Investigación sobre un modelo profundamente integrado para la optimización estructural en la predicción de la temperatura de combustión espontánea del carbón

Summary

Aquí describimos un protocolo para predecir la temperatura de la combustión espontánea del carbón utilizando un marco CNN-LSTM-Attention optimizado para SSA que optimiza automáticamente la estructura y los parámetros de la red, mejorando así la precisión, adaptabilidad y generalización entre conjuntos de datos heterogéneos y condiciones mineras variadas.

Abstract

Aquí proponemos un protocolo para la predicción de la temperatura de combustión espontánea del carbón basado en un marco de atención optimizado para redes neuronales convolucionales (CNN) y memoria a corto plazo largo (LSTM) optimizado para redes neuronales convolucionales (SSA). Este protocolo aborda las limitaciones de las arquitecturas de red fija, la generalización restringida y la pobre transferibilidad comúnmente encontradas en métodos convencionales. El marco extrae características espaciales usando CNN y captura dependencias temporales con redes LSTM, mientras que el mecanismo de atención resalta fases críticas de temperatura y características salientes. La SSA optimiza conjuntamente la profundidad de la red y los hiperparámetros, permitiendo la adaptación dinámica a diferentes complejidades de datos en diferentes sitios mineros y condiciones experimentales. El protocolo consiste en la adquisición de datos, el preprocesamiento de características, la construcción del modelo, la optimización de parámetros y los pasos de validación. Los resultados experimentales demuestran que el modelo propuesto alcanza una precisión predictiva significativamente mayor en conjuntos de datos homogéneos y mantiene un rendimiento de generalización robusto entre conjuntos de datos heterogéneos, lo que lo hace muy adecuado para sistemas de monitorización de la temperatura en minas de carbón en tiempo real y alerta temprana.

Introduction

El carbón sigue desempeñando un papel dominante en la estructura energética de China. Sin embargo, durante el almacenamiento, el transporte y la minería, puede producirse un calentamiento espontáneo, lo que provoca combustión espontánea. Esto suele provocar incendios en minas, poniendo en grave peligro la seguridad de las minas y la vida de los^trabajadores 1,2,3,4. Por ello, la predicción precisa de los riesgos de incendios en minas de carbón y sus variaciones de temperatura es esencial para la alerta temprana y la mitigación de desastres. Los métodos de predicción para la temperatura espontánea de combustión del carbón han evolucionado desde fórmulas empíricas tempranas hasta enfoques de análisis basados en datos reales de ^{monitorización 5,6,7}. Los primeros estudios se basaron principalmente en modelos físicos y ecuaciones de cinética química para modelar el mecanismo de liberación de calor por oxidación del carbón. Sin embargo, debido a la complejidad de los parámetros del modelo y a la limitada aplicabilidad, estos modelos enfrentan limitaciones significativas en su uso^{práctico 8,9,10}. Con el desarrollo de algoritmos inteligentes, métodos como Random Forest (RF)¹¹ y Artificial Neural Networks (ANN⁾¹² se han ido introduciendo gradualmente para mejorar las capacidades de predicción mediante la construcción de mapeos no lineales. En los últimos años, los avances en el aprendizaje profundo han ofrecido nuevos enfoques para predecir la temperatura espontánea de combustión del carbón. Wang et ^al.13 propusieron un método de detección basado en tecnología de medición acústica de temperatura, analizando las emisiones de gases bajo diversas condiciones para establecer umbrales preliminares y un sistema de alerta temprana. Desarrolló un modelo matemático refinado para medir la temperatura del carbón suelto. También se han introducido las arquitecturas de Redes Neuronales de Grafos (GNN) y Transformers. Pan et ^al.3 presentaron un modelo de predicción de la temperatura de combustión espontánea del carbón basado en Redes Convolucionales de Grafos (GCN), que incorpora las interacciones entre indicadores de gases para lograr una mayor precisión en la predicción.

