد جذر المشروع، مع تثبيت جميع المسارات النسبية على ذلك الجذر. طبق التوقف المبكر بحيث إذا لم يتحسن خطأ التحقق لمدة 10 فترات متتالية، يتم حفظ توقفات التدريب وأفضل الأوزان في ./checkpoints/best_model.h5.
    9. لتسجيل العملية، يكتب مسجل CSV خسائر التدريب/التحقق لكل فترة ومقاييس رئيسية على training_log.csv (أعمدة مثل epoch، train_loss، val_loss، المقاييس، الطابع الزمني). قم بتحديث ملف أفضل نموذج كلما تحسن التحقق، مما يضمن قابلية إعادة الإنتاج ودعم التحليل اللاحق.
      ملاحظة: تقوم CNN تلقائيا باستخراج الميزات المكانية من بيانات الإدخال من خلال الاتصال المحلي ومشاركة الأوزان. تلتقط الحبوب الالفافية الضحلة التغيرات المحلية الدقيقة. تظهر الخصائص المكانية في توزيع تركيز وأنماط غازات مختلفة (مثل الأكسجين وأول أكسيد الكربون) في نفس اللحظة، بما في ذلك الشذوذات المحلية وتدرجات التركيز. تعكس هذه الترابطات المكانية للغازات أثناء عملية الاحتراق التلقائي للفحم، والتي يمكن للشبكات العصبية العصبية تحديد ذلك بفعالية17. يتم تغذية تسلسل الميزات المستخرجة بواسطة CNN إلى جهاز LSTM، الذي يقوم بنمذجة السلاسل الزمنية ديناميكيا من خلال آليات البوابات الخاصة به. تعكس الميزات الزمنية مثل الارتفاع التدريجي في درجة الحرارة، والتقلبات، والتغيرات المفاجئة في تركيز الغازات، وترتيبها التسلسلي، تفاعلات الحرارة التراكمية والغاز أثناء الاحتراق التلقائي للفحم. يلتقط LSTM هذه الأنماط بفعالية، مما يعزز دقة التنبؤ واستقرار النموذج18. يتم إدخال آلية انتباه في طبقة إخراج LSTM لتخصيص أوزان للميزات في كل خطوة زمنية. يركز هذا على المراحل الحرجة لدرجة حرارة الاحتراق التلقائي للفحم، ويقوي المعلومات القيمة، ويقلل الضوضاء، ويحسن أداء التنبؤ19 (الشكل 2).
  2. تصميم طريقة تحسين هيكل النموذج بناء على SSA
    ملاحظة: استراتيجية التحسين الديناميكي المقترحة هنا تدمج تصميم هيكل النموذج مع تحسين المعاملات الفائقة، وتنقسم بشكل عام إلى مرحلة التحضير، ومرحلة التشوه، ومرحلة التدريب الرسمي. تحقق هذه الطريقة تعديلا تعاونيا للمعلمات الهيكلية والفائقة، مما يمكن النموذج من الحفاظ على مرونة الهيكل مع تحسين الأداء والقدرة على التكيف مع ظروف التشغيل المعقدة.
    1. مرحلة التحضير
      1. قبل البحث القائم على SSA، عرف فضاء البحث عن المعلمات/البنية الفائقة كأربعة أنابي: xi= Lcnn، Llstm، Lr، batch_size، Lcnn (عدد كتل CNN) و Llstm (عدد طبقات LSTM المكدسة) هي قيم صحيحة وأخذت عينات منتظمة من {1,2,3,4} و{1,2,3} على التوالي.
      2. نظرا لأن المحسن يقترح متجهات ذات قيم حقيقية، قم بربط المقترحات غير الصحيحة بأقرب عدد صحيح باستخدام قاعدة round() من بايثون (الروابط إلى زوجية) ثم قم بقصها إلى [1,4] أو [1,3]. ارسم معدل التعلم lrهو لوغاريتميا متجانسا من الفترة [1 × 10-2، 1 × 10-1]. قم بقص المقترحات خارج النطاق إلى أقرب حد. batch_size هو اختيار منفصل من {32، 64، 96، 128}.
      3. ما لم يذكر خلاف ذلك، لا تفرض قيودا على المعاملات المتقاطعة خلال هذه الخطوة التحضيرية. لإمكانية التكرار، قم بتطبيق بذرة عشوائية مشتركة (42) على بايثون، نومباي، إطار التعلم العميق، ومتغير البيئة PYTHONHASHSEED.
