석탄 자발 연소 온도 예측에서 구조 최적화를 위한 깊이 통합 모델에 관한 연구

Summary

여기서는 SSA에 최적화된 CNN-LSTM-Attention 프레임워크를 사용하여 석탄 자발 발소 온도를 예측하는 프로토콜을 설명하는데, 이 프레임워크는 네트워크 구조와 매개변수를 자동으로 최적화하여 이기종 데이터셋과 다양한 채굴 조건 전반에 걸쳐 정확성, 적응성 및 일반화성을 향상시킵니다.

Abstract

여기서는 Sparrow Search Algorithm(SSA) 최적화된 합성곱 신경망(CNN)-장기 단기 기억(LSTM)-주의 프레임워크를 기반으로 한 석탄 자발 연소 온도 예측 프로토콜을 제안합니다. 이 프로토콜은 고정 네트워크 아키텍처의 한계, 제한된 일반화, 그리고 기존 방법에서 흔히 발생하는 낮은 전송 가능성을 해결합니다. 이 프레임워크는 CNN을 이용해 공간적 특징을 추출하고 LSTM 네트워크와의 시간적 의존성을 포착하며, 주의 메커니즘은 임계 온도 단계와 두드러진 특징을 강조합니다. SSA는 네트워크 깊이와 하이퍼파라미터를 공동으로 최적화하여 다양한 채굴 현장과 실험 조건에 따른 데이터 복잡성에 동적으로 적응할 수 있게 합니다. 이 프로토콜은 데이터 수집, 특징 전처리, 모델 구축, 매개변수 최적화, 검증 단계로 구성됩니다. 실험 결과는 제안된 모델이 동질적인 데이터셋에서 훨씬 높은 예측 정확도를 달성하고, 이기종 데이터셋 전반에 걸쳐 견고한 일반화 성능을 유지하여 실시간 석탄 온도 모니터링 및 조기 경보 시스템에 적합함을 보여줍니다.

Introduction

석탄은 여전히 중국 에너지 구조에서 지배적인 역할을 하고 있습니다. 하지만 저장, 운송, 채굴 과정에서 자발 가열이 발생해 자연 발화가 발생할 수 있습니다. 이로 인해 광산 화재가 발생하여 광산 안전과 노동자 생명을 심각하게 위협합니다 ^1,2,3,4. 따라서 석탄 광산 화재 위험과 온도 변화를 정확히 예측하는 것은 조기 경보와 재난 완화에 필수적입니다. 석탄 자발 온도 예측 방법은 초기 경험적 공식에서 실제 모니터링 데이터를 기반으로 한 분석 접근법으로 발전해 왔습니다 ^5,6,7. 초기 연구들은 주로 석탄 산화 열 방출 메커니즘을 모델링하기 위해 물리 모델과 화학 속도론 방정식에 의존했습니다. 그러나 모델 매개변수의 복잡성과 적용 가능성 제한으로 인해 실제 사용에는 상당한 한계가 있습니다 ^8,9,10. 지능형 알고리즘의 개발과 함께, 랜덤 포레스트(RF)¹¹과 인공 신경망(ANN)¹²와 같은 방법들이 점차 도입되어 비선형 매핑을 구축하여 예측 능력을 향상시키고 있습니다. 최근 몇 년간 딥러닝의 발전으로 석탄 자발 연소 온도를 예측하는 새로운 접근법이 생겼습니다. Wang 등은 음향 온도 측정 기술을 기반으로 한 탐지 ^{방법을 제안하}여, 다양한 조건에서 가스 방출을 분석하여 예비 임계값과 조기 경보 시스템을 설정하였습니다. 이 연구소는 느슨한 석탄의 온도를 측정하는 정교한 수학적 모델을 개발했다. 그래프 신경망(GNN)과 트랜스포머 아키텍처도 도입되었습니다. Pan 등^은 그래프 컨볼루션 네트워크(GCN)를 기반으로 한 석탄 자발 연소 온도 예측 모델을 제시했으며, 이는 가스 지표 간 상호작용을 통합하여 예측 정확도를 높이는 것입니다.

