Recherche sur un modèle profondément intégré pour l’optimisation structurelle dans la prédiction de la température de combustion spontanée du charbon

Summary

Ici, nous décrivons un protocole pour prédire la température de la combustion spontanée du charbon en utilisant un cadre CNN-LSTM-Attention optimisé pour SSA qui optimise automatiquement la structure et les paramètres du réseau, améliorant ainsi la précision, l’adaptabilité et la généralisation à travers des ensembles de données hétérogènes et des conditions minières variées.

Abstract

Ici, nous proposons un protocole pour la prédiction de la température de combustion spontanée du charbon, basé sur un cadre d’attention optimisé par l’algorithme de recherche de moineaux (SNC) pour la mémoire à court terme long (LSTM) optimisé par les réseaux neuronaux convolutionnels (SNC). Ce protocole répond aux limitations des architectures réseau fixes, à la généralisation restreinte et à la faible transférabilité couramment rencontrées dans les méthodes conventionnelles. Le cadre extrait les caractéristiques spatiales à l’aide de CNN et capture les dépendances temporelles avec les réseaux LSTM, tandis que le mécanisme d’attention met en évidence les phases critiques de température et les caractéristiques marquantes. La SSA optimise conjointement la profondeur du réseau et les hyperparamètres, permettant une adaptation dynamique à la diversité des complexités de données selon les sites miniers et les conditions expérimentales. Le protocole comprend l’acquisition de données, le prétraitement des fonctionnalités, la construction du modèle, l’optimisation des paramètres et les étapes de validation. Les résultats expérimentaux démontrent que le modèle proposé atteint une précision prédictive significativement supérieure sur des ensembles de données homogènes et maintient une performance de généralisation robuste sur des ensembles de données hétérogènes, ce qui le rend parfaitement adapté à la surveillance en temps réel de la température des mines de charbon et aux systèmes d’alerte précoce.

Introduction

Le charbon joue toujours un rôle dominant dans la structure énergétique chinoise. Cependant, lors du stockage, du transport et de l’exploitation minière, un chauffage spontané peut se produire, entraînant une combustion spontanée. Cela provoque souvent des incendies de mines, menaçant sérieusement la sécurité des mines et la vie des^travailleurs 1,2,3,4. Ainsi, une prévision précise des risques d’incendie des mines de charbon et de leurs variations de température est essentielle pour l’alerte précoce et la prévention des catastrophes. Les méthodes de prédiction de la température spontanée de combustion du charbon ont évolué des premières formules empiriques vers des approches d’analyse basées sur des données réelles de suivi ^5,6,7. Les premières études s’appuyaient principalement sur des modèles physiques et des équations de cinétique chimique pour modéliser le mécanisme de libération de chaleur par oxydation du charbon. Cependant, en raison de la complexité des paramètres du modèle et de l’applicabilité limitée, ces modèles rencontrent des limitations importantes dans leur utilisation^{pratique 8,9,10}. Avec le développement d’algorithmes intelligents, des méthodes telles que la forêt aléatoire (RF)¹¹ et les réseaux neuronaux artificiels (ANN⁾¹² ont été progressivement introduites pour améliorer les capacités de prédiction en construisant des applications non linéaires. Ces dernières années, les avancées en apprentissage profond ont offert de nouvelles approches pour prédire la température de combustion spontanée du charbon. Wang et ^al.13 ont proposé une méthode de détection basée sur la technologie de mesure acoustique de la température, analysant les émissions de gaz dans diverses conditions afin d’établir des seuils préliminaires et un système d’alerte précoce. Elle a développé un modèle mathématique affiné pour mesurer la température du charbon en vrac. Les architectures de réseaux neuronaux à graphes (GNN) et transformateurs ont également été introduites. Pan et ^al.3 ont présenté un modèle de prédiction de la température de combustion spontanée du charbon basé sur les réseaux convolutionnels de graphes (GCN), qui intègre les interactions entre les indicateurs de gaz pour obtenir une meilleure précision de prédiction.