      4. قم بتهيئة البحث في SSA بحجم سكاني 30 وتشغيل 80 تكرارا.
        ملاحظة: هذه الإعدادات، إلى جانب قواعد التديرة/القص أعلاه، حددت إعداد مساحة البحث المستخدمة لجميع التجارب اللاحقة.
    2. مرحلة التشوه
      1. تولد مجموعة معلمات ابتدائية عشوائيا، يرمز لها ب C1، L 1، I1، b1. قبل تدريب الشبكة، قم بتقريب أبعاد الأعداد الصحيحة إلى أقرب عدد صحيح واقص جميع القيم إلى حدودها.
      2. استخدم تشغيل تدريب/تحقق واحد لحساب متوسط المربع الخطأ (MSE) كمرجع للموافقة؛ سجل ويخزن النتيجة الحالية.
      3. قم بتحديث الموقع لتوليد تركيبة معلمات جديدة C2، L2، I2، b2. شغل تكرار تدريب واحد وقارن ملاءمته بالقيمة المخزنة.
      4. إذا كان أداء التركيبة الجديدة أفضل من السابقة، استبدل النتيجة الأصلية واضبط الموضع الحالي على C2، L2، I2، b2. إذا كان أداؤها أسوأ، ضع علامة لتجنب تكرار اختيار تركيبات غير فعالة مع الاحتفاظ بالقائد الحالي.
      5. كرر الخطوات 2.2.2.2-2.2.2.4 لعدة تكرارات حتى لا يلاحظ أي تحسين إضافي، مما يحصل على التركيبة المثلى Cn,L n,I n,b n.
      6. احتفظ ب Cn، Ln، In، bn كمعايير هيكلية نهائية، وابدأ التدريب الرسمي.
    3. مرحلة التدريب
      ملاحظة: يتم اختيار عد طبقات CNN وLSTM مع أفضل ملاءمة كتكوين الشبكة النهائي للتدريب الكامل والتقييم على مجموعة الاختبار (الشكل 3).
      1. حدد نطاق البحث عن هياكل النماذج والمعلمات الفائقة، بما في ذلك 2-6 طبقات CNN، و1-4 طبقات LSTM، ونطاق معدل التعلم من 1 × 10-5 إلى 1 × 10-2، وأحجام دفعات 32 أو 64 أو 128، وحد أقصى 100 فترة تدريب. قم بتحسين هذه المعايير معا خلال تكرارات SSA.
      2. قم بتهيئة مجموعة سكان خوارزمية البحث عن العصفور (SSA) عن طريق تعيين حجم السكان إلى 30 وأقصى عدد من التكرارات إلى 100. تأكد من أن كل فرد يمثل تكوين نموذج مرشح، بما في ذلك عمق CNN، عمق LSTM، معدل التعلم، وحجم الدفعة.
      3. في كل تكرار، قسم سكان SSA إلى مكتشفين (20٪)، أتباع (70٪)، وحراس (10٪). وفقا لقواعد تحديث الموقع الخاصة ب SSA، يقوم المكتشفون بالاستكشاف العالمي، ويقوم المتابعون بالاستغلال المحلي، ويمنع الحراس الخوارزمية من الوقوع في الأفضلية المحلية. قم بتحديث متجهات الموقع لجميع الأفراد بعد كل تكرار.
      4. استخدم متوسط الخطأ المربع (MSE) على مجموعة التحقق كدالة ملاءمة لتقييم الأداء التنبؤي لكل نموذج مرشح. قم بضبط اتجاه البحث ديناميكيا بناء على قيم الملاءمة، مما يسمح لSSA بالتقارب تدريجيا نحو البنية المثلى وتكوين المعاملات الفائقة.
      5. بعد إكمال تكرارات SSA، أخرج عمق CNN الأمثل، عمق LSTM، معدل التعلم، وحجم الدفعة الأمثل. أعد تدريب النموذج على مجموعة التدريب الكاملة باستخدام هذه المعايير المثلى وحفظ أوزان النموذج المدرب النهائية إلى final_model.h5".