그러나 기존 방법들은 여전히 하이퍼파라미터 선택과 모델 일반화에서 한계를 두고 있습니다. 성능 향상을 위해 연구자들은 학습률과 배치 크기 같은 하이퍼파라미터를 조정하는 Sparrow Search Algorithm(SSA)과 같은 지능형 최적화 알고리즘을 도입했습니다. Wang 등은 SSA-CNN ^{모델을 제안했으며}, 이는 처음으로 군집 지능 알고리즘과 합성곱 신경망 구조를 결합한 것입니다. 이 접근법은 매개변수 최적화 효율을 높일 뿐만 아니라 석탄 자발 연소 데이터의 공간적 구조적 특징을 효과적으로 포착합니다. Long 등⁽¹⁵)과 Zou(Zou 등)은 각각 BO-Light Gradient-Boosting Machine(GBM)과 입자 군집 최적화-XGBoost(PSO-XGB)를 기반으로 석탄 자발연소 예측 모델을 제안했습니다. 두 모델 모두 탐색 전략을 최적화하여 수렴성과 정확도를 향상시켰으며, 석탄 자발 연소 예측 모델 최적화를 위한 새로운 접근법을 제시했습니다.

기존 연구들이 석탄 자발 연소 온도의 지능적 예측을 진전시켰지만, 대부분의 노력은 네트워크 아키텍처 수준에서의 개선 없이 모델 매개변수 최적화에 국한되어 왔습니다. 따라서 현재 모델들은 다음과 같은 한계를 보입니다: 첫째, 대부분은 정적 구조를 채택하는데, 네트워크 아키텍처(예: 합성곱 계층 수, LSTM 계층)와 주요 학습 매개변수(예: 학습률, 배치 크기)가 수동 설정 또는 초기 모델 구축 시 비례적으로 감소하여 학습 및 예측 내내 변하지 않아 데이터 복잡성에 동적으로 적응할 능력이 부족합니다. 둘째, 모델들은 일반적으로 다양한 시간대, 온도 범위, 가스 농도 척도와 같은 다양한 조건에 적응하는 메커니즘이 부족하여 다중 조건 예측의 요구를 충족하기 어렵습니다. 셋째, 이들의 일반화와 전이 가능성이 부족하여 서로 다른 지역 데이터셋에서 불안정하고 부정확한 예측을 낳습니다. 매개변수 수준에서 일부 개선이 이루어졌지만, 구조와 매개변수의 공동 동적 최적화가 없어 네트워크 구조 자체는 정적이어서 전반적인 성능 향상이 제한됩니다.

따라서 본 연구는 위의 과제를 해결하기 위해 석탄 자발 연소 온도 예측을 위한 유연하고 높은 정밀도의 모델을 개발하는 것을 목표로 합니다. 비교 실험을 통해 CNN-LSTM-Attention 아키텍처가 기본 모델로 선정되었습니다. 서로 다른 탄층에 대한 네트워크 깊이 요구사항을 반영하기 위해, 전통적인 정적 구조를 '구조 최적화' 접근법으로 대체합니다. 이 접근법에서는 합성곱(CNN) 및 반복(LSTM) 층의 수와 주요 학습 매개변수가 고정되지 않고 데이터 내 공간적·시간적 특징의 강도에 따라 동적으로 조정됩니다.