Sin embargo, los métodos existentes aún enfrentan limitaciones en la selección de hiperparámetros y la generalización de modelos. Para mejorar el rendimiento, los investigadores han introducido algoritmos inteligentes de optimización como el Sparrow Search Algorithm (SSA) para ajustar hiperparámetros como la tasa de aprendizaje y el tamaño del lote. Wang et ^al.14 propusieron el modelo SSA-CNN, que, por primera vez, integra un algoritmo de inteligencia en enjambre con una estructura de red neuronal convolucional. Este enfoque no solo mejora la eficiencia de optimización de parámetros, sino que también captura eficazmente las características estructurales espaciales en los datos de combustión espontánea del carbón. Long et ^al.15 y Zou et ^al.16, respectivamente, propusieron modelos de predicción de combustión espontánea del carbón basados en BO-Light Gradient-Boosting Machine (GBM) y optimización de enjambre de partículas XGBoost (PSO-XGB). Ambos modelos mejoraron la convergencia y la precisión al optimizar la estrategia de búsqueda, proporcionando nuevos enfoques para optimizar modelos de predicción de combustión espontánea del carbón.

Aunque los estudios existentes han avanzado en la predicción inteligente de la temperatura espontánea de combustión del carbón, la mayoría de los esfuerzos se han limitado a optimizar los parámetros del modelo sin mejoras a nivel de arquitectura de red. En consecuencia, los modelos actuales suelen presentar las siguientes limitaciones: Primero, la mayoría adopta estructuras estáticas, donde la arquitectura de red (por ejemplo, número de capas convolucionales, capas LSTM) y los parámetros clave de entrenamiento (por ejemplo, tasa de aprendizaje, tamaño del lote) se establecen manualmente o se decaen proporcionalmente durante la construcción inicial del modelo y permanecen sin cambios durante el entrenamiento y la predicción, careciendo de la capacidad de adaptarse dinámicamente a la complejidad de los datos. En segundo lugar, los modelos generalmente carecen de mecanismos adaptativos para ajustar a condiciones variables como distintos periodos de tiempo, rangos de temperatura y escalas de concentración de gases, lo que dificulta satisfacer las exigencias de la predicción multicondición. En tercer lugar, su generalización y transferibilidad siguen siendo insuficientes, lo que resulta en predicciones inestables e inexactas entre diferentes conjuntos de datos regionales. Aunque se han logrado algunas mejoras a nivel de parámetro, la estructura de la red permanece estática sin una optimización dinámica conjunta de la estructura y los parámetros, limitando las mejoras globales de rendimiento.

Por ello, este estudio pretende desarrollar un modelo flexible y de alta precisión para la predicción de la temperatura de combustión espontánea del carbón para abordar los desafíos mencionados. Mediante experimentos comparativos, se seleccionó la arquitectura CNN-LSTM-Attention como modelo base. Para adaptarse a los diferentes requisitos de profundidad de red para diferentes vetas de carbón, la estructura estática tradicional se sustituye por un enfoque de "optimización estructural". En este enfoque, el número de capas convolucionales (CNN) y recurrentes (LSTM), junto con los parámetros clave de entrenamiento, no está fijo sino que se ajusta dinámicamente según la intensidad de las características espaciales y temporales en los datos.