        ملاحظة: خوارزميات التحسين تستخدم على نطاق واسع في المجالات الصناعية20،21، وتستخدم عادة في جدولة الإنتاج22، ومراقبة الجودة23، وصيانة المعدات24، وتخصيص الموارد25، وتحسين معلمات العمليات26، وغيرها. خوارزمية البحث عن العصافير (SSA) التي تم اعتمادها في هذه الدراسة هي خوارزمية تحسين ذكية تحاكي سلوك البحث عن الطعام لمجموعات العصافير. يحقق تحسينا فعالا من خلال آلية التعاون بين المكتشفين، والمتابعين، والحراس27. تعين الخوارزمية أفضل فرد في السكان كالمكتشف لإجراء الاستكشاف العالمي، بينما يعمل الأفراد الباقون كمتابعين يقومون بالاستغلال المحلي، ويتم تعيين الحراس لتجنب الأمثلالمحلي 28. يستخدم SSA استراتيجية تكيفية لتحقيق التوازن بين قدرات الاستكشاف والاستغلال، مع سرعة تقارب سريعة وإعدادات معلمات بسيطة29. في نموذج التنبؤ بدرجة حرارة الاحتراق التلقائي للفحم المقترح في هذه الورقة، يعد SSA الطريقة الأساسية لمفهوم "التحسين الهيكلي"، حيث يحسن تلقائيا بنية نموذج CNN-LSTM-Attention والمعلمات الفائقة الرئيسية لتعزيز دقة التنبؤ والتعميم عبر مجموعات البيانات غير المتجانسة.

3. التحقق من صحة النموذج وتقييم قابلية النقل

  1. التحقق من فعالية النموذج
    1. تصميم تجربة استئصال باستخدام بيانات تجريبية احتراق الفحم التلقائي للتحقق من المساهمات الفردية لوحدات CNN وLSTM وAttention. قسم مجموعة البيانات عشوائيا إلى تدريب (80٪) ومجموعات اختبار (20٪) باستخدام بذرة عشوائية ثابتة من 42 لضمان قابلية التكرار.
      ملاحظة: استخدم محطة عمل مزودة بمعالج رسومات NVIDIA RTX 4090 وقم بتشغيل جميع التجارب باستخدام بايثون 3.8 وتينسورفلو 2.6 (معلومات بيئة تطوير التطوير مدرجة في جدول المواد).
    2. اضبط دالة الهدف إلى متوسط الخطأ التربيعي (MSE) وطبق خوارزمية البحث المحسنة (SSA) لتحسين المعلمات الفائقة الرئيسية في بنية CNN-LSTM-Attention، بما في ذلك أعماق الشبكة، ومعدل التعلم، وحجم الدفعة. لضمان العدالة، يتم تدريب جميع نماذج الأساس على نفس مجموعة البيانات باستخدام نفس عصور التدريب، ومعدلات التعلم، وأحجام الدفعات المتطابقة، وتقييم التقييم على نفس مجموعة الاختبار.
    3. استنادا إلى هيكل نموذج CNN-LSTM الثابت للانتباه، استخدم خمسة طرق كلاسيكية لتحسين المعلمات: خوارزمية الوراثة (GA)، تحسين الذئب الرمادي (GWO)، تحسين سرب الجسيمات (PSO)، خوارزمية تحسين الحيتان (WOA)، وخوارزمية البحث عن العصفور (SSA) - لتحسين النموذج، يليه تقييم شامل يدمج التحسين الهيكلي.
    4. احسب مقاييس الأداء لكل نموذج في مجموعة الاختبار وتصور النتائج باستخدام مخططات المقارنة.
      1. تقرير عن دراسة الإزالة (الجدول 1)، والأداء التنبؤي للنماذج السبعة (الجدول 2)، والأداء المقارن لخوارزميات التحسين (الجدول 3).
      2. بالنسبة للأرقام، قم ببناء نماذج الرسم على الملاحظات وضبط تسميات الأساطير إلى "متوقع" و"مقاس". تأكد من اتساق الخطوط، وأنظمة الألوان، ووحدات المحاور عبر جميع الأشكال. بالنسبة للجداول، حافظ على اتساق الخط، ترتيب الأعمدة، الوحدات، والرقم العشري.