Protocol

1. 석탄 자발 연소 데이터 수집

1. 가스 공급 시스템, 온도 제어 장치, 가스 분석 기기를 포함한 공기형 석탄 프로그램 가열 산화 시스템을 조립합니다. 모든 연결이 고정되어 있고, 온도 제어 설정이 정확하며, 가스 크로마토그래프 및 기타 분석 장치가 완전히 교정되었는지 확인하세요.
2. 혼합 석탄 샘플 1000g(원래의 덩어리 형태 유지)을 무게 무게로 하고, 4분의 1 추출법으로 샘플을 완전히 균질화한 후 석탄 블록을 가열실 안에 고르게 배치합니다. 일정한 두께와 균일한 분포를 유지하여 고르게 가열되도록 하세요.
3. 공기 펌프를 작동시키고 유량계를 사용해 가열실로 100 mL/min의 안정적인 가스 흐름을 유지하도록 조절하세요. 유량 안정성을 ± mL/분 이내로 확인하세요.
4. 미리 설정된 온도 램프 프로그램에 따라 난방 시스템을 시작하며, 분당 1.0 °C의 속도로 200 °C까지 화로 온도를 점차 올립니다. 제어 소프트웨어를 사용해 실시간으로 온도 변화를 모니터링하여 가열 속도가 설계 사양을 충족하는지 확인하세요.
5. 석탄 샘플 근처에 설치된 온도 센서를 사용하여 온도 변화를 지속적으로 모니터링하고 기록하여 정확하고 중단되지 않는 데이터 수집을 보장합니다.
   참고: 프로그래밍된 가열 실험 동안, 실험이 완료될 때까지 보정된 온도 센서와 가스 분석기를 사용해 10초마다 온도와 가스 농도 데이터가 자동으로 기록되었습니다.
6. 가열 반응 중 생성된 가스를 가스 공급 시스템을 통해 가스 크로마토그래프로 운반합니다.
   1. 각 실험 전에 미리 정해진 간격(30초)에 자동 샘플링을 수행하여 산소, 일산화탄소, 이산화탄소 농도를 측정하고, GC 기준선 보정을 수행합니다.
   2. 30초 자동샘플링 동안 가스 크로마토그래프에 안정적인 공급을 보장하기 위해 100 mL/분(±2 mL/min)의 전송 라인 흐름을 유지하고, 질량 유량 조절기에 의해 조절됩니다.
7. 모델 학습 전에 표준화된 데이터 전처리 파이프라인을 적용하여 데이터 품질과 일관성을 보장합니다.
   1. 모든 특징을 평균과 단위 분산으로 정규화하여 규모 불일치를 제거하고 모델 수렴을 촉진합니다.
   2. 센서 잡음을 억제하고 시간적 추세를 안정화하기 위해 창 크기가 5인 이동평균 필터를 적용하여 시계열 데이터를 부드럽게 만듭니다. 누락값이 있다면 인접 관측값들의 평균을 사용하여 데이터셋의 완전성을 유지합니다.
   3. 더 나아가, z-점수 임계값 |z|를 사용하여 이상치를 식별합니다. > 3을 제거하여 모델의 견고성을 높이기 위해 후속 분석에서 제외합니다.
      참고: 이 실험은 83개의 석탄 샘플에서 데이터를 수집하여 산소, 일산화탄소, 이산화탄소, 메탄, 에탄, 에틸렌 등 가스의 농도를 석탄 온도와 비교하여 기록했습니다. 공기 방식 석탄 프로그래밍 가열 산화 시스템의 도식도는 그림 1에 나와 있습니다.

