Ricerca su un modello profondamente integrato per l'ottimizzazione strutturale nella previsione della temperatura della combustione spontanea del carbone

Summary

Qui descriviamo un protocollo per prevedere la temperatura della combustione spontanea del carbone utilizzando un framework CNN-LSTM-Attention ottimizzato per SSA che ottimizza automaticamente la struttura e i parametri della rete, migliorando così accuratezza, adattabilità e generalizzazione tra dataset eterogenei e condizioni minerarie varie.

Abstract

Qui proponiamo un protocollo per la previsione della temperatura di combustione spontanea del carbone basato su un framework di attenzione ottimizzato per le reti neurali convoluzionali (CNN) e la memoria a breve termine (LSTM) ottimizzata per le reti neurali convoluzionali (SSA). Questo protocollo affronta le limitazioni delle architetture di rete fisse, la generalizzazione limitata e la scarsa trasferibilità comunemente riscontrate nei metodi convenzionali. Il framework estrae caratteristiche spaziali utilizzando CNN e cattura dipendenze temporali con le reti LSTM, mentre il meccanismo di attenzione evidenzia le fasi critiche della temperatura e le caratteristiche salienti. La SSA ottimizza congiuntamente la profondità della rete e gli iperparametri, consentendo l'adattamento dinamico a diverse complessità di dati tra diversi siti minerari e condizioni sperimentali. Il protocollo consiste in acquisizione dati, preprocessing delle caratteristiche, costruzione del modello, ottimizzazione dei parametri e passaggi di validazione. I risultati sperimentali dimostrano che il modello proposto raggiunge una precisione predittiva significativamente superiore su dataset omogenei e mantiene una robusta capacità di generalizzazione su dataset eterogenei, rendendolo particolarmente adatto al monitoraggio in tempo reale della temperatura delle miniere di carbone e ai sistemi di allerta precoce.

Introduction

Il carbone gioca ancora un ruolo dominante nella struttura energetica cinese. Tuttavia, durante lo stoccaggio, il trasporto e l'estrazione mineraria, può verificarsi un riscaldamento spontaneo, portando a combustione spontanea. Questo spesso provoca incendi nelle miniere, minacciando seriamente la sicurezza delle miniere e la vita dei^lavoratori 1,2,3,4. Pertanto, una previsione accurata dei rischi di incendi nelle miniere di carbone e delle loro variazioni di temperatura è essenziale per l'allerta precoce e la mitigazione dei disastri. I metodi di previsione per la temperatura spontanea di combustione del carbone si sono evoluti da prime formule empiriche ad approcci di analisi basati su dati di monitoraggio reali ^5,6,7. I primi studi si basavano principalmente su modelli fisici e equazioni cinetiche chimiche per modellare il meccanismo di rilascio del calore da ossidazione del carbone. Tuttavia, a causa della complessità dei parametri del modello e della limitata applicabilità, questi modelli affrontano limitazioni significative nell'uso^{pratico 8,9,10}. Con lo sviluppo di algoritmi intelligenti, metodi come Random Forest (RF)¹¹ e Artificial Neural Networks (ANN⁾¹² sono stati gradualmente introdotti per migliorare le capacità di previsione costruendo mappe non lineari. Negli ultimi anni, i progressi nel deep learning hanno offerto nuovi approcci per prevedere la temperatura spontanea di combustione del carbone. Wang et ^al.13 hanno proposto un metodo di rilevamento basato sulla tecnologia di misurazione acustica della temperatura, analizzando le emissioni di gas in varie condizioni per stabilire soglie preliminari e un sistema di allerta precoce. Sviluppò un modello matematico raffinato per misurare la temperatura del carbone sfuso. Sono state introdotte anche le architetture Graph Neural Networks (GNN) e Transformer. Pan et ^al.3 hanno presentato un modello di previsione della temperatura di combustione spontanea del carbone basato sulle Reti Convoluzionali a Grafi (GCN), che incorpora le interazioni tra indicatori di gas per ottenere una maggiore accuratezza di previsione.