  2. التحقق من صحة قابلية نقل النموذج
    1. بناء مجموعة بيانات التحقق من صحة النقل
      1. استخدم مجموعة بيانات التحقق من النقل التي تضم 83 عينة فحم من ستة مواقع تعدين، بمجموع 12,450 سجل خصائص غاز درجة حرارة. لكل موقع، قسم البيانات إلى مجموعات تدريب (80٪) ومجموعات اختبار (20٪)، وحافظ على تمثيل متوازن عبر ظروف جيولوجية متنوعة.
        ملاحظة: لتقييم تأثير "تحسين الهيكل" على أداء التعميم للنموذج، أنشأت هذه الدراسة مجموعة بيانات شاملة لخصائص درجة حرارة الاحتراق التلقائي للفحم تشمل مواقع تعدين متعددة وظروف جيولوجية متنوعة. تدمج مجموعة البيانات بيانات المراقبة الميدانية من مناجم تمثيلية مثل منجم تشينغلونغ (طبقات الفحم شبه الأفقية)، منجم شياو جي هان (طبقات الفحم السميكة)، ومنجم تشانغجياماو (طبقات الفحم المدفونة في المياه الضحلة)، بالإضافة إلى بيانات تجريبية من طبقات الفحم العرضة للاشتعال الذاتي من الفئة I-II تحت ظروف جيولوجية متنوعة بما في ذلك طبقة الفحم رقم 4 (ذات محتوى عالي التطاير)، وطبقة الفحم رقم 2 رقم 72 في منجم يوان ديان رقم 2 (سقف مركب)، ومنجم هونغتشينغليانغ (الخصائص المعرضة للأكسدة).
    2. تحليل التباين عبر مجموعات البيانات
      1. سجلات المجمع لكل منجم لثاني أكسيد الكربون، وثاني أكسيد الكربون2، وCH4، وC2H6، C2H4، ودرجة حرارة الفحم؛ احتفظ بمعرفتي وطوابعي الزمنية.
      2. تنسيق الوحدات (ppm أو ٪) ومحاذاة الطوابع الزمنية؛ تعامل مع القيم المفقودة كما هو محدد في الخطوة 2.1.
      3. الحد الأدنى للحساب، Q1، الوسيط، Q3، الحد الأقصى، ومعدل الذكاء لكل متغير × لدي؛ علم المؤشرات الشاذة بقاعدة 1.5×IQR.
      4. قم بقياس التغاير بين المناجم بحساب فروق الطيات للربع الثالث والأقصى؛ تسليط الضوء على الحالات ≈ رتبتين من الحجم (خصوصا CO/CO 2).
      5. رسم مخططات الصندوق والشوارب حسب متغيرات (لوحة واحدة لكل متغير؛ محور y مشترك لكل متغير؛ إظهار الشاذة كنقاط؛ رباعيات التسمية).
      6. التصدير كشكل 4.
      7. اختر أربعة نماذج ذات أداء جيد في مجموعة بيانات المختبر - XGBoost، BP، TCN، وTransformer - للمقارنة للتحقق من قابلية نقل النموذج المقترح.

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تم التحقق من استقرار النموذج باستخدام أربع مجموعات بيانات مستقلة، مما أظهر أداء تنبؤيا متسقا عبر ظروف جيولوجية مختلفة. يقدم هذا القسم نتائج تمثيلية وتقييمات أداء لتجارب الاحتراق التلقائي للفحم ونموذج SSA-CNN-LSTM-Attention المقترح. أولا، يتم تحليل التغيرات في مؤشرات الغاز المتعددة التي جمعت خلال تجارب أكسدة التسخين المبرمجة لكشف الأنماط الديناميكية لتركيزات الغاز عبر مراحل درجات حرارة مختلفة. تنظم النتائج في أربعة أجزاء: (1) تجارب الاستئصال، المستخدمة لتقييم مساهمات مكونات CNN وLSTM والان...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

استخدم كتل الفحم السليمة؛ قم فقط بتنظيف الأسطح بعد أخذ العينة وقم بإغلاق مزدوج فورا لتجنب التعرض المطول. حافظ على إحكام تسرب خط الغاز مع التحكم في التدفق الثابت (MFC)، ونفذ التسخين المبرمج تماما كما هو محدد في البروتوكول، ومعاير التيار الهوائي بمعايير معتمدة. التقاط إشارات درجة الحرارة والغاز على فترات زمنية محددة ومزامنة الطوابع الزمنية (انظر البروتوكول). من الناحية الحاسوبية، قم بإصلاح وتسجيل البيئة (نظام التشغيل، بايثون، إطار التعلم العميق، CUDA، إلخ)، ووضع بذور عشوائية وخيارات حتمية،...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

المؤلفون ليس لديهم ما يكشفون عنه.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

وقد دعم هذا العمل المؤسسة الوطنية للعلوم الطبيعية في الصين (المنحة رقم 52274206) لمشروع الاضطرابات الديناميكية وخصائص الزحف القصي للصخور الصلبة العميقة وسلوك قانون القوة الحرج، وصندوق شباب المؤسسة الوطنية للعلوم الطبيعية في الصين (المنحة رقم 51904144) للدراسة حول تأثيرات الانتشار أثناء هجرة غازات طبقة الفحم.

