מאמר שיטה

מחקר על מודל משולב לעומק לאופטימיזציה מבנית בחיזוי טמפרטורת שריפה ספונטנית בפחם

DOI:

10.3791/69457

⸱

19 בדצמבר 2025

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

במאמר זה

סיכום

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

כאן, אנו מתארים פרוטוקול לחיזוי טמפרטורת הבעירה הספונטנית של פחם באמצעות מסגרת CNN-LSTM-Attention מותאמת ל-SSA, שמייעלת אוטומטית את מבנה הרשת והפרמטרים, ובכך משפרת את הדיוק, ההתאמה וההכללה בין מערכי נתונים הטרוגניים ותנאי כרייה משתנים.

תקציר

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

כאן, אנו מציעים פרוטוקול לחיזוי טמפרטורת בעירה ספונטנית בפחם, המבוסס על מסגרת של רשתות עצביות קונבולוציונליות (CNN) - זיכרון קצר טווח ארוך (LSTM) - מסגרת קשב (Sparrow Search Algorithm - SSA). פרוטוקול זה מתמודד עם מגבלות של ארכיטקטורות רשת קבועות, הכללות מוגבלות, ויכולת העברה ירודה הנפוצה בשיטות קונבנציונליות. המסגרת מחלקת תכונות מרחביות באמצעות CNN ולוכדת תלות זמנית ברשתות LSTM, בעוד שמנגנון הקשב מדגיש שלבי טמפרטורה קריטיים ותכונות בולטות. ה-SSA מייעל במשותף עומק רשת והיפרפרמטרים, ומאפשר התאמה דינמית למורכבויות נתונים משתנות בין אתרי כרייה שונים ותנאי ניסוי. הפרוטוקול כולל רכישת נתונים, עיבוד מוקדם של תכונות, בניית מודל, אופטימיזציה של פרמטרים ושלבים של אימות. תוצאות ניסוי מראות שהמודל המוצע משיג דיוק חיזוי גבוה משמעותית על מערכי נתונים הומוגניים ושומר על ביצועי הכללה חזקים בין מערכי נתונים הטרוגניים, מה שהופך אותו למתאים מאוד למערכות ניטור טמפרטורת מכרות פחם בזמן אמת ומערכות התרעה מוקדמת.

מבוא

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

הפחם עדיין ממלא תפקיד דומיננטי במבנה האנרגיה של סין. עם זאת, במהלך האחסון, ההובלה והכרייה יכולה להתרחש חימום ספונטני, מה שמוביל לבעירה ספונטנית. לעיתים קרובות זה גורם לשריפות במכרות, המסכן באופן חמור את בטיחות המכרה ואת חיי העובדים 1,2,3,4. לכן, חיזוי מדויק של סיכוני שריפות במכרות הפחם והשינויים בטמפרטורה הם חיוניים לאזהרה מוקדמת ולהפחתת אסונות. שיטות החיזוי לטמפרטורת בעירה ספונטנית בפחם התפתחו מנוסחאות אמפיריות מוקדמות לגישות ניתוח המבוססות על נתוני ניטור בפועל 5,6,7. מחקרים מוקדמים הסתמכו בעיקר על מודלים פיזיקליים ומשוואות קינטיקה כימית למידול מנגנון שחרור החום של חמצון הפחם. עם זאת, בשל המורכבות של פרמטרי המודל והיישום המוגבל, מודלים אלו מתמודדים עם מגבלות משמעותיות בשימוש המעשי 8,9,10. עם התפתחות אלגוריתמים חכמים, שיטות כמו יער אקראי (RF)11 ורשתות עצביות מלאכותיות (ANN)12 הוכנסו בהדרגה לשיפור יכולות החיזוי על ידי בניית מיפויים לא ליניאריים. בשנים האחרונות, התקדמות בלמידה עמוקה הציעה גישות חדשות לחיזוי טמפרטורת הבעירה הספונטנית של פחם. Wang ואחרים 13 הציעו שיטת זיהוי המבוססת על טכנולוגיית מדידת טמפרטורה אקוסטית, תוך ניתוח פליטות גזים בתנאים שונים לקביעת ספים ראשוניים ומערכת התרעה מוקדמת. הוא פיתח מודל מתמטי משופר למדידת טמפרטורת פחם רופף. ארכיטקטורות רשת עצבית גרף (GNN) וטרנספורמר הוצגו גם הן. פאן ואחרים הציגו מודל חיזוי טמפרטורת בעירה ספונטנית מפחם המבוסס על רשתות קונבולוציוניות גרפיות (GCN), הכולל אינטראקציות בין מדדי גז להשגת דיוק חיזוי גבוה יותר.