Cependant, les méthodes existantes rencontrent encore des limites dans la sélection des hyperparamètres et la généralisation des modèles. Pour améliorer les performances, les chercheurs ont introduit des algorithmes d’optimisation intelligents tels que l’algorithme de recherche Sparrow (SSA) pour ajuster des hyperparamètres tels que le taux d’apprentissage et la taille du lot. Wang et ^al.14 ont proposé le modèle SSA-CNN, qui, pour la première fois, intègre un algorithme d’intelligence en essaim avec une structure de réseau de neurones convolutifs. Cette approche améliore non seulement l’efficacité de l’optimisation des paramètres, mais capture également efficacement les caractéristiques structurelles spatiales dans les données de combustion spontanée du charbon. Long et ^al.15 et Zou et ^al.16, respectivement, ont proposé des modèles de prédiction de la combustion spontanée du charbon basés sur BO-Light Gradient-Boosting Machine (GBM) et l’optimisation par essaim de particules-XGBoost (PSO-XGB). Les deux modèles ont amélioré la convergence et la précision en optimisant la stratégie de recherche, offrant de nouvelles approches pour optimiser les modèles de prédiction de combustion spontanée du charbon.

Bien que les études existantes aient fait progresser la prédiction intelligente de la température de combustion spontanée du charbon, la plupart des efforts se sont limités à optimiser les paramètres du modèle sans améliorations au niveau de l’architecture réseau. Par conséquent, les modèles actuels présentent généralement les limitations suivantes : Premièrement, la plupart adoptent des structures statiques, où l’architecture réseau (par exemple, nombre de couches convolutionnelles, couches LSTM) et les paramètres clés d’entraînement (par exemple, taux d’apprentissage, taille du lot) sont définis manuellement ou proportionnellement dégradés lors de la construction initiale du modèle et restent inchangés tout au long de l’entraînement et de la prédiction, manquant de la capacité d’adaptation dynamique à la complexité des données. Deuxièmement, les modèles manquent généralement de mécanismes adaptatifs pour s’adapter à des conditions variées telles que des périodes de temps, des plages de température et des échelles de concentration de gaz, ce qui rend difficile de répondre aux exigences de prédiction multi-conditions. Troisièmement, leur généralisation et leur transférabilité restent insuffisantes, ce qui entraîne des prédictions instables et inexactes à travers différents ensembles de données régionaux. Bien que certaines améliorations aient été obtenues au niveau des paramètres, la structure du réseau elle-même reste statique sans une optimisation dynamique conjointe de la structure et des paramètres, limitant les gains de performance globaux.

Par conséquent, cette étude vise à développer un modèle flexible et de haute précision pour la prédiction de la température de combustion spontanée du charbon afin de répondre aux défis ci-dessus. Grâce à des expériences comparatives, l’architecture CNN-LSTM-Attention a été sélectionnée comme modèle de base. Pour répondre aux besoins variables en profondeur du réseau selon les veines de charbon, la structure statique traditionnelle est remplacée par une approche d'« optimisation structurelle ». Dans cette approche, le nombre de couches convolutionnelles (CNN) et récurrentes (LSTM), ainsi que les paramètres clés d’entraînement, n’est pas fixé mais est ajusté dynamiquement en fonction de la force des caractéristiques spatiales et temporelles dans les données.