Protocol

1. Recogida de datos sobre combustión espontánea del carbón

1. Montar el sistema de oxidación de calefacción programado por carbón tipo aire, incluyendo el sistema de suministro de gas, la unidad de control de temperatura y los instrumentos de análisis de gases. Asegúrese de que todas las conexiones estén seguras, que los ajustes de control de temperatura sean precisos y que el cromatógrafo de gases y otros dispositivos analíticos estén completamente calibrados.
2. Pesa 1000 g de muestra de carbón mezclado (conserva la forma original de trozos), homogeneiza completamente la muestra usando el método de cuartezo y coloca uniformemente los bloques de carbón dentro de la cámara de calentamiento. Mantén un grosor y una distribución uniformes para garantizar un calentamiento uniforme.
3. Arranca la bomba de aire y ajusta el caudal usando el caudalímetro para mantener un flujo de gas estable de 100 mL/min hacia la cámara de calefacción. Asegura la estabilidad del flujo dentro de ±2 mL/min.
4. Inicia el sistema de calefacción según el programa de rampa de temperatura preestablecido, aumentando gradualmente la temperatura de la caldera a una tasa de 1,0 °C/min hasta 200 °C. Utiliza el software de control para monitorizar los cambios de temperatura en tiempo real y así asegurar que la velocidad de calentamiento cumple con las especificaciones de diseño.
5. Utiliza sensores de temperatura instalados cerca de la muestra de carbón para monitorizar y registrar continuamente las variaciones de temperatura, asegurando una recogida de datos precisa e ininterrumpida.
   NOTA: Durante el experimento de calentamiento programado, los datos de temperatura y concentración de gas se registraron automáticamente cada 10 segundos utilizando sensores de temperatura calibrados y analizadores de gases hasta que el experimento se completó.
6. Transporta los gases generados durante la reacción de calentamiento a través del sistema de suministro de gases hasta el cromatógrafo de gases.
   1. Realizar muestreos automatizados en intervalos predefinidos (30 s) para medir las concentraciones de oxígeno, monóxido de carbono y dióxido de carbono, y realizar la calibración de la línea base de la GC antes de cada experimento.
   2. Mantener un flujo en la línea de transferencia de 100 mL/min (±2 mL/min), adaptado al flujo de salida de la cámara y regulado por el controlador de flujo másico para asegurar una entrega estable al cromatógrafo de gases durante el automuestreo de 30 s.
7. Antes del entrenamiento del modelo, aplica una tubería de preprocesamiento de datos estandarizada para garantizar la calidad y consistencia de los datos.
   1. Normalizar todas las características a media cero y varianza unitaria para eliminar discrepancias de escala y facilitar la convergencia del modelo.
   2. Para suprimir el ruido del sensor y estabilizar las tendencias temporales, aplica un filtro de media móvil con una ventana de tamaño 5 para suavizar los datos de la serie temporal. Imputar valores faltantes, si están presentes, usando la media de observaciones vecinas para mantener la completitud del conjunto de datos.
   3. Además, identifica valores atípicos usando un umbral de puntuación z de |z| > 3 y excluirlos del análisis posterior para mejorar la robustez del modelo.
      NOTA: El experimento recopiló datos de 83 muestras de carbón, registrando las concentraciones de gases como oxígeno, monóxido de carbono, dióxido de carbono, metano, etano y etileno en relación con la temperatura del carbón. Un diagrama esquemático del sistema de oxidación de calentamiento programado por carbón tipo aire se muestra en la Figura 1.

