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

Summary

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

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

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。インテリジェントアルゴリズムの開発に伴い、ランダムフォレスト(RF)¹¹や人工ニューラルネットワーク(ANN)¹²などの手法が徐々に導入され、非線形マッピングを構築することで予測能力を向上させています。近年、深層学習の進歩により、石炭の自発燃焼温度を予測する新たな手法が生まれました。Wangらは、音響温度測定技術に基づく検出方法^を提案し、さまざまな条件下でのガス排出を解析して予備的な閾値と早期警戒システムを確立しました。同社は緩い石炭の温度を測定するための洗練された数学モデルを開発しました。グラフニューラルネットワーク(GNN)やトランスフォーマーアーキテクチャも導入されています。Panらはグラフ畳み込みネットワーク(GCN)に基づく石炭自発燃焼温度予測^{モデルを提示}し、ガス指標間の相互作用を取り入れてより高い予測精度を実現しました。

しかし、既存の手法は依然としてハイパーパラメータ選択やモデルの一般化に制約があります。性能向上のため、研究者たちはSparrow Search Algorithm(SSA)などのインテリジェントな最適化アルゴリズムを導入し、学習率やバッチサイズなどのハイパーパラメータを調整しています。Wangら¹⁴ は、初めて群知能アルゴリズムと畳み込みニューラルネットワーク構造を統合したSSA-CNNモデルを提案しました。この手法はパラメータ最適化効率を向上させるだけでなく、石炭自発燃データの空間構造的特徴を効果的に捉えます。Longら¹⁵ 、Zouら¹⁶はそれぞれBO-Light Gradient-Boosting Machine(GBM)および粒子群最適化-XGBoost(PSO-XGB)に基づく石炭自発燃焼予測モデルを提案しました。両モデルは探索戦略を最適化することで収束性と精度を向上させ、石炭自発燃予測モデルの最適化に新たなアプローチを提供しました。

既存の研究は石炭の自発燃熱温度のインテリジェント予測を進展させていますが、ほとんどの努力はネットワークアーキテクチャレベルでの改善なしにモデルパラメータの最適化に限定されています。したがって、現在のモデルには以下の制約が一般的にあります。第一に、多くは静的構造を採用しており、ネットワークアーキテクチャ(例:畳み込み層数、LSTM層)や主要な訓練パラメータ(学習率、バッチサイズなど)が手動で設定されるか、初期モデル構築時に比例して減衰させられ、訓練や予測中は変わらないまま、データの複雑さに動的に適応する能力が欠けています。第二に、モデルには異なる時間帯、温度範囲、ガス濃度スケールなど、さまざまな条件に適応的に調整する仕組みが一般的に不足しており、多条件予測の要求を満たすのが困難です。第三に、それらの一般化や移転性が不十分であり、異なる地域データセット間で不安定かつ不正確な予測結果を生み出しています。パラメータレベルではいくつかの改善が達成されていますが、構造とパラメータの共同動的最適化がなければネットワーク構造自体は静的であり、全体的な性能向上が制限されています。

したがって、本研究は上記の課題に対応するため、柔軟かつ高精度な石炭自発燃焼温度予測モデルの開発を目指しています。比較実験の結果、CNN-LSTM-Attentionアーキテクチャがベースモデルとして選ばれました。異なる石炭層のネットワーク深度要件に対応するため、従来の静的構造は「構造最適化」アプローチに置き換えられています。このアプローチでは、畳み込み(CNN)層と再帰層(LSTM)の数、そして主要な訓練パラメータは固定されておらず、データ内の空間的・時間的特徴の強さに応じて動的に調整されます。

Protocol

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。
6. 加熱反応中に発生したガスをガス供給システムを通じてガスクロマトグラフへ輸送します。
   1. あらかじめ定められた間隔(30秒)で自動サンプリングを行い、酸素、一酸化炭素、二酸化炭素の濃度を測定し、各実験前にGCベースライン校正を行います。
   2. トランスファーライン流量を100 mL/min(±2 mL/min)に維持し、チャンバーの流出量に合わせて質量流量コントローラーによって調整することで、30秒のオートサンプリング中にガスクロマトグラフへの安定した供給を確保します。
7. モデルトレーニングの前に、データの品質と一貫性を確保するために標準化されたデータ前処理パイプラインを適用してください。
   1. すべての特徴をゼロ平均および単位分散に正規化し、スケールの不一致を排除し、モデルの収束を促進します。
   2. センサーノイズを抑制し時間的傾向を安定化させるために、ウィンドウサイズ5の移動平均フィルターを適用して時系列データを平滑化します。欠損値は存在する場合は、隣接する観測値の平均を用いてデータセットの完全性を保ちます。
   3. さらに、zスコア閾値を|z|3>し、モデルの堅牢性を高めるために後続解析から除外します。
      注:この実験は83の石炭サンプルからデータを収集し、酸素、一酸化炭素、二酸化炭素、メタン、エタン、エチレンなどのガスの濃度を石炭温度との関係で記録しました。空気型石炭プログラム加熱酸化システムの回路図は 図1に示されています。