Protocol

1. Collecte de données sur la combustion spontanée du charbon

1. Assemblez le système d’oxydation de chauffage programmé au charbon de type air, incluant le système d’alimentation en gaz, l’unité de contrôle de température et les instruments d’analyse des gaz. Assurez-vous que toutes les connexions sont sécurisées, que les réglages de contrôle de température sont précis, et que le chromatographe en phase gazeuse ainsi que les autres dispositifs d’analyse sont entièrement calibrés.
2. Pèser 1000 g d’échantillon de charbon mélangé (conserver la forme originale en morceaux), homogénéiser soigneusement l’échantillon en utilisant la méthode de quart, et placer uniformément les blocs de charbon dans la chambre de chauffage. Maintenez une épaisseur constante et une répartition uniforme pour assurer un chauffage uniforme.
3. Démarrez la pompe à air et ajustez le débit à l’aide du débitmètre pour maintenir un débit stable de 100 mL/min dans la chambre de chauffage. Assurez-vous que la stabilité du débit soit ±2 mL/min.
4. Démarrez le système de chauffage selon le programme de rampe de température prédéfini, en augmentant progressivement la température du four à un taux de 1,0 °C/min jusqu’à 200 °C. Utilisez le logiciel de contrôle pour surveiller les variations de température en temps réel afin de garantir que le taux de chauffage respecte les spécifications de conception.
5. Utilisez des capteurs de température installés près de l’échantillon de charbon pour surveiller et enregistrer en permanence les variations de température, garantissant une collecte de données précise et ininterrompue.
   REMARQUE : Lors de l’expérience de chauffage programmée, les données de température et de concentration de gaz étaient automatiquement enregistrées toutes les 10 secondes à l’aide de capteurs de température calibrés et d’analyseurs de gaz jusqu’à la fin de l’expérience.
6. Transportez les gaz générés lors de la réaction de chauffage à travers le système d’alimentation gazeuse dans le chromatographe gazeux.
   1. Effectuer un échantillonnage automatisé à intervalles prédéfinis (30 s) pour mesurer les concentrations d’oxygène, de monoxyde de carbone et de dioxyde de carbone, et effectuer une étalonnage de base de la base GC avant chaque expérience.
   2. Maintenir un débit de ligne de transfert de 100 mL/min (±2 mL/min), adapté au débit de la chambre et régulé par le régulateur de débit massique pour assurer une livraison stable au chromatographe en phase gazeuse lors de l’autoéchantillonnage de 30 s.
7. Avant l’entraînement du modèle, appliquez un pipeline de prétraitement des données standardisé pour garantir la qualité et la cohérence des données.
   1. Normaliser toutes les caractéristiques à une moyenne nulle et à une variance unitaire afin d’éliminer les écarts d’échelle et de faciliter la convergence du modèle.
   2. Pour supprimer le bruit des capteurs et stabiliser les tendances temporelles, appliquez un filtre à moyenne mobile avec une taille de fenêtre de 5 afin d’harmoniser les données des séries temporelles. Imputer les valeurs manquantes, si elles sont présentes, en utilisant la moyenne des observations voisines pour maintenir la complétude du jeu de données.
   3. De plus, identifier les valeurs aberrantes en utilisant un seuil de score z de |z| > 3 et les exclure de l’analyse ultérieure afin d’améliorer la robustesse du modèle.
      REMARQUE : L’expérience a collecté des données à partir de 83 échantillons de charbon, enregistrant les concentrations de gaz tels que l’oxygène, le monoxyde de carbone, le dioxyde de carbone, le méthane, l’éthylane et l’éthylène en relation avec la température du charbon. Un schéma du système d’oxydation au chauffage programmé au charbon de type air est montré à la Figure 1.