2. Construcción de un modelo de atención CNN-LSTM basado en la optimización estructural SSA

1. Construcción del modelo de atención CNN-LSTM
   1. Construye el módulo de red neuronal convolucional (CNN) para extraer automáticamente características espaciales de secuencias de entrada de temperatura y concentraciones de gas.
      1. Apila 2-4 capas de convolución 1D (zancada = 1, relleno = "igual", tamaño del núcleo 3-7). Después de cada capa, aplica normalización (BatchNorm o LayerNorm), activación de ReLU o GELU, y 0.1-0.2 dropout. Opcionalmente, utiliza MaxPooling1D (pool = 2) en las primeras una o dos capas para reducir el ruido/downsampling, y evita el pooling en la capa final para preservar la resolución temporal.
      2. Utiliza una convolución 1×1 para proyectar la dimensión del canal a lo que espera el LSTM aguas abajo. Mantén el tensor en forma 3D de "tiempo × canales" (no aplanar) y alimentarlo directamente al LSTM con return_sequences=Verdadero; registrar el recuento de capas, los canales, el tamaño del núcleo, el agrupamiento y la caída en un archivo de configuración para habilitar la búsqueda y reproducibilidad SSA.
   2. Trata la salida final de Conv1D como una secuencia ordenada en el tiempo de vectores de características, preservando el eje temporal sin aplanar, y alimentarla directamente al LSTM. Si la agrupación previa ha acortado la secuencia, se utiliza la longitud reducida; cuando la dimensión del canal no coincide con la expectativa del LSTM, se aplica una convolución 1×1 o proyección lineal para la alineación.
   3. Configura el LSTM con 64 unidades ocultas, activación de tanh y return_sequences=Verdadero para conservar representaciones en cada paso de tiempo. Implementa esta conversión en el módulo de construcción del modelo y registra las formas de tensor de entrada/salida y los ajustes clave para asegurar la reproducibilidad y trazabilidad, manteniendo así representaciones en cada paso temporal. Implementa esta conversión en el módulo de construcción del modelo y en los registros de formas de tensor de entrada/salida y ajustes clave para asegurar la reproducibilidad y trazabilidad.
   4. Inserta un bloque de atención temporal inmediatamente después de la salida del LSTM: el bloque toma las representaciones ocultas por paso de tiempo y utiliza una proyección de capa oculta única para producir un vector de peso de atención.
   5. Establece la dimensión del vector de peso en 64, especificada directamente en la configuración de la capa de atención. Luego, normaliza los pesos a lo largo del eje temporal con un softmax, obteniendo la importancia relativa de cada paso temporal. Utiliza los pesos normalizados para calcular un vector de contexto (suma ponderada), que se fusiona con la representación de la secuencia y se alimenta a la cabeza de regresión.
   6. Entrenar el módulo de atención de extremo a extremo con la columna vertebral; Si existe relleno, aplica una máscara antes del softmax para ignorar los pasos inválidos.
   7. Solo para los experimentos de ablación, se divide el conjunto de datos cronológicamente en conjuntos de entrenamiento (80%) y conjuntos de prueba (20%), mientras se realiza una validación cruzada de cinco partes separada para evaluar la estabilidad general y generalización del modelo propuesto.
   8. Ejecuta el entrenamiento desde el directorio raíz del proyecto, con todas las rutas relativas ancladas a esa raíz. Aplica una parada temprana de modo que si el error de validación no mejora durante 10 épocas consecutivas, el entrenamiento se detenga y los mejores pesos se guarden en ./checkpoints/best_model.h5.
   9. Para registrar el proceso, un registrador CSV escribe pérdidas de entrenamiento/validación por época y métricas clave en training_log.csv (columnas como época, train_loss, val_loss, métricas, marca temporal). Actualizar el archivo del mejor modelo siempre que mejore la validación, asegurando la reproducibilidad y apoyando el análisis posterior.