עם זאת, השיטות הקיימות עדיין מתמודדות עם מגבלות בבחירת היפרפרמטרים ובהכללת המודלים. כדי לשפר את הביצועים, חוקרים הציגו אלגוריתמים לאופטימיזציה חכמים כמו Sparrow Search Algorithm (SSA) לכוונון היפרפרמטרים כמו קצב למידה וגודל אצווה. Wang ואחרים.14 הציעו את מודל SSA-CNN, אשר לראשונה משלב אלגוריתם אינטליגנציה של להקת עם מבנה רשת עצבית קונבולוציונית. גישה זו לא רק משפרת את יעילות אופטימיזציית הפרמטרים, אלא גם לוכדת ביעילות את המאפיינים המבניים המרחביים בנתוני בעירה ספונטנית של פחם. לונג ואח' 15 ו-Zou ואח' 16, בהתאמה, הציעו מודלים לחיזוי בעירה ספונטנית בפחם המבוססים על מכונת BO-Light Gradient Boosting Machine (GBM) ואופטימיזציה של נחיל חלקיקים - XGBoost (PSO-XGB). שני המודלים שיפרו את ההתכנסות והדיוק על ידי אופטימיזציה של אסטרטגיית החיפוש, וסיפקו גישות חדשות לאופטימיזציה של מודלים לחיזוי בעירה ספונטנית בפחם.

למרות שמחקרים קיימים קידמו את החיזוי החכם של טמפרטורת השריפה הספונטנית של פחם, רוב המאמצים הוגבלו לאופטימיזציה של פרמטרי המודל ללא שיפורים ברמת ארכיטקטורת הרשת. כתוצאה מכך, המודלים הנוכחיים מציגים לעיתים קרובות את המגבלות הבאות: ראשית, רובם מאמצים מבנים סטטיים, שבהם ארכיטקטורת הרשת (למשל, מספר שכבות קונבולוציונליות, שכבות LSTM) ופרמטרי האימון המרכזיים (כגון קצב למידה, גודל אצווה) נקבעים ידנית או מתדרדרים באופן יחסי במהלך בניית המודל הראשונית ונשארים ללא שינוי לאורך כל האימון והחיזוי, ללא יכולת להסתגל דינמית למורכבות הנתונים. שנית, המודלים בדרך כלל חסרים מנגנוני הסתגלות להתאמה לתנאים משתנים כגון תקופות זמן שונות, טווחי טמפרטורה ורמות ריכוז גז, מה שמקשה על מענה לדרישות החיזוי הרב-תנאיבי. שלישית, ההכללה וההעברה שלהן נותרות בלתי מספקות, מה שמוביל לתחזיות לא יציבות ולא מדויקות בין מאגרי נתונים אזוריים שונים. למרות שהושגו שיפורים מסוימים ברמת הפרמטרים, מבנה הרשת עצמו נשאר סטטי ללא אופטימיזציה דינמית משותפת של המבנה והפרמטרים, מה שמגביל את שיפורי הביצועים הכוללים.

לכן, מחקר זה שואף לפתח מודל גמיש ומדויק לחיזוי טמפרטורת בעירה ספונטנית בפחם כדי להתמודד עם האתגרים הנ"ל. באמצעות ניסויים השוואתיים, נבחרה ארכיטקטורת CNN-LSTM-Attention כמודל הבסיס. כדי להתאים לדרישות עומק רשת משתנות לתפרי פחם שונים, המבנה הסטטי המסורתי מוחלף בגישה של "אופטימיזציה מבנית". בגישה זו, מספר השכבות הקונבולוציונליות (CNN) והשכבות החוזרות (LSTM), יחד עם פרמטרי האימון המרכזיים, אינו קבוע אך מותאם דינמית בהתאם לעוצמת התכונות המרחביות והזמניות בנתונים.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

