Method Article

石炭自発燃温予測における構造最適化のための深く統合されたモデルに関する研究

DOI:

10.3791/69457

⸱

December 19th, 2025

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

In This Article

Summary

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

ここでは、SSA最適化されたCNN-LSTM-Attentionフレームワークを用いて、ネットワーク構造とパラメータを自動的に最適化し、異種データセットや多様な採掘条件間での精度、適応性、一般化を向上させる石炭自発燃の温度予測プロトコルを説明します。

Abstract

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

ここでは、Sparrow Search Algorithm(SSA)最適化された畳み込みニューラルネットワーク(CNN)-長期短期記憶(LSTM)-注意フレームワークに基づく石炭自発燃焼温度予測のプロトコルを提案します。このプロトコルは、固定ネットワークアーキテクチャの限界、制限された一般化、そして従来の手法でよく見られる移行性の低さに対応しています。このフレームワークはCNNを用いて空間的特徴を抽出し、LSTMネットワークとの時間的依存性を捉え、注意メカニズムは臨界温度位相や顕著な特徴を強調します。SSAはネットワークの深さとハイパーパラメータを共同で最適化し、異なる採掘現場や実験条件間で異なるデータ複雑さに動的に適応できるようにします。このプロトコルは、データ取得、特徴量前処理、モデル構築、パラメータ最適化、検証ステップで構成されています。実験結果によれば、提案モデルは均質データセットで有意に高い予測精度を達成し、異種データセット間で堅牢な一般化性能を維持しているため、リアルタイムの炭鉱温度監視や早期警報システムに適しています。

Introduction

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

石炭は依然として中国のエネルギー構造において支配的な役割を果たしています。しかし、保管、輸送、採掘の過程で自然発熱が発生し、自然発火を引き起こすことがあります。これにより鉱山火災が発生し、鉱山の安全や作業員の命が深刻に脅かされることもあります。1,2,3,4。したがって、石炭鉱山火災のリスクとその温度変動を正確に予測することは、早期警戒や災害軽減に不可欠です。石炭自発燃温度の予測方法は、初期の経験的公式から実際のモニタリングデータに基づく分析手法へと進化してきました(5,6,7)。初期の研究は主に物理モデルと化学動力学の方程式に依存して石炭酸化の熱放出機構をモデル化していました。しかし、モデルパラメータの複雑さと適用範囲の制限により、これらのモデルは実用的な使用において大きな制約に直面します。8,9,10

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

Protocol

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

1. 石炭自発燃データ収集

  1. 空気型石炭プログラム加熱酸化システムを組み立て、ガス供給システム、温度制御装置、ガス分析装置を含みます。すべての接続が確実に確保され、温度制御の設定が正確であること、ガスクロマトグラフやその他の分析機器が完全に校正されていることを確認してください。
  2. 混合石炭サンプル1000g(元の塊形を保持)を重み、四分割法で十分に均質化し、石炭ブロックを加熱室内に均等に配置します。均一な厚さと均一な分布を保ち、均一な加熱を確保しましょう。
  3. エアポンプを起動し、流量計を使って流量を調整し、加熱チャンバーへのガス流量を100 mL/minに保ちます。流量の安定性を± mL/min以内に確保してください。
  4. あらかじめ設定された温度ランププログラムに従って暖房システムを起動し、炉の温度を1.0°C/分の速度で徐々に200°Cまで上げていきます。 制御ソフトウェアを使って温度変化をリアルタイムで監視し、加熱速度が設計仕様を満たしているか確認しましょう。
  5. 石炭試料近くに設置された温度センサーを用いて、温度変動を継続的に監視・記録することで、正確かつ途切れのないデータ収集を確保しましょう。
    注:プログラムされた加熱実験中、温度とガス濃度データは、実験完了まで校正済みの温度センサーとガス分析装置を用いて10秒ごとに自動的に記録されました。

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

Results

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

モデルの安定性は4つの独立したデータセットを用いて検証され、異なる地質条件間で一貫した予測性能を示しました。このセクションでは、石炭自然発火実験および提案されたSSA-CNN-LSTM-Attentionモデルの代表的な結果と性能評価を紹介します。まず、プログラム加熱酸化実験中に収集された複数のガス指標の変動を解析し、異なる温度段階におけるガス濃度の動的パターンを明らかにします。結果は4つの部分に分かれています:(1) CNN、LSTM、注意、SSAの構成要素がモデルの性能に与える貢献を評価するために用いられるアブレーション実験;(2) 提案された手法をBP、XGBoost、Transformer、GCN、TCN-GCNと比較し、一貫した訓練環境下でのフィッティング精度と誤差分布を解析するモデル比較実験;(3) パラメータ最適化戦略と構造最適化戦略の両方でGA、GWO、PSO、WOA、SSAのパフォーマンスを評価する最適化アルゴリズム比較実験;および(4) 移転可能性検証、異なる炭鉱から収集されたデータセ.......