Tuttavia, i metodi esistenti affrontano ancora limitazioni nella selezione degli iperparametri e nella generalizzazione dei modelli. Per migliorare le prestazioni, i ricercatori hanno introdotto algoritmi di ottimizzazione intelligenti come lo Sparrow Search Algorithm (SSA) per regolare iperparametri come la velocità di apprendimento e la dimensione del lotto. Wang et ^al.14 hanno proposto il modello SSA-CNN, che, per la prima volta, integra un algoritmo di intelligenza a sciame con una struttura di rete neurale convoluzionale. Questo approccio non solo migliora l'efficienza dell'ottimizzazione dei parametri, ma cattura efficacemente le caratteristiche strutturali spaziali nei dati sulla combustione spontanea del carbone. Long et ^al.15 e Zou et ^al.16, rispettivamente, hanno proposto modelli di previsione della combustione spontanea del carbone basati su BO-Light Gradient-Boosting Machine (GBM) e ottimizzazione dello sciamme di particelle XGBoost (PSO-XGB). Entrambi i modelli migliorarono la convergenza e la precisione ottimizzando la strategia di ricerca, fornendo nuovi approcci per l'ottimizzazione dei modelli di previsione della combustione spontanea del carbone.

Sebbene gli studi esistenti abbiano fatto avanzare la previsione intelligente della temperatura spontanea di combustione del carbone, la maggior parte degli sforzi si è limitata all'ottimizzazione dei parametri del modello senza miglioramenti a livello architetturale di rete. Di conseguenza, i modelli attuali presentano comunemente le seguenti limitazioni: Innanzitutto, la maggior parte adotta strutture statiche, dove l'architettura di rete (ad esempio, numero di strati convoluzionali, livelli LSTM) e i parametri chiave di addestramento (ad esempio, tasso di apprendimento, dimensione del lotto) vengono impostati manualmente o proporzionalmente decaduti durante la costruzione iniziale del modello e rimangono invariati durante l'addestramento e la previsione, mancando della capacità di adattarsi dinamicamente alla complessità dei dati. In secondo luogo, i modelli generalmente mancano di meccanismi adattivi per adattarsi a condizioni variabili come periodi temporali differenti, intervalli di temperatura e scale di concentrazione di gas, rendendo difficile soddisfare le esigenze della previsione multi-condizione. In terzo luogo, la loro generalizzazione e trasferibilità rimangono inadeguate, portando a previsioni instabili e inaccurate tra diversi dataset regionali. Sebbene siano stati raggiunti alcuni miglioramenti a livello di parametro, la struttura della rete stessa rimane statica senza un'ottimizzazione dinamica congiunta di struttura e parametri, limitando i guadagni complessivi di prestazione.

Pertanto, questo studio mira a sviluppare un modello flessibile e ad alta precisione per la previsione della temperatura di combustione spontanea del carbone per affrontare le sfide sopra descritte. Attraverso esperimenti comparativi, l'architettura CNN-LSTM-Attention è stata selezionata come modello base. Per soddisfare i vari requisiti di profondità di rete per diversi strati di carbone, la struttura statica tradizionale viene sostituita con un approccio di "ottimizzazione strutturale". In questo approccio, il numero di strati convoluzionali (CNN) e ricorrenti (LSTM), insieme ai parametri chiave di addestramento, non è fisso ma viene regolato dinamicamente in base alla forza delle caratteristiche spaziali e temporali nei dati.