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

1. איסוף נתוני שריפה ספונטנית בפחם

  1. הרכיבו את מערכת החמצון המתוכנתת על חימום פחם מסוג אוויר, כולל מערכת אספקת הגז, יחידת בקרת טמפרטורה ומכשירי ניתוח גז. ודא שכל החיבורים מאובטחים, הגדרות בקרת טמפרטורה מדויקות, וכרומטוגרף הגז ומכשירים אנליטיים אחרים מכוילים במלואם.
  2. שקלו 1000 גרם של דגימת פחם מעורבבת (שמרו על צורת הגוש המקורית), הומוגנו היטב את הדגימה בשיטת הרבע, והניחו את בלוקי הפחם באופן שווה בתוך תא החימום. שמרו על עובי אחיד ופיזור אחיד כדי להבטיח חימום אחיד.
  3. הפעל את משאבת האוויר וכיוון את קצב הזרימה באמצעות מד הזרימה כדי לשמור על זרימת גז יציבה של 100 מ"ל לדקה לתא החימום. ודא את יציבות הזרימה בטווח של ±2 מ"ל לדקה.
  4. הפעל את מערכת החימום לפי תוכנית רמפה לטמפרטורה מוגדרת מראש, תוך העלאת טמפרטורת התנור בהדרגה בקצב של 1.0 מעלות צלזיוס לדקה עד ל-200 מעלות צלזיוס. השתמש בתוכנת הבקרה כדי לעקוב אחרי שינויים בטמפרטורה בזמן אמת כדי לוודא שקצב החימום עומד בדרישות התכנון.
  5. השתמש בחיישני טמפרטורה המותקנים ליד דגימת הפחם כדי לנטר ולתעד שינויים בטמפרטורה באופן רציף, ולהבטיח איסוף נתונים מדויק ובלתי מופרע.
    הערה: במהלך ניסוי החימום המתוכנת, נתוני טמפרטורה וריכוז גז נרשמו אוטומטית כל 10 שניות באמצעות חיישני טמפרטורה מכוילים ומנתחי גז עד להשלמת הניסוי.
  6. העבירו את הגזים הנוצרים במהלך תגובת החימום דרך מערכת העברת הגז אל כרומטוגרף הגז.
    1. לבצע דגימה אוטומטית במרווחים מוגדרים מראש (30 שניות) למדידת ריכוזי חמצן, פחמן חד-חמצני ופחמן דו-חמצני, ולבצע כיול בסיס GC לפני כל ניסוי.
    2. לשמור על זרימת קו העברה של 100 מ"ל/דקה (±2 מ"ל/דקה), מותאמת לזרימת היציאה מהתא ומוסדרת על ידי בקר זרימת המסה, כדי להבטיח אספקה יציבה לכרומטוגרף הגז במהלך הדגימה האוטומטית של 30 שניות.
  7. לפני אימון המודלים, יש ליישם צינור עיבוד נתונים סטנדרטי כדי להבטיח איכות ועקביות של הנתונים.
    1. נרמל את כל התכונות לשונות ממוצע אפס ושונות יחידה כדי לבטל פערים בקנה מידה ולהקל על התכנסות המודלים.
    2. כדי לדכא רעש חיישנים ולייצב מגמות זמניות, יש להפעיל מסנן ממוצע נע עם גודל חלון של 5 כדי להחליק את נתוני סדרת הזמן. מייחס ערכים חסרים, אם קיימים, באמצעות ממוצע התצפיות השכנות לשמירה על שלמות מערך הנתונים.
    3. בנוסף, זהה חריגים באמצעות סף ציון z של |z| > 3 ולהוציא אותם מהניתוח הבא כדי לשפר את עמידות המודלים.
      הערה: הניסוי אסף נתונים מ-83 דגימות פחם, ותיעד ריכוזי גזים כמו חמצן, פחמן חד-חמצני, פחמן דו-חמצני, מתאן, אתאן ואתילן ביחס לטמפרטורת הפחם. דיאגרמה סכמטית של מערכת החמצון המתוכנת פחם מסוג אוויר מוצגת באיור 1.