      NOTA: CNN extrae automáticamente características espaciales de los datos de entrada mediante conectividad local y compartición de pesos. Los núcleos convolucionales superficiales capturan variaciones locales sutiles. Las características espaciales se manifiestan como la distribución de concentraciones y los patrones de diferentes gases (como el oxígeno y el monóxido de carbono) al mismo tiempo, incluyendo anomalías locales y gradientes de concentración. Estas reflejan las correlaciones espaciales de gases durante el proceso de combustión espontánea del carbón, que las CNN pueden identificar^{eficazmente 17}. La secuencia de características extraída por CNN se introduce en un LSTM, que modela dinámicamente la serie temporal mediante sus mecanismos de acceso. Características temporales como el aumento gradual de la temperatura, fluctuaciones y cambios bruscos en la concentración de gas, y su orden secuencial, reflejan la temperatura acumulada y las reacciones gaseosas durante la combustión espontánea del carbón. El LSTM captura eficazmente estos patrones, mejorando la precisión de las predicciones y la estabilidad del^{modelo 18}. Se introduce un mecanismo de atención en la capa de salida LSTM para asignar pesos a las características en cada paso de tiempo. Esto se centra en las etapas críticas de la temperatura espontánea de combustión del carbón, fortalece información valiosa, suprime el ruido y mejora el rendimiento de^{predicción 19} (Figura 2).
2. Diseño de un método de optimización de estructuras de modelos basado en SSA
   NOTA: La estrategia de optimización dinámica propuesta aquí integra el diseño de la estructura del modelo con la optimización de hiperparámetros y se divide en conjunto en la etapa de preparación, la etapa de deformación y la etapa de entrenamiento formal. Este método logra un ajuste colaborativo de parámetros estructurales e hiperparámetros, permitiendo que el modelo mantenga la flexibilidad estructural mientras mejora el rendimiento y la adaptabilidad a condiciones operativas complejas.
   1. Fase de preparación
      1. Antes de la búsqueda basada en SSA, se define el espacio de búsqueda hiperparámetro/estructura como una 4-tupla: x_i= L_cnn, L_lstm, L_r, batch_size, L_cnn (número de bloques CNN) y L_lstm (número de capas LSTM apiladas) se valoran enteros y se muestrean uniformemente de {1,2,3,4} y {1,2,3}, respectivamente.
      2. Como el optimizador propone vectores de valores reales, mapea propuestas no enteras al entero más cercano usando la regla round() de Python (empate a par) y luego corta a [1,4] o [1,3]. Calcula la tasa de aprendizaje lrs es log-uniforme a partir del intervalo [1 x ^10-2, 1 x ^10-1]. Corta las propuestas fuera de alcance al límite más cercano. batch_size es una elección discreta de {32, 64, 96, 128}.
      3. Salvo que se indique lo contrario, no impongas restricciones entre parámetros durante este paso de preparación. Para la reproducibilidad, aplica una semilla aleatoria común (42) a Python, NumPy, el framework de aprendizaje profundo y la variable de entorno PYTHONHASHSEED.
      4. Inicializa la búsqueda SSA con un tamaño de población de 30 y ejecuta durante 80 iteraciones.
         NOTA: Estos ajustes, junto con las reglas de redondeo/recorte anteriores, definieron la preparación del espacio de búsqueda utilizado para todos los experimentos posteriores.
   2. Fase de deformación
      1. Genera aleatoriamente un conjunto inicial de parámetros, denotado como C_{1,L 1,I 1,b 1.} Antes de entrenar la red, redondea las dimensiones enteras al entero más cercano y corta todos los valores a sus límites.
      2. Utiliza una sola prueba de entrenamiento/validación para calcular el Error Cuadrático Medio (MSE) de validación como la condición física; Graba y almacena el resultado actual.
      3. Actualiza la posición para generar una nueva combinación de parámetros C_2,L 2,I_{2,b 2.} Ejecuta una sola iteración de entrenamiento y compara su aptitud con el valor almacenado.