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
صمام أخذ عينات غاز بستة منافذ ووضعين مع مشغل شاملVICI ValcoEUDA-2C6UWTوصلات 1/16 بوصة؛ منافذ 0.75 مم؛ RS-232؛ مواجهة 2"
قارب عينات من الألوميناشركة MTIEQ-CA-L50W40H20>99.5٪ Al2O3; 50&00 مرة؛ 40&00; 20 مم
برامج الكروماتوغرافياتقنيات أجيلينتOpenLab CDSاكتساب ومعالجة البيانات
عينات الفحم (جمعت ميدانيا)جمع داخلي/ميدانيلا يوجدالمصدر مفصل في الأساليب
CUDA / cuDNNNVIDIAhttps://developer.nvidia.com/cuda-zoneCUDA 11.x; مطابقة cuDNN
الحاسوب المركزي DAQالرؤية المفتاحDAQ970ADMM من 6½؛ USB/LAN
مجفف (مؤشر)دبليو. إيه. هاموند دريرايت23001كبريتات الكالسيوم؛ 8 شبكة؛ 1 رطل
مضخة هواء الحجاب الحاجزKNFhttps://www.knf.comإمداد الهواء المستمر؛ تدفق قابل للتعديل
معطف المختبر FRالحصنسلسلة KEL2متوافق مع NFPA 2112
كروماتوغرافيا غازيةتقنيات أجيلينتG3540A (نظام 8890 GC)نظام GC؛ EPC؛ حتى مدخلين / 4 كواشف
قفازات مقاومة للحرارةأنسل43-113متقطع حتى ~350 ودرجة مئوية؛ C
هواء عالي النقاءليكويد / إيرغازhttps://www.airgas.com/solutions/specialty-gases/pure-gases/alphagaz≥ نقاء 99.99٪
بيئة تطويرجيت برينز / مايكروسوفتhttps://www.jetbrains.com/pycharm/ ؛ https://code.visualstudio.com/downloadباي تشارم / كود VS
المرشحات الخطيةسواغلوكhttps://www.swagelok.com/downloads/webcatalogs/en/ms-01-92.pdfعناصر SS المدمجة 0.5– 15 وميكرو؛ m
الزوجان الحراري من النوع Kأوميغاhttps://www.omega.comالنوع K (NiCr&ndash؛ NiSi)
وحدة تحكم تدفق الكتلة (0&ndash؛ 200 متر مربع مكعب)أليكات ساينتفيكMC-200SCCM-Dسلسلة MC؛ ± (0.8٪ rdg + 0.2٪ FS)
غازات المعايرة متعددة المكوناتميسرhttps://specialtygases.messergroup.com/standard-gas-mixturesالتركيز المخصص؛ شهادة
نظام التشغيلمايكروسوفتhttps://www.microsoft.com/en-us/software-download/windows11ويندوز 11
نظام التشغيلالقانونيhttps://ubuntu.com/download/desktopأوبونتو LTS (22.04/24.04)
أنابيب PTFE/PFAسواغلوكhttps://products.swagelok.com/en/all-products/hoses-flexible-tubing/ptfe-pfa-core-hose/c/716?clp=trueمقاوم كيميائيا؛ 1/16– ربع في الجرعة الزائدة
بايثونمؤسسة بايثون للبرمجياتhttps://www.python.org/downloads/الإصدار 3.8
قارب عينات الكوارتزشركة MTIEQ-QB-1017 (حجم نموذج)~1200 ° درجة حرارة العمل C
نظارات السلامة3M93506P1-DC (مثال)رشة كيميائية؛ خيارات مضادة للضباب
أنابيب الفولاذ المقاوم للصدأ بدون مقوساتسواغلوكhttps://www.swagelok.com/downloads/webcatalogs/en/ms-01-181.pdf316/316 لن؛ 1/16– ربع في الجرعة الزائدة
وصلات أنابيب الفولاذ المقاوم للصدأ وتركيبات الفروياتسواغلوكhttps://products.swagelok.com/en/all-products/fittings/tube-fittings-adapters/c/154?clp=true316/316 لن؛ الفروي المزدوجة
متحكم في درجة الحرارةيوروثيرم3216PID بحلقة واحدة؛ المنحدرات/الإنذارات القابلة للبرمجة
تنسور فلوجوجلhttps://www.tensorflow.orgالإصدار 2.6
وحدة الترموكونبل USBNI (الآلات الوطنية)781314-01 (USB-TC01)K/J/T; برامج تسجيل السجلات
مقياس تدفق المساحة المتغيرة (Visi-Float)دواير إنسترومنتسVFA-2-EC-SS (0.2– 2 SCFH Air)نطاق التدفق المنخفض؛ القراءة المباشرة