2. בניית מודל תשומת לב CNN-LSTM המבוסס על אופטימיזציה מבנית של SSA

  1. בניית מודל CNN-LSTM-attention
    1. בנה את מודול הרשת העצבית הקונבולוציונית (CNN) כדי לחלץ אוטומטית תכונות מרחביות מרצפי קלט של טמפרטורה וריכוזי גז.
      1. ערימה 2-4 שכבות קונבולוציה חד-ממדיות (stride = 1, ריפוד = "אותו דבר", גודל הליבה 3-7). לאחר כל שכבה, מיישם נרמול (BatchNorm או LayerNorm), הפעלה של ReLU או GELU, ו-0.1-0.2 dropout. באופן אופציונלי, יש להשתמש ב-MaxPooling1D (בריכה = 2) בשכבה או שתיים הראשונות לדינואיזציה/הקטנת דגימה, ולהימנע מאיגוד בשכבה האחרונה כדי לשמור על רזולוציה זמנית.
      2. השתמש בקונבולוציה 1×1 כדי להקרין את ממדי הערוץ למה שה-LSTM במורד הזרם מצפה. שמור על הטנזור בצורת "ערוצי זמן ×" תלת-ממדית (אל תשטח) ומזין אותו ישירות ל-LSTM עם return_sequences=True; מספר שכבות הרשומה, ערוצים, גודל הליבה, איגוד וניתוק בקובץ קונפיגורציה כדי לאפשר חיפוש ושחזור SSA.
    2. התייחס לפלט הסופי של Conv1D כרצף מסודר בזמן של וקטורי תכונות, תוך שמירה על הציר הזמני ללא השטחה, והזינו אותו ישירות ל-LSTM. אם איגוד מוקדם קיצר את הרצף, השתמש באורך המוקטן; כאשר ממד הערוץ אינו תואם את ציפיית ה-LSTM, יש להחיל קונבולוציה של 1×1 או היטל ליניארי ליישור.
    3. הגדר את ה-LSTM עם 64 יחידות נסתרות, הפעלת טנה, ו-return_sequences=True כדי לשמור על ייצוגים בכל שלב זמן. מימוש המרה זו במודול בניית המודל ותיעד את צורות הטנזור של הקלט/פלט והגדרות המפתח כדי להבטיח שחזוריות ומעקב, ובכך לשמור על ייצוגים בכל שלב זמן. מימוש המרה זו במודול בניית המודל ולוג צורות טנזור קלט/פלט והגדרות מפתח כדי להבטיח שחזוריות ומעקב.
    4. הכנס בלוק קשב זמני מיד לאחר פלט ה-LSTM: הבלוק לוקח את הייצוגים הנסתרים לכל צעד זמן ומשתמש בהקרנה בשכבה אחת מוסתרת כדי לייצר וקטור משקל קשב.
    5. הגדר את ממד המשקל-וקטור ל-64, המוגדר ישירות בתצורת שכבת הקשב. לאחר מכן, נרמל את המשקלים על ציר הזמן עם סופטמקסימ, ומקבל את החשיבות היחסית של כל צעד זמן. השתמשו במשקלים המנורמלים כדי לחשב וקטור הקשר (סכום משוקלל), שמתמזג עם ייצוג הרצף ומוזן לראש הרגרסיה.
    6. לאמן את מודול הקשב מקצה לקצה עם עמוד השדרה; אם קיים ריפוד, מרח מסכה לפני ה-Softmax כדי להתעלם משלבים לא תקנים.
    7. עבור ניסויי האבלציה בלבד, יש לחלק את מערך הנתונים כרונולוגית לאימונים (80%) ולקבוצות בדיקה (20%), תוך ביצוע אימות צולב חמשתי נפרד להערכת היציבות הכללית וההכללה של המודל המוצע.
    8. בצע אימון מתיקיית שורש הפרויקט, כאשר כל הנתיבים היחסיים מעוגנים לשורש זה. הפעילו עצירה מוקדמת כך שאם שגיאת האימות לא משתפרת במשך 10 תקופות רצופות, עצירות האימון והמשקלים הטובים ביותר יישמרו ל-./checkpoints/best_model.h5.
    9. כדי לתעד את התהליך, לוגר CSV כותב הפסדי אימון/אימות לכל תקופה ומדדים מרכזיים training_log.csv (עמודות כמו epoch, train_loss, val_loss, מדדים, חותמת זמן). עדכן את קובץ המודל הטוב ביותר בכל פעם שהאימות משתפר, כדי להבטיח שחזוריות ותמיכה בניתוח הבא.