2. SSA構造最適化に基づくCNN-LSTM注意モデルの構築

1. CNN-LSTM-注意モデルの構築
   1. 畳み込みニューラルネットワーク(CNN)モジュールを構築し、温度と気体濃度の入力列から空間的特徴を自動的に抽出します。
      1. 2〜4個の1次元畳み込みレイヤー(stride = 1、padding = 「same」、カーネルサイズ3-7)を積みます。各レイヤーの後に正規化(BatchNormまたはLayerNorm)、ReLUまたはGELUの活性化、0.1-0.2ドロップアウトを適用します。オプションで、最初の1層または2層でMaxPooling1D(pool = 2)をノイズ除去やダウンサンプリングに使い、時間的解像度を保つために最終層ではプーリングを避けることができます。
      2. 1×1畳み込みを使って、チャネル次元を下流のLSTMが期待する方向に投影します。テンソルは3次元の「時間×チャネル」形状(平坦化せず)に保ち、return_sequences=Trueで直接LSTMに送ります。設定ファイル内でレイヤー数、チャネル数、カーネルサイズ、プーリング、ドロップアウトを記録し、SSAの検索と再現性を可能にします。
   2. 最終的なConv1D出力を時間順序付けの特徴ベクトル列として扱い、時間軸を平坦化せずに保持し、直接LSTMに入力します。もし以前のプーリングでシーケンスが短縮されていた場合は、短縮された長さを使い、チャネル次元がLSTMの期待値と一致しない場合は、アラインメントのために1×1畳み込みまたは線形投影を適用します。
   3. LSTMを64個の隠単位、tanhの有効化、return_sequences=Trueで構成し、各タイムステップでの表現を保持します。この変換をモデル構築モジュールに実装し、入力/出力テンソル形状およびキー設定をログ記録することで再現性とトレーサビリティを確保し、各タイムステップでの表現を保持します。この変換をモデル構築モジュールに実装し、入力/出力テンソル形状およびキー設定をログに記録して再現性とトレーサビリティを確保します。
   4. LSTMの出力直後に時間的注意ブロックを挿入します。このブロックは時間ステップごとの隠れた表現を取り、単一隠れ層射影を用いて注意重みベクトルを生成します。
   5. 重みベクトル次元を注意層の設定で直接指定した64に設定します。次に、時間軸の重みをソフトマックスで正規化し、各タイムステップの相対的重要性を得ます。正規化された重みを用いてコンテキストベクトル(重み付き和)を計算し、これを数列表現と融合させて回帰ヘッドに送ります。
   6. 注意モジュールをバックボーンと端から端までトレーニングします。パディングがある場合は、Softmaxの前にマスクを適用して無効なステップを無視してください。
   7. アブレーション実験のみでは、データセットをトレーニング(80%)とテストセット(20%)に年代順に分割し、提案モデルの全体的な安定性と一般化を評価するために別途5分割のクロスバリデーションを実施します。
   8. プロジェクトのルートディレクトリからトレーニングを実行し、すべての相関パスをそのルートにアンカーします。検証エラーが10回連続で改善しない場合は、トレーニングが停止し、最良重みが./checkpoints/best_model.h5に保存されるように早期停止を適用します。
   9. プロセスを記録するために、CSVロガーはエポックごとのトレーニング/検証損失と主要な指標(エポック、train_loss、val_loss、メトリクス、タイムスタンプなどの列)をtraining_log.csvに書き込みます。検証が改善された際には最良のモデルファイルを更新し、再現性を確保し、その後の解析を支援します。
      注:CNNは局所的な接続性と重み共有を通じて、入力データから空間特徴を自動的に抽出します。浅い畳み込み核は微妙な局所的変動を捉えます。空間的特徴は、同時に異なる気体(酸素や一酸化炭素など)の濃度分布やパターン、局所的な異常や濃度勾配などとして現れます。これらは石炭自発燃焼過程中のガスの空間的相関を反映しており、CNNはこれを^{効果的に特定できます}。CNNによって抽出された特徴列はLSTMに入力され、LSTMはゲーティング機構を通じて時系列を動的にモデル化します。温度の徐々の上昇、変動、ガス濃度の急激な変化といった時間的特徴や、それらの順序は石炭自発燃時の累積温度とガス反応を反映しています。LSTMはこれらのパターンを効果的に捉え、予測精度とモデルの安定性を高めます¹⁸。LSTM出力層には注意機構が導入され、各タイムステップで特徴に重みを割り当てます。これは石炭の自発燃熱の重要な段階に焦点を当て、貴重な情報を強化し、ノイズを抑制し、^{予測性能を向上させ} ます(図2)。
2. SSAに基づくモデル構造最適化手法の設計
   注:ここで提案する動的最適化戦略は、モデル構造設計とハイパーパラメータ最適化を統合しており、全体として準備段階、変形段階、形式訓練段階に分かれています。この手法は構造パラメータやハイパーパラメータの協同調整を実現し、モデルは構造の柔軟性を維持しつつ、複雑な運転条件への性能と適応性を向上させます。
   1. 準備段階
      1. SSAベースの探索の前に、ハイパーパラメータ/構造探索空間を4組の組として定義します:x_i= L_cnn、 L_lstm、 L_r、batch_size、 L_cnn(CNNブロック数)、 L_lstm (積み重ねられたLSTM層数)は整数値で、それぞれ{1,2,3,4}と{1,2,3}から一様にサンプリングされます。