2. Construction d’un modèle d’attention CNN-LSTM basé sur l’optimisation structurelle SSA

1. Construction du modèle d’attention CNN-LSTM
   1. Construisez le module de réseau de neurones convolutionnel (CNN) pour extraire automatiquement les caractéristiques spatiales des séquences d’entrée de température et de concentrations de gaz.
      1. Pile 2-4 couches de convolution 1D (foulée = 1, bourrage = « identique », taille du noyau 3-7). Après chaque couche, appliquez la normalisation (BatchNorm ou LayerNorm), l’activation ReLU ou GELU, et un dropout 0,1-0,2. En option, utilisez MaxPooling1D (pool = 2) dans les une ou deux premières couches pour le débruit/downsampling, et évitez le pooling dans la couche finale pour préserver la résolution temporelle.
      2. Utilisez une convolution 1×1 pour projeter la dimension du canal selon ce que le LSTM en aval attend. Gardez le tenseur en forme 3D « temps × canaux » (ne pas aplatir) et alimentez-le directement au LSTM avec return_sequences=Vrai ; enregistrer le nombre de couches, les canaux, la taille du noyau, le pooling et le dropout dans un fichier de configuration pour permettre la recherche SSA et la reproductibilité.
   2. Considérez la sortie finale Conv1D comme une séquence ordonnée dans le temps de vecteurs de caractéristiques, préservant l’axe temporel sans aplatissement, et envoyez-la directement dans le LSTM. Si le regroupement préalable a raccourci la séquence, on utilise la longueur réduite ; lorsque la dimension du canal ne correspond pas à l’attente du LSTM, on applique une convolution 1×1 ou une projection linéaire pour l’alignement.
   3. Configurez le LSTM avec 64 unités cachées, activation tanh, et return_sequences=True pour conserver les représentations à chaque pas de temps. Implémentez cette conversion dans le module de construction du modèle et consignez les formes tensorielles entrée/sortie ainsi que les réglages clés pour garantir la reproductibilité et la traçabilité, conservant ainsi les représentations à chaque étape temporelle. Implémentez cette conversion dans le module de construction du modèle et dans les formes de tenseur entrée/sortie et les réglages clés afin d’assurer la reproductibilité et la traçabilité.
   4. Insérer un bloc d’attention temporelle immédiatement après la sortie du LSTM : le bloc prend les représentations cachées par pas de temps et utilise une projection à couche cachée unique pour produire un vecteur de poids d’attention.
   5. Fixez la dimension du vecteur poids à 64, spécifiée directement dans la configuration de la couche d’attention. Ensuite, normaliser les poids sur l’axe du temps avec un softmax, ce qui donne l’importance relative de chaque pas de temps. Utilisez les poids normalisés pour calculer un vecteur de contexte (somme pondérée), qui est fusionné avec la représentation de la séquence et transmis à la tête de régression.
   6. Entraînez le module d’attention de bout en bout avec la colonne vertébrale ; Si le rembourrage existe, appliquez un masque avant le softmax pour ignorer les étapes invalides.
   7. Pour les expériences d’ablation uniquement, il faut diviser le jeu de données chronologiquement en ensembles d’entraînement (80 %) et de tests (20 %), tout en effectuant une validation croisée cinq fois séparée afin d’évaluer la stabilité globale et la généralisation du modèle proposé.
   8. Exécutez l’entraînement depuis le répertoire racine du projet, avec tous les chemins relatifs ancrés à cette racine. Appliquer un arrêt précoce de sorte que si l’erreur de validation ne s’améliore pas pendant 10 époques consécutives, l’entraînement s’arrête et les meilleurs poids soient enregistrés sur ./checkpoints/best_model.h5.
   9. Pour enregistrer le processus, un enregistreur CSV écrit les pertes d’entraînement/validation par époque ainsi que des métriques clés sur training_log.csv (colonnes telles que époque, train_loss, val_loss, métriques, horodatage). Mettez à jour le fichier du meilleur modèle dès que la validation s’améliore, assurant la reproductibilité et soutenant l’analyse ultérieure.