2. SSA 구조 최적화를 기반으로 한 CNN-LSTM 주의 모델 구축

1. CNN-LSTM-주의 모델의 구성
   1. 컨볼루션 신경망(CNN) 모듈을 구축하여 온도와 가스 농도의 입력 시퀀스에서 공간적 특징을 자동으로 추출합니다.
      1. 2-4개의 1차원 컨볼루션 레이어(stride = 1, padding = "same", 커널 크기 3-7)를 쌓습니다. 각 레이어 후에는 정규화(BatchNorm 또는 LayerNorm), ReLU 또는 GELU 활성화, 0.1-0.2 드롭아웃을 적용합니다. 선택적으로 첫 번째 또는 두 레이어에 MaxPooling1D (pool = 2)를 사용하여 노이징/다운샘플링을 하고, 마지막 레이어에서는 풀링을 피하여 시간 해상도를 유지할 수 있습니다.
      2. 1×1 컨볼루션을 사용해 채널 차원을 하류 LSTM이 예상하는 대로 투영하세요. 텐서를 3차원 '시간 × 채널' 형태로 유지(평평하지 않음)하고 LSTM에 직접 입력하세요 return_sequences=참; 설정 파일에서 기록 계층 수, 채널, 커널 크기, 풀링, 드롭아웃을 포함하여 SSA 검색 및 재현성을 가능하게 합니다.
   2. 최종 Conv1D 출력을 시간 순서가 정해진 특징 벡터 시퀀스로 간주하여 시간 축을 평탄화하지 않고 LSTM에 직접 입력하세요. 이전 풀링으로 시퀀스가 짧아졌다면, 줄어든 길이를 사용하세요; 채널 차원이 LSTM의 기대치와 일치하지 않을 경우, 정렬을 위해 1×1 합성곱 또는 선형 투영법을 적용합니다.
   3. LSTM을 64개의 숨겨진 단위로 구성하고, tanh 활성화와 return_sequences=참으로 각 시간 단계마다 표현을 유지합니다. 이 변환을 모델 구성 모듈에 구현하고, 입력/출력 텐서 형태와 주요 설정을 기록하여 재현성과 추적 가능성을 보장하고, 각 타임 단계마다 표현을 유지합니다. 이 변환을 모델 구성 모듈에 구현하고, 입력/출력 텐서 형태와 주요 설정을 기록하여 재현성과 추적 가능성을 보장합니다.
   4. LSTM 출력 직후 시간 주의 블록을 삽입하세요: 이 블록은 시간별 숨겨진 표현을 받아 단일 숨겨진 계층 투영법을 사용해 주의 가중 벡터를 생성합니다.
   5. 주의 계층의 구성에 직접 명시된 가중치-벡터 차원을 64로 설정하세요. 그 후 시간 축 전반에 걸쳐 가중치를 소프트맥스(softmax)로 정규화하여 각 시간 단계의 상대적 중요성을 얻습니다. 정규화된 가중치를 사용하여 맥락 벡터(가중 합)를 계산하고, 이 벡터는 수열 표현과 융합되어 회귀 헤드에 전달됩니다.
   6. 주의 모듈을 백본과 끝에서 끝까지 훈련시키고; 패딩이 존재한다면, 소프트맥스 전에 무효 단계를 무시하는 마스크를 적용하세요.
   7. 소작 실험의 경우, 데이터셋을 훈련(80%)과 테스트 세트(20%)로 시간 순서대로 나누고, 별도의 5중 교차 검증을 수행하여 제안된 모델의 전반적인 안정성과 일반화성을 평가합니다.
   8. 프로젝트 루트 디렉터리에서 훈련을 실행하고, 모든 상대 경로는 해당 루트에 고정됩니다. 10년 연속 에포크에서 검증 오류가 개선되지 않으면 훈련 중단과 최적 가중치가 ./checkpoints/best_model.h5에 저장되도록 조기 중단을 적용하세요.