      הערה: CNN מחלץ אוטומטית תכונות מרחביות מנתוני קלט באמצעות קישוריות מקומית ושיתוף משקל. גרעינים קונבולוציוניים רדודים לוכדים וריאציות מקומיות עדינות. תכונות מרחביות מתבטאות בהתפלגות הריכוזים ובדפוסים של גזים שונים (כגון חמצן ופחמן חד-חמצני) באותו רגע, כולל אנומליות מקומיות וגרדיאנטים של ריכוזים. אלה משקפים את הקורלציות המרחביות של גזים במהלך תהליך השריפה הספונטנית של הפחם, אותם CNN יכולים לזהות ביעילות17. רצף התכונות שמופק על ידי CNN מוזן ל-LSTM, שמדמות דינמית את סדרות הזמן באמצעות מנגנוני השער שלה. תכונות זמניות כמו עלייה הדרגתית בטמפרטורה, תנודות ושינויים פתאומיים בריכוז הגזים, והסדר הסדרתי שלהן, משקפות את תגובות הטמפרטורה והגז המצטברות במהלך הבעירה הספונטנית של פחם. LSTM לוכדת ביעילות דפוסים אלו, משפרת את דיוק החיזוי ויציבות המודל18. מנגנון תשומת לב מוצג בשכבת היציאה של LSTM כדי להקצות משקלים לתכונות בכל שלב זמן. זה מתמקד בשלבים קריטיים של טמפרטורת שריפה ספונטנית של פחם, מחזק מידע חשוב, מדכא רעש ומשפר את ביצועי החיזוי19 (איור 2).
  2. עיצוב שיטת אופטימיזציה למבנה מודל המבוססת על SSA
    הערה: אסטרטגיית האופטימיזציה הדינמית המוצעת כאן משלבת עיצוב מבנה מודל עם אופטימיזציה של היפרפרמטרים, ומחולקת בסך הכל לשלב ההכנה, שלב העיוות ושלב ההכשרה הפורמלי. שיטה זו משיגה התאמה שיתופית של פרמטרים מבניים והיפרפרמטרים, ומאפשרת למודל לשמור על גמישות מבנית תוך שיפור הביצועים וההתאמה לתנאי פעולה מורכבים.
    1. שלב ההכנה
      1. לפני החיפוש מבוסס SSA, הגדר את מרחב החיפוש של היפרפרמטרים/מבנה כ-4-זוגות: xi= Lcnn, Llstm, Lr, batch_size, Lcnn (מספר בלוקי CNN) ו-Llstm (מספר שכבות LSTM מוערמות) הם ערכים שלמים ונדגמים באופן אחיד מ-{1,2,3,4} ו-{1,2,3}, בהתאמה.
      2. מכיוון שהאופטימייזר מציע וקטורים בעלי ערכים ממשיים, ממפה הצעות לא-שלמות למספר השלם הקרוב ביותר באמצעות כלל round() של פייתון (קשרים לזוגיים) ואז מחברים ל-[1,4] או [1,3]. משוך את קצב הלמידה lrהוא לוגיתם-אחיד מהמרווח [1 x 10-2, 1 x 10-1]. חתוך הצעות מחוץ לטווח לגבול הקרוב ביותר. batch_size היא בחירה דיסקרטית מתוך {32, 64, 96, 128}.
      3. אלא אם צוין אחרת, אין להטיל מגבלות חוצות פרמטרים במהלך שלב ההכנה הזה. לצורך שחזוריות, יש ליישם זרע אקראי נפוץ (42) על פייתון, NumPy, מסגרת הלמידה העמוקה ומשתנה הסביבה PYTHONHASHSEED.
      4. אתחול את חיפוש ה-SSA עם גודל אוכלוסייה של 30 והריץ ל-80 איטרציות.
        הערה: הגדרות אלו, יחד עם כללי העיגול/חיתוך שהוזכרו לעיל, הגדירו את הכנת מרחב החיפוש ששימש לכל הניסויים הבאים.
    2. שלב העיוות
      1. נוצר באקראי קבוצת פרמטרים התחלתית, המסומנת כ-C1,L 1,I 1,b 1. לפני אימון הרשת, מעגל את הממדים השלמים למספר השלם הקרוב ביותר וקצץ את כל הערכים לגבולותיהם.
      2. השתמשו בריצה אחת של אימון/אימות כדי לחשב את שגיאת ממוצע ריבוע האימות (MSE) ככשירות; הקלט ואחסן את התוצאה הנוכחית.
      3. עדכן את המיקום כדי ליצור שילוב פרמטרים חדש C2,L 2,I 2,b 2. הרץ איטרציה אחת לאימון והשווה את הכושר שלה לערך השמור.