Protocol

1. Raccolta dati sulla combustione spontanea del carbone

1. Assemblare il sistema di ossidazione del riscaldamento programmato a carbone di tipo aria, inclusi il sistema di erogazione del gas, l'unità di controllo della temperatura e gli strumenti di analisi dei gas. Assicurarsi che tutte le connessioni siano sicure, le impostazioni di controllo della temperatura accurate e che il gascromatografo e gli altri dispositivi analitici siano completamente calibrati.
2. Pesare 1000 g di campione di carbone misto (mantenere la forma originale a grumi), omogeneizzare accuratamente il campione usando il metodo di quartizzazione e posizionare uniformemente i blocchi di carbone all'interno della camera di riscaldamento. Mantieni uno spessore costante e una distribuzione uniforme per garantire un riscaldamento uniforme.
3. Avvia la pompa d'aria e regola la portata utilizzando il misuratore per mantenere un flusso di gas stabile di 100 mL/min nella camera di riscaldamento. Assicurati la stabilità del flusso entro ±2 mL/min.
4. Avviare il sistema di riscaldamento secondo il programma preimpostato di rampa di temperatura, aumentando gradualmente la temperatura della fornace a una velocità di 1,0 °C/min fino a 200 °C. Utilizzare il software di controllo per monitorare le variazioni di temperatura in tempo reale, assicurandosi che la velocità di riscaldamento rispetti le specifiche di progetto.
5. Utilizzare sensori di temperatura installati vicino al campione di carbone per monitorare e registrare continuamente le variazioni di temperatura, garantendo una raccolta dati accurata e ininterrotta.
   NOTA: Durante l'esperimento di riscaldamento programmato, i dati di temperatura e concentrazione di gas venivano registrati automaticamente ogni 10 secondi utilizzando sensori di temperatura calibrati e analizzatori di gas fino al completamento dell'esperimento.
6. Trasportare i gas generati durante la reazione di riscaldamento attraverso il sistema di erogazione del gas nel gascromatografo.
   1. Eseguire campionamenti automatizzati a intervalli predefiniti (30 s) per misurare le concentrazioni di ossigeno, monossido di carbonio e anidride carbonica, e effettuare la calibrazione della base GC prima di ogni esperimento.
   2. Mantenere un flusso di linea di trasferimento di 100 mL/min (±2 mL/min), abbinato al flusso di uscita della camera e regolato dal controller di flusso massico per garantire una consegna stabile al gascromagrafo durante l'autocampionamento a 30 secondi.
7. Prima dell'addestramento del modello, applica una pipeline standardizzata di preprocessing dei dati per garantire qualità e coerenza dei dati.
   1. Normalizzare tutte le caratteristiche a media e varianza unitaria zero per eliminare discrepanze di scala e facilitare la convergenza del modello.
   2. Per sopprimere il rumore dei sensori e stabilizzare le tendenze temporali, applica un filtro a media mobile con una finestra di dimensione 5 per uniformare i dati delle serie temporali. Imputare i valori mancanti, se presenti, utilizzando la media delle osservazioni vicine per mantenere la completezza del dataset.
   3. Inoltre, identificare i valori anomali usando una soglia di z-score di |z| > 3 ed escluderli dall'analisi successiva per migliorare la robustezza del modello.
      NOTA: L'esperimento ha raccolto dati da 83 campioni di carbone, registrando le concentrazioni di gas come ossigeno, monossido di carbonio, anidride carbonica, metano, etano ed etilene in relazione alla temperatura del carbone. Un diagramma schematico del sistema di ossidazione del riscaldamento programmato a carbone di tipo aria è mostrato nella Figura 1.