وحدة معالجة الرسومات في محطة العملNVIDIA900-1G136-2530-000 (إصدار المؤسسين)GeForce RTX 4090، 24 جيجابايت GDDR6X (FE)

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Zhang, J., Zhou, X., Su, J., Xiao, Y. An interpretable machine learning model for optimization of prediction index gases in coal spontaneous combustion. Alexandria Eng J. 122, 268-278 (2025).
  2. Wang, K., Huang, H., Deng, J., Zhang, Y., Wang, Q. A spatio-temporal temperature prediction model for coal spontaneous combustion based on back propagation neural network. Energy. 294, 130824(2024).
  3. Pan, H., et al. GCN-based prediction method for coal spontaneous combustion temperature. Process Saf Environ Prot. 106855, 196(2025).
  4. Lei, C., et al. Migration characteristics and prediction of high temperature points in coal spontaneous combustion. Energy. 326, 136288(2025).
  5. Lei, C., Feng, Q., Zhu, Y., et al. Multiple indicator gases and temperature prediction of coal spontaneous combustion oxidation process. Fuel. 393, 134991(2025).
  6. Li, Y., Song, L. Research on coal spontaneous combustion hierarchical prediction model based on NSGA-II-RF. Sci Rep. 15, 6298(2025).
  7. Zhao, J., Meng, R., Yuan, S., et al. Research on spontaneous combustion characteristics and high temperature point prediction method of rectangular coal pile. Int J Coal Prep Util. 44 (12), 2240-2256 (2024).
  8. Zhang, X., Yu, C., Lu, B., Dai, F., Huang, G., Zhao, W. Co-spontaneous combustion of lignite and anthracite: thermal behavior, kinetic characteristics, interaction mechanism. Energy. 332, 137187(2025).
  9. Ge, H., Yongzhen, Z., Fengwei, D., Xun, Z. Research on the intrinsic correlation mechanism between stage oxidation characteristics and spontaneous combustion tendency of coals with different metamorphic degrees. Chem Eng Sci. 314, 121800(2025).
  10. Liu, Z., et al. Investigation of three-dimensional model reconstruction and fractal characteristics of crack propagation in jointed sandstone. Geomech Geophys Geo-energ Geo-resour. 10 (1), 75(2024).
  11. Zhao, H., Zhou, X., Han, J., Liu, Y., Liu, Z., Wang, S. Research on early warning model of coal spontaneous combustion based on interpretability. Sci Rep. 15, 18847(2025).
  12. Shukla, U. S., Mishra, D. P., Mishra, A. Prediction of spontaneous combustion susceptibility of coal seams based on coal intrinsic properties using various machine learning tools. Environ Sci Pollut Res. 30 (26), 69564-69579 (2023).
  13. Wang, J., Deng, J., Ren, S., et al. Acoustic wave propagation characteristics and spontaneous combustion warning of coal during oxidative warming of loose coal. Fuel. 398, 135528(2025).
  14. Wang, K., Li, K., Du, F., et al. Research on prediction model of coal spontaneous combustion temperature based on SSA-CNN. Energy. 290, 130158(2024).