      4. אם השילוב החדש מתפקד טוב יותר מהקודם, החלף את התוצאה המקורית והגדר את המיקום הנוכחי ל-C2, L2, I2, b2. אם הוא מתפקד פחות טוב, קבע סמן כדי להימנע מבחירה חוזרת של שילובים לא יעילים תוך שמירה על התפקיד המכהן.
      5. חזרו על שלבים 2.2.2.2-2.2.2.4 למספר איטרציות עד שלא נצפה שיפור נוסף, ובכך מתקבל השילוב האופטימלי Cn,L n,I n,b n.
      6. שמרו את Cn,L n,I n,b n כפרמטרים מבניים סופיים, והתחילו הכשרה פורמלית.
    3. שלב ההכשרה
      הערה: ספירות שכבות CNN ו-LSTM עם ההתאמה הטובה ביותר נבחרות כקונפיגורציית הרשת הסופית לאימון והערכה מלאים על קבוצת הבדיקה (איור 3).
      1. הגדר את טווח החיפוש למבני מודלים והיפרפרמטרים, כולל 2-6 שכבות CNN, 1-4 שכבות LSTM, טווח קצב למידה בין 1 × 10-5 ל-1 × 10-2, גדלי אצווה של 32, 64 או 128, ומקסימום 100 תקופות אימון. אופטימיזציה של פרמטרים אלו במשותף במהלך איטרציות SSA.
      2. אתחול אוכלוסיית אלגוריתם החיפוש של דרור (SSA) על ידי הגדרת גודל האוכלוסייה ל-30 ומספר האיטרציות המקסימלי ל-100. ודאו שכל פרט מייצג תצורת מודל מועמדת, כולל עומק CNN, עומק LSTM, קצב למידה וגודל אצווה.
      3. בכל איטרציה, חלק את אוכלוסיית ה-SSA למגלים (20%), עוקבים (70%) ושומרים (10%). לפי כללי עדכון המיקום של SSA, מגלים מבצעים חקירה גלובלית, עוקבים מבצעים ניצול מקומי, והסנטינלים מונעים מהאלגוריתם להילכד באופטימיה מקומית. עדכן את וקטורי המיקום של כל הפרטים לאחר כל איטרציה.
      4. השתמשו בשגיאת הריבוע הממוצע (MSE) על קבוצת האימות כפונקציית ההתאמה כדי להעריך את הביצועים החיזויים של כל מודל מועמד. כוון דינמי את כיוון החיפוש בהתבסס על ערכי ההתאמה, מה שמאפשר ל-SSA להתכנס בהדרגה לעבר המבנה האופטימלי וקונפיגורציית ההיפרפרמטרים.
      5. לאחר השלמת איטרציות SSA, יש להפיק את עומק ה-CNN האופטימלי, עומק LSTM, קצב הלמידה וגודל האצווה. לאמן מחדש את המודל על מערך האימון המלא באמצעות הפרמטרים האופטימליים הללו ושמור את משקל המודל הסופי ל-final_model.h5".
        הערה: אלגוריתמי האופטימיזציה מיושמים באופן נרחב בתחומים תעשייתיים20,21, נפוצים בתזמון ייצור22, בקרת איכות23, תחזוקת ציוד24, הקצאת משאבים25, ואופטימיזציה של פרמטרי תהליך26, בין היתר. אלגוריתם חיפוש הדרור (SSA) שאומץ במחקר זה הוא אלגוריתם אופטימיזציה חכם המדמה את התנהגות החיפוש אחר מזון של אוכלוסיות הדרור. הוא משיג אופטימיזציה יעילה באמצעות מנגנון שיתופי של מגלים, עוקבים ושומרים27. האלגוריתם ממנה את הפרט הטוב ביותר באוכלוסייה כמגלה לביצוע חקירה גלובלית, בעוד שהפרטים הנותרים פועלים כמלווים המבצעים ניצול מקומי, והשומרים מוגדרים להימנע מאופטימיום מקומי28. SSA משתמשת באסטרטגיה אדפטיבית לאיזון בין יכולות חקירה וניצול, הכוללת מהירות התכנסות מהירה והגדרות פרמטרים פשוטות29. במודל חיזוי טמפרטורת הבעירה הספונטנית של פחם שהוצע במאמר זה, SSA משמש כשיטת הליבה של מושג "אופטימיזציה מבנית", ומייעל אוטומטית את ארכיטקטורת מודל CNN-LSTM-Attention ואת ההיפרפרמטרים המרכזיים לשיפור דיוק החיזוי וההכללה בין מערכי נתונים הטרוגניים.