2. Costruzione di un modello di attenzione CNN-LSTM basato sull'ottimizzazione strutturale SSA

1. Costruzione del modello di attenzione CNN-LSTM
   1. Costruire il modulo della rete neurale convoluzionale (CNN) per estrarre automaticamente le caratteristiche spaziali dalle sequenze di input di temperatura e concentrazioni di gas.
      1. Impila 2-4 strati di convoluzione 1D (passo = 1, imbottitura = "stesso", dimensione del nucleo 3-7). Dopo ogni strato, applica la normalizzazione (BatchNorm o LayerNorm), l'attivazione ReLU o GELU e il dropout 0.1-0.2. Opzionalmente usare MaxPooling1D (pool = 2) nei primi uno o due strati per la riduzione del rumore/downsampling, ed evitare il pooling nel livello finale per preservare la risoluzione temporale.
      2. Usa una convoluzione 1×1 per proiettare la dimensione del canale secondo quanto si aspetta il LSTM a valle. Mantieni il tensore in una forma 3D "tempo × canali" (non appiattire) e alimentalo direttamente al LSTM con return_sequences=Vero; registrare il numero di livelli, i canali, la dimensione del kernel, il pooling e il dropout in un file di configurazione per abilitare la ricerca e la riproducibilità SSA.
   2. Considerare l'output finale Conv1D come una sequenza ordata nel tempo di vettori di caratteristiche, preservando l'asse temporale senza appiattire, e alimentarlo direttamente nell'LSTM. Se il pooling precedente ha accorciato la sequenza, si usa la lunghezza ridotta; quando la dimensione del canale non corrisponde all'aspettativa dell'LSTM, applicare una convoluzione 1×1 o una proiezione lineare per l'allineamento.
   3. Configura la LSTM con 64 unità nascoste, attivazione tanh e return_sequences=True per mantenere rappresentazioni in ogni passo temporale. Implementare questa conversione nel modulo di costruzione del modello e registrare le forme dei tensori di input/output e le impostazioni chiave per garantire riproducibilità e tracciabilità, mantenendo così rappresentazioni a ogni passo temporale. Implementare questa conversione nel modulo di costruzione del modello e nelle forme dei tensori di input/output e nelle impostazioni chiave per garantire riproducibilità e tracciabilità.
   4. Inserire un blocco di attenzione temporale immediatamente dopo l'output LSTM: il blocco prende le rappresentazioni nascoste per passo temporale e utilizza una proiezione a singolo strato nascosto per produrre un vettore di peso di attenzione.
   5. Imposta la dimensione del vettore peso a 64, specificata direttamente nella configurazione del livello di attenzione. Poi, normalizzare i pesi lungo l'asse temporale con un softmax, ottenendo l'importanza relativa di ogni passo temporale. Usa i pesi normalizzati per calcolare un vettore contestuale (somma pesata), che viene fuso con la rappresentazione della sequenza e alimentato alla testa di regressione.
   6. Addestrare il modulo di attenzione end-to-end con la spina dorsale; Se esiste il padding (imbottitura), applica una maschera prima del softmax per ignorare i passaggi non validi.
   7. Solo per gli esperimenti di ablazione, suddividere il dataset cronologicamente in set di addestramento (80%) e set di test (20%), effettuando una validazione incrociata cinque volte separata per valutare la stabilità complessiva e la generalizzazione del modello proposto.
   8. Esegui l'addestramento dalla directory root del progetto, con tutti i percorsi relativi ancorati a quella root. Applicare un stop anticipato in modo che, se l'errore di validazione non migliora per 10 epoche consecutive, l'allenamento si fermi e i migliori pesi vengano salvati su ./checkpoints/best_model.h5.
   9. Per registrare il processo, un registratore CSV scrive perdite di addestramento/validazione per epoca e metriche chiave su training_log.csv (colonne come epoca, train_loss, val_loss, metriche, timestamp). Aggiornare il file del miglior modello ogni volta che la validazione migliora, garantendo la riproducibilità e supportando l'analisi successiva.