   9. 과정을 기록하기 위해 CSV 로거는 에포크별 훈련/검증 손실과 주요 지표(에포흐, train_loss, val_loss, 메트릭, 타임스탬프 등과 같은 열)를 training_log.csv에 기록합니다. 검증이 개선될 때마다 최적의 모델 파일을 업데이트하여 재현성을 보장하고 후속 분석을 지원합니다.
      참고: CNN은 지역 연결성과 가중치 공유를 통해 입력 데이터에서 공간적 특징을 자동으로 추출합니다. 얕은 합성곱 커널은 미묘한 국소적 변이를 포착합니다. 공간적 특징은 산소와 일산화탄소 같은 다양한 기체의 농도 분포와 패턴으로 나타나며, 국부적 이상 현상과 농도 구배를 포함합니다. 이는 석탄 자발 연소 과정 중 기체의 공간적 상관관계를 반영하며, CNN은 이를^{효과적으로 식별할} 수 있습니다. CNN이 추출한 특징 시퀀스는 LSTM에 입력되며, LSTM은 게이팅 메커니즘을 통해 동적으로 시계열을 모델링합니다. 점진적인 온도 상승, 변동, 가스 농도의 급격한 변화와 같은 시간적 특징과 그 연속적 순서는 석탄 자발 연소 중 누적된 온도와 가스 반응을 반영합니다. LSTM은 이러한 패턴을 효과적으로 포착하여 예측 정확도와 모델 안정성을 향상시킵니다¹⁸. LSTM 출력 계층에서 각 시간 단계에서 특징에 가중치를 할당하는 주의 메커니즘이 도입됩니다. 이 방법은 석탄 자발 연소 온도의 중요한 단계에 집중하여 귀중한 정보를 강화하고 잡음을 억제하며 예측 성능을 향상시킵니다¹⁹ (그림 2).
2. SSA를 기반으로 한 모델 구조 최적화 방법 설계
   참고: 여기서 제안된 동적 최적화 전략은 모델 구조 설계와 하이퍼파라미터 최적화를 통합하며, 전반적으로 준비 단계, 변형 단계, 형식 훈련 단계로 나뉩니다. 이 방법은 구조 매개변수와 하이퍼파라미터의 협력적 조정을 달성하여, 모델이 구조적 유연성을 유지하면서 복잡한 작동 조건에 대한 성능과 적응성을 향상시킵니다.
   1. 준비 단계
      1. SSA 기반 탐색 전에 하이퍼파라미터/구조 탐색 공간을 4-튜플로 정의하자: x_i= L_cnn, L_lstm, L_r, batch_size, L_cnn(CNN 블록 수), L_lstm (스택된 LSTM 층의 수)은 정수 값으로 각각 {1,2,3,4}와 {1,2,3}에서 균일하게 샘플링된다.
      2. 옵티마이저는 실수 벡터를 제안하므로, 비정수 제안을 파이썬의 round() 규칙(짝수에 동점)을 사용해 가장 가까운 정수로 매핑한 후 [1,4] 또는 [1,3]로 클립합니다. 학습률 lr은 구간 [1 x ^10-2, 1 x ^10-1]에서 로그 균일하게 그립니다. 범위 밖의 제안을 가장 가까운 경계로 고정하세요. batch_size {32, 64, 96, 128}에서 나온 이산 선택입니다.
      3. 별도 명시가 없는 한, 이 준비 단계에서 교차 매개변수 제약을 부과하지 마십시오. 재현성을 위해 Python, NumPy, 딥러닝 프레임워크, 환경 변수 PYTHONHASHSEED에 공통 무작위 시드(42)를 적용합니다.
      4. SSA 검색을 모집구 30으로 초기화하고 80회 반복 실행합니다.
         참고: 이 설정들과 위의 반올림/클리핑 규칙은 이후 모든 실험에서 사용되는 탐색 공간의 준비를 정의했습니다.
   2. 변형 단계
      1. 초기 매개변수 집합을 무작위로 생성하는데, C _{1,L 1,I 1,b 1}로 표기합니다. 네트워크를 학습하기 전에 정수 차원을 가장 가까운 정수로 반올림하고 모든 값을 그 경계로 클립합니다.