3. אימות מודלים והערכת יכולת העברה

  1. אימות יעילות המודל
    1. תכנן ניסוי אבלציה המשתמש בנתוני ניסויי בעירה ספונטנית בפחם לאימות התרומה האישית של מודולי CNN, LSTM ו-Attention. חלק את מערך הנתונים באקראי לאימון (80%) ומערכות בדיקה (20%) באמצעות זרע אקראי קבוע של 42 כדי להבטיח שחזוריות.
      הערה: השתמש בתחנת עבודה המצוידת בכרטיס גרפי NVIDIA RTX 4090 והפעיל את כל הניסויים עם Python 3.8 ו-TensorFlow 2.6 (מידע על פיתוח IDE מופיע בטבלת החומרים).
    2. הגדר את פונקציית המטרה לשגיאת ממוצע ריבוע (MSE) והחלו את אלגוריתם החיפוש המשופר (SSA) כדי לאופטימיזציה משותפת של היפרפרמטרים מרכזיים בארכיטקטורת CNN-LSTM-Attention, כולל עומקי רשת, קצב למידה וגודל אצווה. כדי להבטיח הוגנות, לאמן את כל מודלי הבסיס על אותו מאגר נתונים באמצעות תקופות אימון, קצבי למידה וגדלי אצווה זהים, והערכה על אותו סט בדיקה.
    3. בהתבסס על מבנה מודל קבוע של CNN-LSTM-Attention, יש להשתמש בחמש שיטות אופטימיזציה קלאסיות של פרמטרים - אלגוריתם גנטי (GA), אופטימיזציה של זאב אפור (GWO), אופטימיזציה של נחיל חלקיקים (PSO), אלגוריתם אופטימיזציה ללווייתנים (WOA) ואלגוריתם חיפוש דרור (SSA) - לאופטימיזציה של המודל, ואחריה הערכה מקיפה המשלבת אופטימיזציה מבנית.
    4. חשב את מדדי הביצועים לכל מודל בסט הבדיקה והצג את התוצאות באמצעות גרפים של השוואה.
      1. דווח על מחקר האבלציה (טבלה 1), על הביצועים החיזויים של שבעת המודלים (טבלה 2), ועל הביצועים ההשוואתיים של אלגוריתמים לאופטימיזציה (טבלה 3).
      2. לגבי הנתונים, יש למודל תחזיות על בסיס תצפיות ולהגדיר את תוויות האגדה ל"חזויה" ו"מדוד". ודא שגופנים, סכמות צבע ויחידות ציר אחידות בכל הדמויות. לטבלאות, שמרו על עקביות הגופן, סדר העמודות, היחידות והמקומות העשרוניים.
  2. אימות העברת מודל
    1. בניית מערך הנתונים של אימות ההעברה
      1. השתמש במאגר נתונים של 83 דגימות פחם משישה אתרי כרייה, בסך הכל 12,450 רשומות תכונות טמפרטורה-גז. לכל אתר, חלק את הנתונים לקבוצות אימון (80%) וקבוצות בדיקה (20%), ושמרו על ייצוג מאוזן בתנאים גאולוגיים מגוונים.
        הערה: כדי להעריך את השפעת "אופטימיזציה מבנית" על ביצועי ההכללה של המודל, מחקר זה בנה מאגר נתונים מקיף של תכונות טמפרטורת שריפה ספונטנית של פחם הכולל אתרי כרייה מרובים ותנאים גאולוגיים מגוונים. מאגר הנתונים משלב נתוני ניטור שטח ממכרות מייצגים כגון מכרה צ'ינגלונג (תפרי פחם כמעט אופקיים), מכרה שיאו ג'י האן (תפרי פחם עבים) ומכרה ג'אנגג'יאמאו (תפרי פחם רדודים), וכן נתונים ניסיוניים משכבות פחם מסוג I-II המועדות להצתה עצמית בתנאים גאולוגיים מגוונים, כולל שכבת פחם מס' 4 (תכולת נדיפות גבוהה), תפר הפחם 72 של מכרה יואן דיאן מס' 2 (גג מרוכב), ומכרה הונגצ'ינגליאנג (מאפיינים מועדים לחמצון).
    2. ניתוח הטרוגניות בין מערכי נתונים בין כרייה
      1. רשומות מצטברות למכרה עבור CO, CO2, CH4, C2H6, C2H4, וטמפרטורת פחם; תשמור את הזיהוי שלי ואת חותמות הזמן.
      2. הרמוניזציה של יחידות (ppm או %) וליישר חותמות זמן; לטפל בערכים חסרים כפי שמוגדר בשלב 2.1.
      3. חישב מינימום, Q1, חציון, Q3, מקסימום ו-IQR לכל משתנה × שלי; דגל חריגים לפי כלל 1.5×IQR.
      4. כימות הטרוגניות בין מכרות על ידי חישוב הבדלים בקפלים לרבעון 3 ומקסימום; הדגישו מקרים ≈ שני סדרי גודל (במיוחד CO/CO2).
      5. צייר גרפים של קופסה ושפם לפי שלי (פאנל אחד לכל משתנה; ציר y משותף לכל משתנה; הצגת חריגים כנקודות; רבעוני תוויות).
      6. יצא כאיור 4.
      7. בחר ארבעה מודלים בעלי ביצועים טובים במאגר הנתונים המעבדה - XGBoost, BP, TCN ו-Transformer - להשוואה כדי לאמת את יכולת ההעברה של המודל המוצע.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

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

יציבות המודל אומתה באמצעות ארבעה מערכי נתונים עצמאיים, שהראו ביצועים חיזויים עקביים בתנאים גאולוגיים שונים. חלק זה מציג תוצאות מייצגות והערכות ביצועים של ניסויי הבעירה הספונטנית בפחם ושל מודל SSA-CNN-LSTM-Attention המוצע. ראשית, השינויים במספר מדדי גז שנאספו במהלך ניסויי חמצון החימום המתוכנתים מנותחים כדי לחשוף את הדפוסים הדינמיים של ריכוזי הגז בשלבי טמפרטורה שונים. התוצאות מאורגנות לארבעה חלקים: (1) ניסויי אבלציה, המשמשים להערכת תרומות רכיבי CNN, LSTM, Attention ו-SSA לביצועי המודל; (2) ...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

דיון

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

השתמש בבלוקים של פחם שלמים; בצע ניקוי משטחים בלבד לאחר הדגימה ואטום כפול מיד כדי למנוע חשיפה ממושכת. שמור על צינור הגז אטום לדליפות עם בקרת זרימה קבועה (MFC), בצע את החימום המתוכנת בדיוק כפי שמוגדר בפרוטוקול, וכייל את ה-GC לפי תקנים מוסמכים (GET). לרכוש אותות טמפרטורה וגז בפרקי זמן קבועים ולסנכרן חותמות זמן (ראו פרוטוקול). מבחינה חישובית, לתקן ולרשום את הסביבה (מערכת הפעלה, פייתון, מסגרת למידה עמוקה, CUDA וכו'), להגדיר זרעים אקראיים ואפשרויות דטרמיניסטיות, ולנעול תלותיות. השתמש בחלוקה שכ...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

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

למחברים אין מה לחשוף.