      NOTA: CNN estrae automaticamente le caratteristiche spaziali dai dati di input tramite connettività locale e condivisione dei pesi. I nuclei convoluzionali superficiali catturano sottili variazioni locali. Le caratteristiche spaziali si manifestano come la distribuzione delle concentrazioni e i modelli di diversi gas (come ossigeno e monossido di carbonio) nello stesso momento, incluse anomalie locali e gradienti di concentrazione. Questi riflettono le correlazioni spaziali dei gas durante il processo di combustione spontanea del carbone, che le CNN possono identificare^{efficacemente 17}. La sequenza di caratteristiche estratta da CNN viene inserita in un LSTM, che modella dinamicamente le serie temporali attraverso i suoi meccanismi di gate. Caratteristiche temporali come l'aumento graduale della temperatura, le fluttuazioni e i cambiamenti improvvisi nella concentrazione di gas, e il loro ordine sequenziale, riflettono la temperatura cumulativa e le reazioni gassate durante la combustione spontanea del carbone. LSTM cattura efficacemente questi pattern, migliorando l'accuratezza della previsione e la stabilità del^{modello 18}. Un meccanismo di attenzione viene introdotto al livello di uscita LSTM per assegnare pesi alle caratteristiche in ogni passo temporale. Questo si concentra sugli stadi critici della temperatura spontanea di combustione del carbone, rafforza informazioni preziose, sopprime il rumore e migliora le prestazioni di^{previsione 19} (Figura 2).
2. Progettazione di un metodo di ottimizzazione della struttura del modello basato sulla SSA
   NOTA: La strategia di ottimizzazione dinamica proposta qui integra la progettazione della struttura del modello con l'ottimizzazione degli iperparametri ed è complessivamente suddivisa in fase di preparazione, fase di deformazione e fase di addestramento formale. Questo metodo consente di regolare in modo collaborativo i parametri strutturali e gli iperparametri, permettendo al modello di mantenere la flessibilità strutturale migliorando al contempo le prestazioni e l'adattabilità a condizioni operative complesse.
   1. Fase di preparazione
      1. Prima della ricerca basata su SSA, definire lo spazio di ricerca iperparametro/struttura come una 4-tupla: x_i= L_cnn, L_lstm, L_r, batch_size, L_cnn (numero di blocchi CNN) e L_lstm (numero di strati LSTM impilati) sono a valori interi e campionati uniformi rispettivamente da {1,2,3,4} e {1,2,3}.
      2. Poiché l'ottimizzatore propone vettori a valori reali, mappa le proposte non intere all'intero più vicino usando la regola round() di Python (lega a pari) e poi taglia su [1,4] o [1,3]. Estraggiamo la velocità di apprendimento lris è log-uniforme dall'intervallo [1 x ^10-2, 1 x ^10-1]. Taglia le proposte fuori portata al limite più vicino. batch_size è una scelta discreta da {32, 64, 96, 128}.
      3. Salvo diversa indicazione, non imporre vincoli cross-parameter durante questo passaggio di preparazione. Per la riproducibilità, applica un seed casuale comune (42) a Python, NumPy, al framework di deep-learning e alla variabile ambientale PYTHONHASHSEED.
      4. Inizia la ricerca SSA con una popolazione di 30 e esegui per 80 iterazioni.
         NOTA: Queste impostazioni, insieme alle regole di arrotondamento/clipping sopra elencate, hanno definito la preparazione dello spazio di ricerca utilizzato per tutti gli esperimenti successivi.
   2. Fase di deformazione
      1. Generare casualmente un insieme di parametri iniziali, indicato come C_{1,L 1,I 1,b 1.} Prima di addestrare la rete, arrotondi le dimensioni intere all'intero più vicino e taglia tutti i valori ai loro limiti.
      2. Utilizzare una singola esecuzione di addestramento/validazione per calcolare l'Errore Quadratico Medio (MSE) di validazione come fitness; Registra e memorizza il risultato attuale.
      3. Aggiorna la posizione per generare una nuova combinazione di parametri C_{2,L 2,I 2,b 2.} Esegui una singola iterazione di allenamento e confronta la sua fitness con il valore memorizzato.