  15. Long, L., Shi, Q., Zhang, Q., Hu, J., Zhang, H. Dual-warning model for coal spontaneous combustion temperature prediction and risk classification based on BO-LightGBM. Process Saf Environ Prot. 201, 107624(2025).
  16. Zou, P., Ye, Y., Zhou, W., Tu, L., Han, C., Liang, X. Study on the prediction of coal spontaneous combustion tendency based on the particle swarm optimization algorithm optimized the xgboost model. Int J Coal Prep Util. , (2025).
  17. Shao, X., Liu, W., Bai, G., Chen, Y., Liu, Y., Guang, J. Deep learning framework based on ITOC optimization for coal spontaneous combustion temperature prediction: a coupled CNN-BiGRU-CBAM model. Sci Rep. 15, 26700(2025).
  18. Ding, H., et al. Research on coal spontaneous combustion temperature prediction model based on BO-LSTM. Process Saf Environ Prot. 201, 107570(2025).
  19. Liu, Y., Li, W., Wang, H., Du, T. SSA-LSTM-Multi-Head Attention modelling approach for prediction of coal dust maximum explosion pressure based on the synergistic effect of particle size and concentration. CMES. 143 (2), 2261-2286 (2025).
  20. Zhu, D., et al. Group merging particle swarm optimization algorithm for rural base station deployment. IEEE Trans Emerg Top Comput Intell. 2025, 1-14 (2025).
  21. Zhu, D., Li, R., Zheng, Y., Zhou, C., Li, T., Cheng, S. Cumulative major advances in particle swarm optimization from 2018 to the present: variants, analysis and applications. Arch Computat Methods Eng. 32 (3), 1571-1595 (2025).
  22. Yin, S., Xu, N., Shi, Z., Xiang, Z. Collaborative path planning of multi-unmanned surface vehicles via multi-stage constrained multi-objective optimization. Adv Eng Inform. 65, 103115(2025).
  23. Han, D., Qi, H., Wang, S., Hou, D., Wang, C. Adaptive stepsize forward-backward pursuit and acoustic emission-based health state assessment of high-speed train bearings. Struct Health Monit. 24 (6), 3523-3542 (2024).
  24. Chen, G., Shang, T., Song, W., Shao, W., Sun, H., Qing, X. Multilayer cooperative particle swarm optimizer for feature selection in structural health monitoring. IEEE Sens J. 25 (7), 12525-12537 (2025).
  25. Yin, S., Hu, J., Xiang, Z. Multi-objective collaborative path planning for multiple water-air unmanned vehicles in cramped environments. Expert Syst Appl. 292, 128625(2025).
  26. Han, D., et al. Dynamic detection mechanism model of acoustic emission for high-speed train axle box bearings with local defects. Mech Syst Signal Process. 235, 112943(2025).
  27. Chen, G., Sun, H. Multi-strategy improved sparrow search algorithm based on first definition of ellipse and group co-evolutionary mechanism for engineering optimization problems. Cluster Comput. 27 (10), 14005-14035 (2024).
  28. Xue, J., Zhang, C., Wang, M., Dong, X. MOSSA: an efficient swarm intelligent algorithm to solve global optimization and carbon fiber drawing process problems. IEEE Internet Things J. 12 (9), 11940-11953 (2025).
  29. Xue, J., Shen, B., Pan, A. A multi-strategy-guided sparrow search algorithm to solve numerical optimization and predict the remaining useful life of li-ion batteries. J Supercomput. 80 (11), 16254-16300 (2024).
  30. Gomes, G. F., Bendine, K., Pereira, J. L. J. Optimization and artificial intelligence: an in-depth analysis of multi-objective optimization, sampling methods, and regression algorithms applied to structural design. Mech Based Des Struct Mach. 53 (8), 5822-5849 (2025).
  31. Cai, X., Zhang, Y., Wang, L., Li, J., Chen, H. Self-extinction characteristics of fire extinguishing induced by nitrogen injection rescue in an enclosed urban utility tunnel. J Safety Sci. 145, 105874(2024).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Coal Spontaneous CombustionTemperature PredictionConvolutional Neural NetworksLong Short Term MemoryAttention MechanismSparrow Search AlgorithmModel OptimizationFeature PreprocessingReal Time MonitoringEarly Warning Systems

Related Articles