      REMARQUE : CNN extrait automatiquement les caractéristiques spatiales des données d’entrée grâce à la connectivité locale et au partage de poids. Les grains convolutionnels peu profonds capturent des variations locales subtiles. Les caractéristiques spatiales se manifestent par la distribution des concentrations et les motifs de différents gaz (tels que l’oxygène et le monoxyde de carbone) au même moment, y compris les anomalies locales et les gradients de concentration. Celles-ci reflètent les corrélations spatiales des gaz lors du processus de combustion spontanée du charbon, que les CNN peuvent identifier^{efficacement 17}. La séquence de caractéristiques extraite par CNN est transmise dans un LSTM, qui modélise dynamiquement la série temporelle grâce à ses mécanismes de filtres. Les caractéristiques temporelles telles que la montée progressive de la température, les fluctuations et les variations soudaines de concentration de gaz, ainsi que leur ordre séquentiel, reflètent les réactions cumulatives de température et de gaz lors de la combustion spontanée du charbon. Le LSTM capture efficacement ces schémas, améliorant la précision des prédictions et la stabilité du^{modèle 18}. Un mécanisme d’attention est introduit à la couche de sortie LSTM pour attribuer des poids aux caractéristiques à chaque pas de temps. Cela se concentre sur les étapes critiques de la température de combustion spontanée du charbon, renforce les informations précieuses, supprime le bruit et améliore la performance de prédiction¹⁹ (Figure 2).
2. Conception d’une méthode d’optimisation de structure de modèle basée sur la SSA
   REMARQUE : La stratégie d’optimisation dynamique proposée ici intègre la conception de la structure du modèle avec l’optimisation par hyperparamètres et est globalement divisée en phase de préparation, stade de déformation et stade d’entraînement formel. Cette méthode permet un ajustement collaboratif des paramètres structurels et des hyperparamètres, permettant au modèle de conserver sa flexibilité structurelle tout en améliorant la performance et l’adaptabilité à des conditions de fonctionnement complexes.
   1. Phase de préparation
      1. Avant la recherche basée sur SSA, définissez l’espace de recherche hyperparamètre/structure comme un 4-uple : x_i = L_cnn, L_lstm, L_r, batch_size, L_cnn (nombre de blocs CNN) et L_lstm (nombre de couches LSTM empilées) sont à valeurs entières et échantillonnées uniformément à partir de {1,2,3,4} et {1,2,3}, respectivement.
      2. Parce que l’optimiseur propose des vecteurs à valeurs réelles, mapper les propositions non entières à l’entier le plus proche en utilisant la règle round() de Python (à égalité à pair) puis cliquer vers [1,4] ou [1,3]. On tire le taux d’apprentissage lrest log-uniforme à partir de l’intervalle [1 x ^10-2, 1 x ^10-1]. Coupez les propositions hors de portée jusqu’au rebord le plus proche. batch_size est un choix discret à partir de {32, 64, 96, 128}.
      3. Sauf indication contraire, n’imposez pas de contraintes inter-paramètres durant cette étape de préparation. Pour la reproductibilité, appliquez une graine aléatoire commune (42) à Python, NumPy, au cadre d’apprentissage profond et à la variable d’environnement PYTHONHASHSEED.
      4. Initialiser la recherche SSA avec une taille de population de 30 et exécuter 80 itérations.
         REMARQUE : Ces réglages, ainsi que les règles d’arrondi/découpage ci-dessus, ont défini la préparation de l’espace de recherche utilisé pour toutes les expériences ultérieures.
   2. Phase de déformation
      1. Générez aléatoirement un ensemble de paramètres initial, noté C_{1,L 1,I 1,b 1.} Avant d’entraîner le réseau, arrondir les dimensions entières à l’entier le plus proche et découper toutes les valeurs à leurs bornes.
      2. Utiliser une seule exécution d’entraînement/validation pour calculer l’erreur quadratique moyenne (MSE) de validation comme valeur de la condition physique ; Enregistrez et stockez le résultat actuel.
      3. Mettez à jour la position pour générer une nouvelle combinaison de paramètres C_{2,L 2,I 2,b 2.} Faites une seule itération d’entraînement et comparez sa condition physique avec la valeur stockée.