      4. Se la nuova combinazione funziona meglio della precedente, sostituisci il risultato originale e imposta la posizione attuale a C_{2,L 2,I 2,b 2.} Se va peggio, imposta un indicatore per evitare di selezionare ripetutamente combinazioni inefficaci mantenendo l'incumbent.
      5. Ripetere i passaggi 2.2.2.2-2.2.2.4 per più iterazioni finché non si osserva alcun ulteriore miglioramento, ottenendo così la combinazione ottimale C _{n,L n,I n,b n.}
      6. Conserva C _{n,L n,I} n,b_n come parametri strutturali finali e inizia la formazione formale.
   3. Fase di addestramento
      NOTA: I conteggi dei livelli CNN e LSTM con la migliore idoneità sono selezionati come configurazione finale della rete per l'addestramento completo e la valutazione sul set di test (Figura 3).
      1. Imposta il range di ricerca per strutture di modello e iperparametri, inclusi 2-6 livelli CNN, 1-4 livelli LSTM, un intervallo di velocità di apprendimento da 1 × ^10-5 a 1 × ^10-2, dimensioni di lotto di 32, 64 o 128, e un massimo di 100 epoche di addestramento. Ottimizzare questi parametri congiuntamente durante le iterazioni SSA.
      2. Inizializzare la popolazione dell'Algoritmo di Ricerca Sparrow (SSA) impostando la dimensione della popolazione a 30 e il numero massimo di iterazioni a 100. Assicurarsi che ogni individuo rappresenti una configurazione di modello candidato, inclusi la profondità CNN, la profondità LSTM, la velocità di apprendimento e la dimensione del lotto.
      3. In ogni iterazione, dividere la popolazione SSA in scopritori (20%), seguaci (70%) e sentinelle (10%). Secondo le regole di aggiornamento della posizione SSA, i discoverer effettuano esplorazioni globali, i follower lo sfruttamento locale e i sentinelle impediscono che l'algoritmo venga intrappolato negli ottimi locali. Aggiorna i vettori di posizione di tutti gli individui dopo ogni iterazione.
      4. Utilizzare l'errore quadratico medio (MSE) sul set di validazione come funzione di fitness per valutare la performance predittiva di ciascun modello candidato. Regolare dinamicamente la direzione della ricerca in base ai valori di fitness, permettendo all'SSA di convergere gradualmente verso la struttura ottimale e la configurazione degli iperparametri.
      5. Dopo aver completato le iterazioni SSA, si ottiene la profondità ottimale CNN, la profondità LSTM, la velocità di apprendimento e la dimensione del lotto. Riaddestra il modello sull'intero set di addestramento usando questi parametri ottimali e salva i pesi finali addestrati del modello a final_model.h5".
         NOTA: Gli algoritmi di ottimizzazione sono ampiamente applicati nei campi^{industriali 20,21}, comunemente utilizzati nella programmazione^{della produzione 22,} nel controllo^{qualità 23}, nella manutenzione^{delle apparecchiature 24}, nell'allocazione^{delle risorse 25} e nell'ottimizzazione dei parametri^{di processo 26}, tra gli altri. L'algoritmo di ricerca dei passeri (SSA) adottato in questo studio è un algoritmo di ottimizzazione intelligente che simula il comportamento di ricerca di cibo delle popolazioni di passeri. Raggiunge un'ottimizzazione efficiente attraverso il meccanismo collaborativo di scopritori, seguaci e^{sentinelle 27}. L'algoritmo designa il miglior individuo della popolazione come il scopritore per condurre l'esplorazione globale, mentre gli altri individui agiscono come seguaci conducendo lo sfruttamento locale, e i sentinelle sono impostati per evitare ottimi locali²⁸. SSA adotta una strategia adattiva per bilanciare le capacità di esplorazione e sfruttamento, caratterizzata da velocità di convergenza elevata e semplici impostazioni^{dei parametri 29}. Nel modello di previsione della temperatura di combustione spontanea del carbone proposto in questo articolo, l'SSA funge da metodo centrale del concetto di "ottimizzazione strutturale", ottimizzando automaticamente l'architettura del modello CNN-LSTM-Attention e iperparametri chiave per migliorare l'accuratezza e la generalizzazione della previsione su dataset eterogenei.