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

Discussion

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

完全な石炭ブロックを使用し、サンプリング後は表面洗浄のみを行い、長時間の曝露を避けるために直ちに二重シールをしてください。ガスラインは定流量制御(MFC)で漏れを厳密に保ち、プロトコルで指定された通りにプログラムされた加熱を実行し、認証された規格でGCを校正します。温度とガス信号を一定間隔で取得し、タイムスタンプを同期させます(プロトコル参照)。計算的な観点からは、環境(OS、Python、ディープラーニングフレームワーク、CUDAなど)を修正・記録し、ランダムシードや決定論的オプションを設定し、依存関係をロックします。採掘地ごとに層別で固定された分割を使い、前処理はトレーニングセットのみに適用し、テストセットに変更せずに適用します。統一された訓練および評価プロトコルに従いましょう。これらのポイントを守ることで、段階化されたO2/CO/CO2/CH4のシグネチャが保持され、結果の再現性と転送可能性が向上します。

実験では、O2 .......

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

Disclosures

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

著者たちは何も明かすことはありません。

Acknowledgements

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

この研究は、中国国家自然科学基金(助成金番号52274206)が深層硬岩の動的攪乱およびせん断クリープ特性および臨界べき乗則挙動に関するプロジェクト、また石炭層ガス移動中の拡散効果に関する研究のために中国国家自然科学基金(助成金番号51904144)の支援を受けました。

....

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

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
6ポート、2段階ガスサンプリングバルブ(ユニバーサルアクチュエーター付き)VICIバルコEUDA-2C6UWT1/16インチの継手;0.75mmポート;RS-232;2インチスタンドオフ
アルミナサンプルボートMTIコーポレーションEQ-CA-L50W40H20>99.5% Al2O3;50回以上;40回以上;20mm
クロマトグラフィーソフトウェアアジレント・テクノロジーズOpenLab CDSデータ取得/処理
石炭試料(現地採取)社内/フィールド収集該当なし詳細は方法論に詳述されています
CUDA / cuDNNNVIDIAhttps://developer.nvidia.com/cuda-zoneCUDA 11.x;マッチングcuDNN
DAQメインフレームキーサイトDAQ970A6½-桁DMM;USB/LAN
乾燥剤(指示)W.A.ハモンド・ドライエライト23001硫酸カルシウム;8メッシュ;1ポンド
ダイアフラムエアポンプKNFhttps://www.knf.com連続的な空気供給;流量調整可能
FRの白衣ブルワークKEL2(シリーズ)NFPA 2112準拠
ガスクロマトグラフアジレント・テクノロジーズG3540A(8890 GCシステム)GCシステム;EPC;最大2つのインレット/4個の検出器
耐熱手袋アンセル43-113間欠的に~350 & degまで;C
高純度の空気エアリキッド/エアガスhttps://www.airgas.com/solutions/specialty-gases/pure-gases/alphagaz≥純度99.99%
IDEジェットブレインズ / マイクロソフトhttps://www.jetbrains.com/pycharm/;https://code.visualstudio.com/downloadPyCharm / VS Code
インラインフィルタースワゲロクhttps://www.swagelok.com/downloads/webcatalogs/en/ms-01-92.pdf焼結SS要素0.5–15 & マイクロ;m
K型熱電対オメガhttps://www.omega.comタイプK(NiCr–NiSi)
質量流量コントローラ(0–200 sccm)アリカット・サイエンティフィックMC-200SCCM-DMCシリーズ;±(0.8% RDG + 0.2% FS)
多成分校正ガスメッサーhttps://specialtygases.messergroup.com/standard-gas-mixturesカスタム集中;証明書
オペレーティング システムマイクロソフトhttps://www.microsoft.com/en-us/software-download/windows11Windows 11
オペレーティング システム正典https://ubuntu.com/download/desktopUbuntu LTS (22.04/24.04)
PTFE/PFAチューブスワゲロクhttps://products.swagelok.com/en/all-products/hoses-flexible-tubing/ptfe-pfa-core-hose/c/716?clp=true化学的耐性があります。1/16–1/4インチの外径
パイソンPythonソフトウェア財団https://www.python.org/downloads/バージョン3.8
クォーツサンプルボートMTIコーポレーションEQ-QB-1017(例サイズ)~1200 & deg;C作業温度
安全ゴーグル3歳93506P1-DC(例)化学的なスプラッシュ;防霧オプション
ステンレススチールのシームレスチューブスワゲロクhttps://www.swagelok.com/downloads/webcatalogs/en/ms-01-181.pdf316/316L;1/16–1/4インチの外径
ステンレススチール管の継手およびフェルールスワゲロクhttps://products.swagelok.com/en/all-products/fittings/tube-fittings-adapters/c/154?clp=true316/316L;ダブルフェルール
温度コントローラーユーロサーム3216シングルループPID;プログラム可能なランプ/アラーム
テンソルフローグーグルhttps://www.tensorflow.orgバージョン2.6
USB熱電対モジュールNI(ナショナル・インスツルメンツ)781314-01(USB-TC01)K/J/T;ログ記録ソフトウェア
可変面積流量計(Visi-Float)ドワイヤー・インストゥルメンツVFA-2-EC-SS(0.2–2 SCFH 航空)低流量範囲;直接読書
ワークステーションGPUNVIDIA900-1G136-2530-000(ファウンダーズエディション)GeForce RTX 4090、24GB GDDR6X(FE)

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Zhang, J., Zhou, X., Su, J., Xiao, Y. An interpretable machine learning model for optimization of prediction index gases in coal spontaneous combustion. Alexandria Eng J. 122, 268-278 (2025).
  2. Wang, K., Huang, H., Deng, J., Zhang, Y., Wang, Q.

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

Reprints and Permissions

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

Request Permission

Tags

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

Related Articles