      4. Si la nouvelle combinaison fonctionne mieux que la précédente, remplacez le résultat original et fixez la position actuelle à C_{2,L 2,I 2,b 2.} Si elle performe moins bien, fixez un marqueur pour éviter de sélectionner à plusieurs reprises des combinaisons inefficaces tout en conservant l’incumbent.
      5. Répétez les étapes 2.2.2.2-2.2.2.4 pendant plusieurs itérations jusqu’à ce qu’aucune amélioration supplémentaire ne soit observée, obtenant ainsi la combinaison optimale C _{n,L n,I n,b n.}
      6. Gardez C _{n,L n,I} n,b_n comme paramètres structurels finaux, et commencez la formation formelle.
   3. Phase d’entraînement
      REMARQUE : Les décomptes de couches CNN et LSTM avec la meilleure adéquation sont sélectionnés comme configuration finale du réseau pour une formation complète et une évaluation sur l’ensemble de test (Figure 3).
      1. Définissez la plage de recherche pour les structures de modèles et les hyperparamètres, incluant 2 à 6 couches CNN, 1 à 4 couches LSTM, une plage de taux d’apprentissage de 1 × ^10-5 à 1 × ^10-2, des tailles de lots de 32, 64 ou 128, et un maximum de 100 époques d’entraînement. Optimiser ces paramètres conjointement lors des itérations SSA.
      2. Initialiser la population de l’Algorithme de recherche des Moineaux (SSA) en fixant la taille de la population à 30 et le nombre maximal d’itérations à 100. Assurez-vous que chaque individu représente une configuration de modèle candidate, incluant la profondeur CNN, la profondeur LSTM, le taux d’apprentissage et la taille du lot.
      3. À chaque itération, divisez la population SSA en découvreurs (20 %), suiveurs (70 %) et sentinelles (10 %). Selon les règles de mise à jour de position SSA, les découvreurs effectuent une exploration globale, les suiveurs exploitent localement, et les sentinelles empêchent l’algorithme d’être piégé dans des optima locaux. Mettez à jour les vecteurs de position de tous les individus après chaque itération.
      4. Utilisez l’erreur quadratique moyenne (MSE) sur l’ensemble de validation comme fonction de fitness pour évaluer la performance prédictive de chaque modèle candidat. Ajustez dynamiquement la direction de recherche en fonction des valeurs de fitness, permettant à SSA de converger progressivement vers la structure optimale et la configuration des hyperparamètres.
      5. Après avoir terminé les itérations SSA, obtenez la profondeur optimale du CNN, la profondeur du LSTM, le taux d’apprentissage et la taille du lot. Réentraînez le modèle sur l’ensemble complet d’entraînement en utilisant ces paramètres optimaux et enregistrez les poids finaux du modèle entraîné à final_model.h5".
         REMARQUE : Les algorithmes d’optimisation sont largement appliqués dans les domaines^{industriels 20,21}, couramment utilisés dans la planification de la production²²,^{le contrôle qualité 23}, la maintenance^{des équipements 24}, l’allocation^{des ressources 25} et l’optimisation des paramètres^{de procédé 26}, entre autres. L’algorithme de recherche de moineaux (SSA) adopté dans cette étude est un algorithme d’optimisation intelligent simulant le comportement de recherche de nourriture des populations de moineaux. Il permet une optimisation efficace grâce au mécanisme collaboratif des découvreurs, suiveurs et^{sentinelles 27}. L’algorithme désigne le meilleur individu de la population comme découvreur pour mener l’exploration globale, tandis que les individus restants agissent comme des suiveurs menant une exploitation locale, et les sentinelles sont configurées pour éviter les optima locaux²⁸. SSA emploie une stratégie adaptative pour équilibrer les capacités d’exploration et d’exploitation, avec une vitesse de convergence rapide et des paramètres simples²⁹. Dans le modèle de prédiction de la température de combustion spontanée du charbon proposé dans cet article, la SSA sert de méthode centrale au concept d'« optimisation structurelle », optimisant automatiquement l’architecture du modèle CNN-LSTM-Attention ainsi que les hyperparamètres clés pour améliorer la précision et la généralisation des prédictions à travers des ensembles de données hétérogènes.