3. Validazione del modello e valutazione della trasferibilità

1. Validazione dell'efficacia del modello
   1. Progettare un esperimento di ablazione utilizzando dati sperimentali di combustione spontanea del carbone per verificare i contributi individuali dei moduli CNN, LSTM e Attention. Dividere il dataset casualmente in set di addestramento (80%) e set di test (20%) usando un seed casuale fisso di 42 per garantire la riproducibilità.
      NOTA: Utilizzare una workstation equipaggiata con una GPU NVIDIA RTX 4090 ed eseguire tutti gli esperimenti con Python 3.8 e TensorFlow 2.6 (le informazioni sull'IDE di sviluppo sono elencate nella Tabella dei Materiali).
   2. Impostare la funzione obiettivo per indicare l'errore quadratico (MSE) e applicare l'Algoritmo di Ricerca Sparrow (SSA) migliorato per ottimizzare congiuntamente gli iperparametri chiave dell'architettura CNN-LSTM-Attention, inclusi profondità di rete, tasso di apprendimento e dimensione del lotto. Per garantire l'equità, addestrare tutti i modelli di base sullo stesso dataset utilizzando epoche di addestramento, tassi di apprendimento e dimensioni di batch identiche, e valuta sullo stesso set di test.
   3. Basandosi su una struttura fissa del modello CNN-LSTM-Attention, si impiegano cinque metodi classici di ottimizzazione dei parametri - Algoritmo Genetico (GA), Ottimizzazione del Lupo Grigio (GWO), Ottimizzazione dello Sciame di Particelle (PSO), Algoritmo di Ottimizzazione delle Balene (WOA) e Algoritmo di Ricerca dei Passeri (SSA) - per ottimizzare il modello, seguita da una valutazione completa che integra l'ottimizzazione strutturale.
   4. Calcola le metriche di performance per ogni modello nel set di test e visualizza i risultati usando grafici comparativi.
      1. Riportare lo studio di ablazione (Tabella 1), la performance predittiva dei sette modelli (Tabella 2) e la performance comparativa degli algoritmi di ottimizzazione (Tabella 3).
      2. Per le figure, traccia le previsioni del modello rispetto alle osservazioni e imposta le etichette delle legende su "Previsto" e "Misurato". Assicurati di font, schemi di colori e unità di assi coerenti su tutte le figure. Per le tabelle, mantenere coerenti i caratteri, l'ordine delle colonne, le unità e i decimali.
2. Validazione della trasferibilità del modello
   1. Costruzione del dataset di validazione del trasferimento
      1. Utilizzare un dataset di trasferimento e validazione di 83 campioni di carbone provenienti da sei siti minerari, per un totale di 12.450 registrazioni di caratteristiche temperatura-gas. Per ogni sito, suddividere i dati in set di addestramento (80%) e set di test (20%), mantenendo una rappresentazione equilibrata tra diverse condizioni geologiche.
         NOTA: Per valutare l'impatto dell'"ottimizzazione strutturale" sulle prestazioni di generalizzazione del modello, questo studio ha costruito un dataset completo sulle caratteristiche della temperatura di combustione spontanea del carbone che comprende più siti minerari e diverse condizioni geologiche. Il dataset integra dati di monitoraggio sul campo provenienti da miniere rappresentative come la miniera Qinglong (strati di carbone quasi orizzontali), la miniera Xiao Ji Han (strati di carbone spessi) e la miniera Zhangjiamao (strati di carbone sepolti poco profondi), oltre a dati sperimentali provenienti da strati di carbone di classe I-II soggetti all'auto-accensione in condizioni geologiche varie, tra cui il filone di carbone n. 4 (alto contenuto di volatilità), il giacimento di carbone 72 della miniera Yuan Dian No. 2 (tetto composito), e la miniera di Hongqingliang (caratteristiche soggette all'ossidazione).
   2. Analisi dell'eterogeneità dei dataset cross-mine
      1. Registri aggregati per miniera per CO, CO₂, CH₄, C₂H₆, C₂H₄ e temperatura del carbone; Tieni il mio ID e i timestamp.
      2. Armonizzare le unità (ppm o %) e allineare i timestamp; gestire i valori mancanti come specificato nel passo 2.1.
      3. Calcola min, Q1, mediana, Q3, max e IQR per ogni variabile × mine; Segnalare gli outlier secondo la regola 1,5×IQR.
      4. Quantificare l'eterogeneità tra mine calcolando le differenze di piega per Q3 e max; i casi evidenziati ≈ due ordini di grandezza (in particolare CO/_{CO 2}).
      5. Traccia i grafici a scatola e baffi secondo il mio (un pannello per variabile; asse y comune per variabile; mostra le eccezioni come punti; etichetta i quartili).
      6. Esporta come Figura 4.
      7. Seleziona quattro modelli performanti nel dataset di laboratorio - XGBoost, BP, TCN e Transformer - per confrontarli e validare la trasferibilità del modello proposto.

Results

La stabilità del modello è stata validata utilizzando quattro dataset indipendenti, dimostrando prestazioni predittive costanti in diverse condizioni geologiche. Questa sezione presenta risultati rappresentativi e valutazioni delle prestazioni degli esperimenti di combustione spontanea del carbone e del modello proposto SSA-CNN-LSTM-Attention. Innanzitutto, le variazioni nei molteplici indicatori di gas raccolte durante gli esperimenti di ossidazione al riscaldamento programmata vengono a...