      4. Si la nueva combinación funciona mejor que la anterior, reemplaza el resultado original y establece la posición actual en C_{2,L 2,I 2,b 2.} Si tiene peor rendimiento, establece un marcador para evitar seleccionar repetidamente combinaciones ineficaces mientras mantienes al titular.
      5. Repite los pasos 2.2.2.2-2.2.2.4 durante múltiples iteraciones hasta que no se observe ninguna mejora adicional, obteniendo así la combinación óptima C _{n,L n,I n,b n}.
      6. Guarda C _{n,L n,I} n,b_n como parámetros estructurales finales y comienza la formación formal.
   3. Fase de formación
      NOTA: Los conteos de capas CNN y LSTM con la mejor aptitud se seleccionan como la configuración final de la red para el entrenamiento completo y la evaluación en el conjunto de pruebas (Figura 3).
      1. Establece el rango de búsqueda de estructuras de modelos e hiperparámetros, incluyendo 2-6 capas CNN, 1-4 capas LSTM, un rango de tasa de aprendizaje de 1 × ^10-5 a 1 × ^10-2, tamaños de lote de 32, 64 o 128, y un máximo de 100 épocas de entrenamiento. Optimiza estos parámetros conjuntamente durante las iteraciones SSA.
      2. Inicializa la población del Algoritmo de Búsqueda de Gorriones (SSA) estableciendo el tamaño de la población en 30 y el número máximo de iteraciones en 100. Asegúrate de que cada individuo representa una configuración de modelo candidato, incluyendo la profundidad CNN, la profundidad LSTM, la tasa de aprendizaje y el tamaño del lote.
      3. En cada iteración, dividir la población de la SSA en descubridores (20%), seguidores (70%) y centinelas (10%). Según las reglas de actualización de posición de la SSA, los descubridores realizan exploración global, los seguidores realizan explotación local y los centinelas impiden que el algoritmo quede atrapado en óptimos locales. Actualiza los vectores de posición de todos los individuos después de cada iteración.
      4. Utiliza el error cuadrático medio (MSE) en el conjunto de validación como función de aptitud para evaluar el rendimiento predictivo de cada modelo candidato. Ajusta dinámicamente la dirección de búsqueda en función de los valores de aptitud, permitiendo que la SSA converja gradualmente hacia la estructura óptima y la configuración de hiperparámetros.
      5. Tras completar las iteraciones SSA, se obtiene la profundidad óptima de CNN, profundidad LSTM, tasa de aprendizaje y tamaño de lote. Reentrenar el modelo en el conjunto completo de entrenamiento usando estos parámetros óptimos y guardar los pesos finales entrenados del modelo a final_model.h5".
         NOTA: Los algoritmos de optimización se aplican ampliamente en campos^{industriales 20,21}, comúnmente utilizados en programación^{de producción 22}, control^{de calidad 23}, mantenimiento^{de equipos 24}, asignación^{de recursos 25} y optimización de parámetros^{de proceso 26}, entre otros. El algoritmo de búsqueda de gorriones (SSA) adoptado en este estudio es un algoritmo de optimización inteligente que simula el comportamiento de búsqueda de alimento de las poblaciones de gorriones. Logra una optimización eficiente mediante el mecanismo colaborativo de descubridores, seguidores y^{centinelas 27}. El algoritmo designa al mejor individuo de la población como el descubridor para realizar la exploración global, mientras que los individuos restantes actúan como seguidores realizando explotación local, y los centinelas se configuran para evitar los óptimos locales²⁸. SSA emplea una estrategia adaptativa para equilibrar las capacidades de exploración y explotación, con una rápida velocidad de convergencia y ajustes de parámetros^{sencillos 29}. En el modelo de predicción de temperatura de combustión espontánea del carbón propuesto en este artículo, la SSA sirve como el método central del concepto de "optimización estructural", optimizando automáticamente la arquitectura del modelo CNN-LSTM-Attention y los hiperparámetros clave para mejorar la precisión y generalización de la predicción entre conjuntos de datos heterogéneos.