תודות

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

עבודה זו נתמכה על ידי הקרן הלאומית למדעי הטבע של סין (מענק מס' 52274206) לפרויקט על הפרעות דינמיות ומאפייני זחילה גזירה של סלע קשה עמוק והתנהגות קריטית לפי חוקי ההספק, ועל קרן הנוער של הקרן הלאומית למדעי הטבע של סין (מענק מס' 51904144) למחקר על השפעות דיפוזיה במהלך נדידת גזי תפר פחם.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
שסתום דגימת גז עם 6 יציאות, 2 מצבים עם מפעיל אוניברסליVICI ValcoEUDA-2C6UWTחיבורים בגודל 1/16 אינץ'; פתחים בקוטר 0.75 מ"מ; RS-232; עימות 2 אינץ'
סירת דגימות אלומינהתאגיד MTIEQ-CA-L50W40H20>99.5% Al2O3; 50& 40&00; 20 מ"מ
תוכנת כרומטוגרפיהאג'ילנט טכנולוגיותOpenLab CDSרכישת/עיבוד נתונים
דגימות פחם (נאספו בשדה)איסוף פנימי/בשטחלא זמיןהמקור המפורט ב-Methods
CUDA / cuDNNNVIDIAhttps://developer.nvidia.com/cuda-zoneCUDA 11.x; התאמת cuDNN
מיינפריים של DAQKeysightDAQ970ADMM בן 6½; USB/LAN
דסיקנט (מציין אותו)ו.א. המונד דרירייט23001סולפט סידן; 8 רשתות; 1 פאונד
משאבת אוויר דיאפרגמהKNFhttps://www.knf.comאספקת אוויר רציפה; זרימה מתכווננת
מעיל מעבדה FRחומהKEL2 (סדרה)תואם ל-NFPA 2112
כרומטוגרף גזאג'ילנט טכנולוגיותG3540A (מערכת 8890 GC)מערכת GC; EPC; עד 2 פתחים / 4 גלאים
כפפות עמידות לחוםאנסל43-113לסירוגין עד ~350 ו-deg; C
אוויר טהור גבוהאייר ליקוויד / איירגזhttps://www.airgas.com/solutions/specialty-gases/pure-gases/alphagaz≥ טוהר 99.99%
IDEJetBrains / מיקרוסופטhttps://www.jetbrains.com/pycharm/ ; https://code.visualstudio.com/downloadPyCharm / קוד VS
מסננים בקוסוואגלוקhttps://www.swagelok.com/downloads/webcatalogs/en/ms-01-92.pdfאלמנטים SS מסנטרים 0.5– 15 ומיקרו; m
תרמוקופלים מסוג Kאומגהhttps://www.omega.comסוג K (NiCr– NiSi)
בקר זרימת מסה (0– 200 sccm)אליקאט סיינטיפיקMC-200SCCM-Dסדרת MC; &ועוד; (0.8% rdg + 0.2% FS)
גזי כיול מרובי רכיביםמסרhttps://specialtygases.messergroup.com/standard-gas-mixturesריכוז מותאם אישית; תעודה
מערכת הפעלהמיקרוסופטhttps://www.microsoft.com/en-us/software-download/windows11Windows 11
מערכת הפעלהקנוניhttps://ubuntu.com/download/desktopאובונטו LTS (22.04/24.04)
צינורות PTFE/PFAסוואגלוקhttps://products.swagelok.com/en/all-products/hoses-flexible-tubing/ptfe-pfa-core-hose/c/716?clp=trueעמיד לכימיה; 16/1 ו-ndash; רבע ב-OD
פייתוןקרן התוכנה של פייתוןhttps://www.python.org/downloads/גרסה 3.8
סירת דגימה של קוורץתאגיד MTIEQ-QB-1017 (גודל לדוגמה)~1200 ° טמפרטורת עבודה C
משקפי בטיחות3M93506P1-DC (דוגמה)התזת כימיקלים; אפשרויות נגד ערפל
צינור פלדה ללא תפרסוואגלוקhttps://www.swagelok.com/downloads/webcatalogs/en/ms-01-181.pdf316/316L; 16/1 ו-ndash; רבע ב-OD
חיבורי צינורות וצינורות מפלדת אל-חד פרוליםסוואגלוקhttps://products.swagelok.com/en/all-products/fittings/tube-fittings-adapters/c/154?clp=true316/316L; פרול כפול
בקר טמפרטורהיורותרם3216PID חד-מעגלי; רמפות/אזעקות מתוכנתות
TensorFlowגוגלhttps://www.tensorflow.orgגרסה 2.6
מודול תרמוקפל USBNI (הכלים הלאומיים)781314-01 (USB-TC01)K/J/T; תוכנת רישום
מד זרימה בשטח משתנה (Visi-Float)דווייר אינסטרומנטסVFA-2-EC-SS (0.2– 2 SCFH Air)טווח זרימה נמוכה; קריאה ישירה
כרטיס מסך תחנת עבודהNVIDIA900-1G136-2530-000 (מהדורת המייסדים)GeForce RTX 4090, 24GB GDDR6X (FE)

מקורות

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

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה

בקש הרשאה

תגיות

מאמרים קשורים