Discussion

Utilizzare blocchi di carbone intatti; Effettuare solo la pulizia della superficie dopo il campionamento e sigillare due volte immediatamente per evitare esposizioni prolungate. Mantieni la linea del gas stagna con controllo a flusso costante (MFC), esegui il riscaldamento programmato esattamente come specificato nel protocollo e calibra il GC con standard certificati. Acquisire segnali di temperatura e gas a intervalli fissi e sincronizzare i timestamp (vedi protocollo). Dal punto di vi...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Valvole di campionamento di gas a 6 porte, 2 posizioni con attuatore universale	VICI Valco	EUDA-2C6UWT	raccordi da 1/16"; porte da 0,75 mm; RS-232; Distacco da 2"
Barca campione di allumina	MTI Corporation	EQ-CA-L50W40H20	>99,5% Al2O3; 50 e volte; 40 e volte; 20 mm
Software per cromatografia	Tecnologie Agilent	OpenLab CDS	Acquisizione/elaborazione dei dati
Campioni di carbone (raccolti sul campo)	Raccolta interna/sul campo	N/A	Fonte dettagliata in Metodi
CUDA / cuDNN	NVIDIA	https://developer.nvidia.com/cuda-zone	CUDA 11.x; corrispondenza cuDNN
Mainframe DAQ	Keysight	DAQ970A	DMM a 6½ cifre; USB/LAN
Disidratante (indicativo)	W.A. Hammond Drierite	23001	Solfato di calcio; 8 mesh; 1 libbra
Pompa ad aria a diaframma	KNF	https://www.knf.com	Fornitura continua d'aria; Flusso regolabile
Camice da laboratorio FR	Baluardo	KEL2 (serie)	Conforme alla NFPA 2112
Cromatografo a gas	Tecnologie Agilent	G3540A (Sistema 8890 GC)	sistema GC; EPC; fino a 2 ingressi / 4 rivelatori
Guanti resistenti al calore	Ansell	43-113	Intermittente fino a ~350 ° C
Aria ad alta purezza	Air Liquide / Airgas	https://www.airgas.com/solutions/specialty-gases/pure-gases/alphagaz	≥ Purezza del 99,99%
IDE	JetBrains / Microsoft	https://www.jetbrains.com/pycharm/ ; https://code.visualstudio.com/download	PyCharm / VS Code
Filtri inline	Swagelok	https://www.swagelok.com/downloads/webcatalogs/en/ms-01-92.pdf	Elementi SS sinterizzati 0.5– 15 & micro; m
Termocoppie di tipo K	OMEGA	https://www.omega.com	Tipo K (NiCr– NiSi)
Regolatore di flusso di massa (0– 200 sccm)	Alicat Scientific	MC-200SCCM-D	serie MC; ± (0,8% rdg + 0,2% FS)
Gas di calibrazione multicomponente	Messer	https://specialtygases.messergroup.com/standard-gas-mixtures	Concentrazione personalizzata; Certificato
Sistema operativo	Microsoft	https://www.microsoft.com/en-us/software-download/windows11	Windows 11
Sistema operativo	Canonico	https://ubuntu.com/download/desktop	Ubuntu LTS (22.04/24.04)
Tubi PTFE/PFA	Swagelok	https://products.swagelok.com/en/all-products/hoses-flexible-tubing/ptfe-pfa-core-hose/c/716?clp=true	Resistente chimicamente; 1/16– 1/4 in OD
Python	Python Software Foundation	https://www.python.org/downloads/	Versione 3.8
Barca campione di quarzo	MTI Corporation	EQ-QB-1017 (dimensione di esempio)	~1200 ° Temperatura operativa C
Occhiali di sicurezza	3M	93506P1-DC (esempio)	Schizzo chimico; Opzioni anti-annebbiamento
Tubi in acciaio inossidabile senza giuntura	Swagelok	https://www.swagelok.com/downloads/webcatalogs/en/ms-01-181.pdf	316/316L; 1/16– 1/4 in OD
Raccordi e raccordi in acciaio inossidabile Ghiera	Swagelok	https://products.swagelok.com/en/all-products/fittings/tube-fittings-adapters/c/154?clp=true	316/316L; doppia ghiera
Regolatore di temperatura	Eurotherm	3216	PID a singolo loop; Rampes/allarmi programmabili
TensorFlow	Google	https://www.tensorflow.org	Versione 2.6
Modulo termocoppia USB	NI (Strumenti Nazionali)	781314-01 (USB-TC01)	K/J/T; Software di logging
Misuratore di flusso ad area variabile (Visi-Float)	Strumenti Dwyer	VFA-2-EC-SS (0.2– 2 SCFH Air)	Intervallo a basso flusso; Lettura diretta
Workstation GPU	NVIDIA	900-1G136-2530-000 (Edizione Founders)	GeForce RTX 4090, 24 GB GDDR6X (FE)