3. Validación del modelo y evaluación de la transferibilidad

1. Validación de la efectividad del modelo
   1. Diseñar un experimento de ablación utilizando datos experimentales de combustión espontánea con carbón para verificar las contribuciones individuales de los módulos CNN, LSTM y Atención. Divide el conjunto de datos aleatoriamente en conjuntos de entrenamiento (80%) y de prueba (20%) usando una semilla aleatoria fija de 42 para asegurar la reproducibilidad.
      NOTA: Utiliza una estación de trabajo equipada con una GPU NVIDIA RTX 4090 y ejecuta todos los experimentos con Python 3.8 y TensorFlow 2.6 (la información del IDE de desarrollo se indica en la Tabla de Materiales).
   2. Establecer la función objetivo para que signifique el error cuadrático (MSE) y aplicar el mejorado Algoritmo de Búsqueda Sparrow (SSA) para optimizar conjuntamente los hiperparámetros clave de la arquitectura CNN-LSTM-Atención, incluyendo la profundidad de la red, la tasa de aprendizaje y el tamaño del lote. Para garantizar la equidad, entrenar todos los modelos de referencia en el mismo conjunto de datos usando épocas de entrenamiento, tasas de aprendizaje y tamaños de lote idénticos, y evalúa en el mismo conjunto de pruebas.
   3. Basándose en una estructura fija de modelo CNN-LSTM-Atención, emplear cinco métodos clásicos de optimización de parámetros — Algoritmo Genético (GA), Optimización de Lobos Grises (GWO), Optimización de Enjambre de Partículas (PSO), Algoritmo de Optimización de Ballenas (WOA) y Algoritmo de Búsqueda de Gorriones (SSA) — para optimizar el modelo, seguido de una evaluación integral que integra la optimización estructural.
   4. Calcula las métricas de rendimiento para cada modelo del conjunto de pruebas y visualiza los resultados usando tablas comparativas.
      1. Informa del estudio de ablación (Tabla 1), el rendimiento predictivo de los siete modelos (Tabla 2) y el rendimiento comparativo de los algoritmos de optimización (Tabla 3).
      2. Para las figuras, traza las predicciones del modelo con observaciones y establece las etiquetas de las leyendas en "Predicho" y "Medido". Asegúrate de tener fuentes, esquemas de color y unidades de eje consistentes en todas las figuras. Para las tablas, mantén la tipografía, el orden de las columnas, las unidades y los decimales consistentes.
2. Validación de la transferibilidad del modelo
   1. Construcción del conjunto de datos de validación de transferencias
      1. Utilizar un conjunto de datos de transferencia y validación de 83 muestras de carbón de seis sitios mineros, sumando un total de 12.450 registros de características temperatura-gas. Para cada sitio, dividir los datos en conjuntos de entrenamiento (80%) y de prueba (20%), y mantener una representación equilibrada a través de diversas condiciones geológicas.
         NOTA: Para evaluar el impacto de la "optimización estructural" en el rendimiento de generalización del modelo, este estudio construyó un conjunto de datos completo de características de temperatura de combustión espontánea del carbón que abarca múltiples sitios mineros y diversas condiciones geológicas. El conjunto de datos integra datos de monitoreo de campo de minas representativas como la mina Qinglong (vetas de carbón casi horizontales), la mina Xiao Ji Han (capas gruesas de carbón) y la mina Zhangjiamao (capas de carbón enterradas poco profundas), así como datos experimentales de vetas de carbón propensas a autoinflamación de clase I-II bajo diversas condiciones geológicas, incluyendo la veta de carbón nº 4 (alto contenido volátil), la veta de carbón nº 4 (alto contenido volátil), la veta de carbón 72 de la mina Yuan Dian No. 2 (techo compuesto). y la mina Hongqingliang (características propensas a la oxidación).
   2. Análisis de heterogeneidad de conjuntos de datos cruzados
      1. Registros agregados por mina para CO, CO₂, CH₄, C₂H₆, C_{2H 4} y temperatura del carbón; Guarda mi identificación y las marcas de tiempo.
      2. Armoniza las unidades (ppm o %) y alinea las marcas de tiempo; manejar los valores faltantes especificados en el paso 2.1.
      3. Calcular min, Q1, mediana, Q3, max e IQR para cada variable × minería; Marcar los valores atípicos con la regla 1,5×IQR.
      4. Cuantificar la heterogeneidad entre minas calculando diferencias de pliegues para Q3 y max; los casos destacados ≈ dos órdenes de magnitud (especialmente CO/_{CO 2}).
      5. Graficar los gráficos de caja y bigote por mi (un panel por variable; eje y común por variable; mostrar valores atípicos como puntos; etiquetar cuartiles).
      6. Exportar como Figura 4.
      7. Selecciona cuatro modelos de buen rendimiento en el conjunto de datos de laboratorio —XGBoost, BP, TCN y Transformer— para compararlos y validar la transferibilidad del modelo propuesto.

Results

La estabilidad del modelo fue validada utilizando cuatro conjuntos de datos independientes, demostrando un rendimiento predictivo consistente en diferentes condiciones geológicas. Esta sección presenta resultados representativos y evaluaciones de rendimiento de los experimentos de combustión espontánea del carbón y del modelo propuesto de atención SSA-CNN-LSTM. En primer lugar, se analizan las variaciones en múltiples indicadores de gas recogidas durante los experimentos programados de ox...