      2. 最適化器は実数値ベクトルを提案するため、非整数提案はPythonのround()ルール(ties-to-even)を用いて最も近い整数に写し、その後[1,4]または[1,3]にクリップします。学習率を lrは区間 [1 × ^10-2, 1 × ^10-1] から対数一様に描きます。範囲外の提案は最寄りの境界にクリップします。batch_size {32, 64, 96, 128} からの離散的な選択です。
      3. 特に明記がない限り、この準備段階ではパラメータ間の制約を課さないでください。再現性のために、Python、NumPy、ディープラーニングフレームワーク、環境変数PYTHONHASHSEEDに共通のランダムシード(42)を適用します。
      4. SSA検索を母集団30で初期化し、80回の反復を実行します。
         注:これらの設定と上記の丸め/クリッピングルールは、以降のすべての実験で使用される探索空間の準備を定義しました。
   2. 変形相
      1. 初期パラメータセットをランダムに生成し、C _{1,L 1,I 1,b 1}と表します。ネットワークを訓練する前に、整数次元を最も近い整数に丸め、すべての値をその境界にクリップします。
      2. 単一のトレーニング/検証ランで妥度度を計算するために、検証平均二乗誤差(MSE)を計算します。現在の結果を記録して保存します。
      3. 位置を更新して新しいパラメータの組み合わせC_{2,L 2,I 2,b 2}を生成します。単一のトレーニング反復を実行し、その適合度と保存値を比較します。
      4. 新しい組み合わせが前の組み合わせより良好な結果を出した場合は、元の結果を差し替え、現在の位置をC_2,L 2,I_{2,b 2}に設定します。もし成績が悪ければ、既存の候補者を残しながら効果のない組み合わせを繰り返し選ばないようにマーカーを設定しましょう。
      5. ステップ2.2.2.2-2.2.4を複数回繰り返し、さらなる改善が見られないまで繰り返し、最適な組み合わせC_{n,L n,I n,b n}を得ます。
      6. 最終的な構造パラメータとしてC n,L_{n,I n,b n}を保存し、正式なトレーニングを開始します。
   3. 訓練段階
      注:最適な適応度のCNN層およびLSTM層のカウントが、テストセットでの完全なトレーニングと評価のための最終ネットワーク構成として選ばれます(図3)。
      1. モデル構造やハイパーパラメータの検索範囲を設定し、2〜6層のCNN層、1〜4層のLSTM層、学習率の範囲は1× 10^〜5から1× 10^〜2、バッチサイズは32、64、または128、最大100の訓練エポックを含む。これらのパラメータはSSAの反復中に共同で最適化します。
      2. スパローサーチアルゴリズム(SSA)の集団を初期化するには、集団サイズを30に、最大反復回数を100に設定します。各個体がCNN深度、LSTM深度、学習率、バッチサイズなどの候補モデル構成を表していることを確認しましょう。
      3. 各イテレーションでは、SSAの人口をディスカバラー(20%)、フォロワー(70%)、センチネル(10%)に分けます。SSAの位置更新ルールによれば、ディスカバラーはグローバル探索を行い、フォロワーは局所的な活用を行い、センチネルはアルゴリズムが局所最適に閉じ込められるのを防ぎます。各反復後にすべての個体の位置ベクトルを更新します。
      4. 検証セットの平均二乗誤差(MSE)を適応度関数として用い、各候補モデルの予測性能を評価します。適応度値に基づいて探索方向を動的に調整し、SSAが徐々に最適な構造とハイパーパラメータ構成に収束できるようにします。
      5. SSAの反復を完了した後、最適なCNN深度、LSTM深度、学習率、バッチサイズを出力します。これらの最適パラメータを使って完全なトレーニングセットでモデルを再学習させ、最終的なトレーニング済みモデルの重みをfinal_model.h5"に保存します。
         注:最適化アルゴリズムは^{産業分野で広く}適用されており^、生産スケジューリング²²、品質管理²³、設備メンテナンス²⁴、資源配分²⁵、プロセスパラメータ最適化²⁶などで広く用いられています。本研究で採用されたスズメ探索アルゴリズム(SSA)は、スズメの個体群の採餌行動をシミュレートするインテリジェント最適化アルゴリズムです。発見者、フォロワー、センチネルの協働メカニズムを通じて効率的な最適化^{を実現します。}アルゴリズムは、集団内で最良の個体を発見者として指定し、グローバルな探査を行い、残りの個体は局所的な利用を行うフォロワーとして行動し、センチネルは局所最適²⁸を避けるように設定されます。SSAは探索と活用能力のバランスを取る適応戦略を採用しており、高速収束速度とシンプルな^{パラメータ設定を}特徴としています。本論文で提案された石炭自発燃焼温度予測モデルにおいて、SSAは「構造最適化」概念の中核手法として機能し、CNN-LSTM-Attentionモデルアーキテクチャと主要なハイパーパラメータを自動的に最適化して、異種なデータセット間での予測精度と一般化を高めます。