3. Validation du modèle et évaluation de la transférabilité

1. Validation de l’efficacité du modèle
   1. Concevoir une expérience d’ablation utilisant des données expérimentales de combustion spontanée du charbon pour vérifier les contributions individuelles des modules CNN, LSTM et Attention. Divisez aléatoirement le jeu de données en ensembles d’entraînement (80 %) et de tests (20 %) en utilisant une graine aléatoire fixe de 42 pour garantir la reproductibilité.
      REMARQUE : Utilisez un poste de travail équipé d’un GPU NVIDIA RTX 4090 et effectuez toutes les expériences avec Python 3.8 et TensorFlow 2.6 (les informations sur l’IDE de développement sont listées dans le tableau des matériaux).
   2. Définir la fonction objectif pour qu’elle signifie l’erreur quadratique (MSE) et appliquer l’algorithme amélioré Sparrow Search Algorithm (SSA) pour optimiser conjointement les hyperparamètres clés de l’architecture CNN-LSTM-Attention, y compris la profondeur du réseau, le taux d’apprentissage et la taille du lot. Pour garantir l’équité, entraîner tous les modèles de référence sur le même ensemble de données en utilisant les mêmes époques d’entraînement, les mêmes taux d’apprentissage et tailles de lot, puis évaluer sur le même ensemble de tests.
   3. Sur la base d’une structure fixe de modèle CNN-LSTM-Attention, il faut utiliser cinq méthodes classiques d’optimisation des paramètres — Algorithme génétique (GA), Grey Wolf Optimization (GWO), Particle Swarm Optimization (PSO), Whale Optimization Algorithm (WOA) et Sparrow Search Algorithm (SSA) — pour optimiser le modèle, suivie d’une évaluation complète intégrant l’optimisation structurelle.
   4. Calculez les métriques de performance pour chaque modèle de l’ensemble de test et visualisez les résultats à l’aide de tableaux comparatifs.
      1. Rapportez l’étude d’ablation (Tableau 1), la performance prédictive des sept modèles (Tableau 2) et la performance comparative des algorithmes d’optimisation (Tableau 3).
      2. Pour les figures, tracez les prédictions du modèle par rapport aux observations et réglez les légendes sur « Prédit » et « Mesuré ». Assurez-vous d’avoir des polices, des schémas de couleurs et des unités d’axe cohérents sur toutes les figures. Pour les tableaux, gardez la police, l’ordre des colonnes, les unités et les décimales cohérents.
2. Validation de la transférabilité du modèle
   1. Construction du jeu de données de validation de transfert
      1. Utilisez un ensemble de données de transfert et de validation de 83 échantillons de charbon provenant de six sites miniers, totalisant 12 450 enregistrements de caractéristiques température-gaz. Pour chaque site, divisez les données en ensembles d’entraînement (80 %) et d’essais (20 %), et maintenez une représentation équilibrée à travers diverses conditions géologiques.
         REMARQUE : Pour évaluer l’impact de « l’optimisation structurelle » sur la performance de généralisation du modèle, cette étude a construit un ensemble de données complet sur les caractéristiques de température de combustion spontanée du charbon englobant plusieurs sites miniers et diverses conditions géologiques. L’ensemble de données intègre des données de surveillance de terrain provenant de mines représentatives telles que la mine Qinglong (veines de charbon quasi horizontales), la mine Xiao Ji Han (couches épaisses de charbon) et la mine Zhangjiamao (couches de charbon peu profondes enterrées), ainsi que des données expérimentales provenant de couches de charbon sujettes à auto-inflammation de classe I-II sous diverses conditions géologiques, incluant la veine de charbon n° 4 (forte teneur en volatils), la veine de charbon n° 2 de la mine Yuan Dian n° 2 (toit composite). et la mine de Hongqingliang (caractéristiques sujettes à l’oxydation).
   2. Analyse d’hétérogénéité des ensembles de données croisées
      1. Enregistrements agrégés par mine pour CO, CO₂, CH₄, C₂H₆, C_{2H 4} et la température du charbon ; Garde mon identifiant et mes horodatages.
      2. Harmoniser les unités (ppm ou %) et aligner les horodatages ; gérer les valeurs manquantes comme spécifié à l’étape 2.1.
      3. Calculer min, Q1, médiane, Q3, max et IQR pour chaque variable × la mienne ; Signaler les valeurs aberrantes selon la règle 1,5×IQR.
      4. Quantifier l’hétérogénéité croisée en calculant les différences de pli pour Q3 et max ; des cas marquants ≈ deux ordres de grandeur (en particulier CO/_{CO 2}).
      5. Tracez les graphiques en boîte et moustache par le mien (un panneau par variable ; axe des y commun par variable ; montrer les valeurs aberrantes comme points ; étiqueter les quartiles).
      6. Exporter en Figure 4.
      7. Sélectionnez quatre modèles performants dans le jeu de données de laboratoire — XGBoost, BP, TCN et Transformer — pour une comparaison afin de valider la transférabilité du modèle proposé.

Results

La stabilité du modèle a été validée à l’aide de quatre ensembles de données indépendants, démontrant une performance prédictive cohérente à travers différentes conditions géologiques. Cette section présente des résultats représentatifs et des évaluations de performance des expériences de combustion spontanée du charbon ainsi que du modèle d’attention SSA-CNN-LSTM proposé. Tout d’abord, les variations de multiples indicateurs de gaz collectées lors des expériences d’oxydation au chauffage...