Discussion

Utiliza bloques de carbón intactos; realizar solo limpieza superficial tras la toma de muestras y sellar dos veces inmediatamente para evitar una exposición prolongada. Mantén la línea de gas estanca con control de flujo constante (MFC), ejecuta el calentamiento programado exactamente según lo especificado en el protocolo y calibra el GC con estándares certificados. Adquirir señales de temperatura y gas a intervalos fijos y sincronizar las marcas de tiempo (véase protocolo). Desde un pun...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Válvula de muestreo de gas de 6 puertos y 2 posiciones con actuador universal	VICI Valco	EUDA-2C6UWT	conexiones de 1/16"; puertos de 0,75 mm; RS-232; Distanciamiento de 2"
Barco de muestra de alúmina	MTI Corporation	EQ-CA-L50W40H20	>99,5% Al2O3; 50 y más veces; 40 y más veces; 20 mm
Software de cromatografía	Agilent Technologies	OpenLab CDS	Adquisición/procesamiento de datos
Muestras de carbón (recogidas en campo)	Recogida internamente/en el campo	N/A	Fuente detallada en Métodos
CUDA / cuDNN	NVIDIA	https://developer.nvidia.com/cuda-zone	CUDA 11.x; coincidencia con cuDNN
Mainframe DAQ	Keysight	DAQ970A	DMM de 6½ dígitos; USB/LAN
Desecante (indicando)	Drierita W.A. Hammond	23001	Sulfato de calcio; 8 mallas; 1 libra
Bomba de aire de diafragma	KNF	https://www.knf.com	Suministro continuo de aire; Flujo ajustable
Bata de laboratorio FR	Baluarte	KEL2 (serie)	Cumple con la NFPA 2112
Cromatógrafo de gases	Agilent Technologies	G3540A (Sistema 8890 GC)	sistema GC; EPC; hasta 2 entradas / 4 detectores
Guantes resistentes al calor	Ansell	43-113	Intermitente hasta ~350 ° C
Aire de alta pureza	Air Liquide / Airgas	https://www.airgas.com/solutions/specialty-gases/pure-gases/alphagaz	≥ 99,99% de pureza
IDE	JetBrains / Microsoft	https://www.jetbrains.com/pycharm/ ; https://code.visualstudio.com/download	PyCharm / VS Code
Filtros en línea	Swagelok	https://www.swagelok.com/downloads/webcatalogs/en/ms-01-92.pdf	Elementos SS sinterizados 0.5– 15 & micro; m
Termopares tipo K	OMEGA	https://www.omega.com	Tipo K (NiCr– NiSi)
Controlador de flujo másico (0– 200 sccm)	Alicat Scientific	MC-200SCCM-D	serie MC; ± (0,8% rdg + 0,2% FS)
Gases de calibración multicomponente	Messer	https://specialtygases.messergroup.com/standard-gas-mixtures	Concentración personalizada; Certificado
Sistema operativo	Microsoft	https://www.microsoft.com/en-us/software-download/windows11	Windows 11
Sistema operativo	Canónico	https://ubuntu.com/download/desktop	Ubuntu LTS (22.04/24.04)
Tubería de PTFE/PFA	Swagelok	https://products.swagelok.com/en/all-products/hoses-flexible-tubing/ptfe-pfa-core-hose/c/716?clp=true	Resistente químicamente; 1/16&nDash; 1/4 en OD
Python	Fundación de Software Python	https://www.python.org/downloads/	Versión 3.8
Barco de muestra de cuarzo	MTI Corporation	EQ-QB-1017 (tamaño de ejemplo)	~1200 ° Temperatura de trabajo C
Gafas de seguridad	3M	93506P1-DC (ejemplo)	Salpicaduras químicas; Opciones antiniebla
Tubería sin juntas de acero inoxidable	Swagelok	https://www.swagelok.com/downloads/webcatalogs/en/ms-01-181.pdf	316/316L; 1/16&nDash; 1/4 en OD
Accesorios de tubos y accesorios de acero inoxidable Férulas	Swagelok	https://products.swagelok.com/en/all-products/fittings/tube-fittings-adapters/c/154?clp=true	316/316L; Doble férula
Controlador de temperatura	Eurotherm	3216	ID de bucle único; Rampas/alarmas programables
TensorFlow	Google	https://www.tensorflow.org	Versión 2.6
Módulo de termopar USB	NI (Instrumentos Nacionales)	781314-01 (USB-TC01)	K/J/T; Software de registro
Caudalímetro de área variable (Visi-Float)	Instrumentos Dwyer	VFA-2-EC-SS (0.2– 2 SCFH Air)	Rango de bajo caudal; Lectura directa
GPU de estación de trabajo	NVIDIA	900-1G136-2530-000 (Edición Fundadores)	GeForce RTX 4090, 24 GB GDDR6X (FE)