3. モデル検証と移転可能性評価

1. モデルの有効性検証
   1. CNN、LSTM、Attentionモジュールの個別の貢献を検証するために、石炭自発燃実験データを用いてアブレーション実験を設計します。データセットをランダムにトレーニング(80%)とテストセット(20%)に分割し、固定されたランダムシード42を用いて再現性を確保します。
      注意:NVIDIA RTX 4090 GPUを搭載したワークステーションを使用し、すべての実験はPython 3.8とTensorFlow 2.6で実行してください(開発IDE情報は 材料表に記載されています)。
   2. 目的関数を平均二乗誤差(MSE)に設定し、改良版スパローサーチアルゴリズム(SSA)を適用して、CNN-LSTM-Attentionアーキテクチャのネットワーク深度、学習率、バッチサイズなどの主要なハイパーパラメータを共同で最適化します。公平性を確保するために、すべてのベースラインモデルを同じデータセット上で同一の訓練時期、学習率、バッチサイズで訓練し、同じテストセットで評価します。
   3. 固定されたCNN-LSTM-Attentionモデル構造に基づき、5つの古典的なパラメータ最適化手法—遺伝的アルゴリズム(GA)、グレイウルフ最適化(GWO)、パーティクルスウォーム最適化(PSO)、クジラ最適化アルゴリズム(WOA)、スパローサーチアルゴリズム(SSA)—を用いてモデルを最適化し、その後構造最適化を統合した包括的な評価を行います。
   4. テストセット上の各モデルの性能指標を計算し、比較チャートを使って結果を可視化します。
      1. アブレーション研究(表1)、7つのモデルの予測性能(表2)、および最適化アルゴリズムの比較性能(表3)を報告します。
      2. 図については、観測値に対して予測をプロットし、凡例ラベルを「予測済み」と「測定済み」に設定します。すべての図形でフォント、カラースキーム、軸単位が一貫していることを確認しましょう。表については、書体、列の順序、単位、小数点の順位を一貫させてください。

Results

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ットに対するモデルの予測精度と安定性の検証。すべての結果はプロトコル...

Discussion

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 ...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
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-2C6UWT	1/16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 / cuDNN	NVIDIA	https://developer.nvidia.com/cuda-zone	CUDA 11.x;マッチングcuDNN
DAQメインフレーム	キーサイト	DAQ970A	6½-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	KNF	https://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/download	PyCharm / 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-D	MC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/windows11	Windows 11
オペレーティング システム	正典	https://ubuntu.com/download/desktop	Ubuntu 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.pdf	316/316L;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=true	316/316L;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GPU	NVIDIA	900-1G136-2530-000(ファウンダーズエディション)	GeForce RTX 4090、24GB GDDR6X(FE)