Discussion

Utilisez des blocs de charbon intacts ; Effectuez uniquement un nettoyage de surface après l’échantillonnage et doublez immédiatement le scellement pour éviter une exposition prolongée. Maintenez la conduite de gaz étanche avec le contrôle de débit constant (MFC), exécutez le chauffage programmé exactement comme indiqué dans le protocole, et calibrez le GC selon des normes certifiées. Acquérir les signaux de température et de gaz à intervalles fixes et synchroniser les horodatages (voir ...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Vanne d’échantillonnage de gaz à 6 orifices et 2 positions avec actionneur universel	VICI Valco	EUDA-2C6UWT	raccords 1/16" ; des bâtons de 0,75 mm ; RS-232 ; Distance de 2"
Bateau d’échantillons d’alumine	MTI Corporation	EQ-CA-L50W40H20	>99,5 % Al2O3 ; 50 et plus de fois ; 40 et fois ; 20 mm
Logiciels de chromatographie	Agilent Technologies	OpenLab CDS	Acquisition/traitement des données
Échantillons de charbon (collectés sur le terrain)	Collecté en interne ou sur le terrain	N/A	Source détaillée dans Méthodes
CUDA / cuDNN	NVIDIA	https://developer.nvidia.com/cuda-zone	CUDA 11.x ; correspondance cuDNN
Mainframe DAQ	Keysight	DAQ970A	DMM à 6½ ; USB/LAN
Dessiccant (indicateur)	W.A. Hammond Drierite	23001	Sulfate de calcium ; 8 mailles ; 1 lb
Pompe à air à membrane	KNF	https://www.knf.com	Approvisionnement continu en air ; débit réglable
Blau de laboratoire FR	Rempart	KEL2 (série)	Conforme à la norme NFPA 2112
Chromatographe en phase gazeuse	Agilent Technologies	G3540A (Système 8890 GC)	système GC ; EPC ; jusqu’à 2 entrées / 4 détecteurs
Gants résistants à la chaleur	Ansell	43-113	Intermittent jusqu’à ~350 ° ; C
Air de haute pureté	Air Liquide / Airgas	https://www.airgas.com/solutions/specialty-gases/pure-gases/alphagaz	&ge ; Pureté à 99,99 %
IDE	JetBrains / Microsoft	https://www.jetbrains.com/pycharm/ ; https://code.visualstudio.com/download	PyCharm / VS Code
Filtres en ligne	Swagelok	https://www.swagelok.com/downloads/webcatalogs/en/ms-01-92.pdf	Éléments SS frittés 0.5&ndash ; 15 & micro ; m
Thermocouples de type K	OMEGA	https://www.omega.com	Type K (NiCr&ndash ; NiSi)
Contrôleur de débit massique (0 & ndash ; 200 sccm)	Alicat Scientific	MC-200SCCM-D	série MC ; ± ; (0,8 % rdg + 0,2 % FS)
Gaz d’étalonnage multicomposantes	Messer	https://specialtygases.messergroup.com/standard-gas-mixtures	Concentration personnalisée ; Certificat
Système d’exploitation	Microsoft	https://www.microsoft.com/en-us/software-download/windows11	Windows 11
Système d’exploitation	Canonique	https://ubuntu.com/download/desktop	Ubuntu LTS (22.04/24.04)
Tubulure PTFE/PFA	Swagelok	https://products.swagelok.com/en/all-products/hoses-flexible-tubing/ptfe-pfa-core-hose/c/716?clp=true	Résistante chimiquement ; 1/16&ndash ; 1/4 en OD
Python	Fondation Python Software	https://www.python.org/downloads/	Version 3.8
Bateau d’échantillons de quartz	MTI Corporation	EQ-QB-1017 (taille d’exemple)	~1200 ° ; Température de travail C
Lunettes de sécurité	3M	93506P1-DC (exemple)	Éclaboussures chimiques ; Options anti-brouillard
Tubes sans soudure en acier inoxydable	Swagelok	https://www.swagelok.com/downloads/webcatalogs/en/ms-01-181.pdf	316/316L ; 1/16&ndash ; 1/4 en OD
Tubages et raccords en acier inoxydable Ferrules	Swagelok	https://products.swagelok.com/en/all-products/fittings/tube-fittings-adapters/c/154?clp=true	316/316L ; Double virule
Régulateur de température	Eurotherm	3216	PID à boucle unique ; Rampes/alarmes programmables
TensorFlow	Google	https://www.tensorflow.org	Version 2.6
Module thermocouple USB	NI (Instruments Nationaux)	781314-01 (USB-TC01)	K/J/T ; Logiciels de journalisation
Débitmètre à surface variable (Visi-Float)	Dwyer Instruments	VFA-2-EC-SS (0.2&ndash ; 2 SCFH Air)	Plage à faible débit ; Lecture directe
GPU de station de travail	NVIDIA	900-1G136-2530-000 (Édition des Fondateurs)	GeForce RTX 4090, 24 Go GDDR6X (FE)