      2. 단일 훈련/검증 실행을 사용하여 적합도로서 검증 평균 제곱 오차(MSE)를 계산합니다; 현재 결과를 기록하고 저장하세요.
      3. 위치를 업데이트하여 새로운 매개변수 조합 C_{2,L 2,I 2,b 2}를 생성합니다. 단일 훈련 반복을 실행하고 저장된 값과 적합도를 비교하세요.
      4. 새로운 조합이 이전 것보다 더 좋은 성능을 보인다면 원래 결과를 교체하고 현재 위치를 C_{2,L 2,I 2,b 2}로 설정하세요. 만약 성과가 떨어진다면, 기존 기업을 유지하면서 비효율적인 조합을 반복적으로 선택하는 것을 피하도록 마커를 설정하세요.
      5. 2.2.2.2-2.2.4 단계를 여러 번 반복하여 추가 개선이 관찰되지 않을 때까지 반복하여 최적의 조합 C_{n,L n,I n,b n}을 얻습니다.
      6. 최종 구조 매개변수로 C_n,L n,I_{n,b n}을 저장하고, 정식 교육을 시작하세요.
   3. 훈련 단계
      참고: 적합도가 가장 좋은 CNN 및 LSTM 계층 카운트가 최종 네트워크 구성으로 선택되어 테스트 세트에서 전체 훈련 및 평가를 수행합니다(그림 3).
      1. 모델 구조와 하이퍼파라미터에 대한 검색 범위를 설정하세요. 여기에는 2-6개의 CNN 레이어, 1-4개의 LSTM 레이어, 학습률 범위는 1× ^10-5에서 1× ^10-2, 배치 크기는 32, 64, 또는 128이며, 최대 100개의 훈련 에포크가 포함됩니다. SSA 반복 과정에서 이 매개변수들을 함께 최적화하세요.
      2. 참새 탐색 알고리즘(SSA) 집단을 초기화하려면 집단 크기를 30으로 하고 최대 반복 횟수를 100으로 설정합니다. 각 개체가 CNN 깊이, LSTM 깊이, 학습률, 배치 크기 등 후보 모델 구성을 대표하는지 확인하세요.
      3. 각 반복에서 SSA 개체군을 발견자(20%), 추종자(70%), 센티넬(10%)으로 나누어 나누세요. SSA 위치 업데이트 규칙에 따르면, 발견자는 글로벌 탐색을 수행하고, 팔로워는 로컬 착취를 수행하며, 센티넬은 알고리즘이 로컬 최적채에 갇히지 않도록 방지합니다. 각 반복 후 모든 개체의 위치 벡터를 업데이트합니다.
      4. 검증 집합의 평균 제곱 오차(MSE)를 적합도 함수로 사용하여 각 후보 모델의 예측 성능을 평가합니다. 적합도 값을 기반으로 탐색 방향을 동적으로 조정하여 SSA가 점차 최적의 구조와 하이퍼파라미터 구성으로 수렴할 수 있도록 합니다.
      5. SSA 반복을 완료한 후에는 최적의 CNN 깊이, LSTM 깊이, 학습률, 배치 크기를 출력합니다. 이 최적 매개변수를 사용해 전체 학습 세트에서 모델을 재학습시키고, 최종 학습된 모델 가중치를 final_model.h5"로 저장합니다.
         참고: 최적화 알고리즘은^{산업 분야에서 널리} 적용^{되며, 생산} 일정²², 품질 관리²³, 장비 유지보수²⁴, 자원 배분²⁵, 공정 매개변수 최적화²⁶ 등에서 널리 사용됩니다. 본 연구에서 채택된 참새 탐색 알고리즘(SSA)은 참새 개체군의 먹이 행동을 시뮬레이션하는 지능형 최적화 알고리즘입니다. 발견자, 팔로워, 센티넬의 협력적 메커니즘을 통해 효율적인 최적화를 달성합니다²⁷. 알고리즘은 집단 내 가장 우수한 개체를 전 지구 탐색을 수행할 발견자로 지정하고, 나머지 개체들은 지역 착취를 수행하는 추종자로 행동하며, 센티넬은 지역 최적점²⁸을 피하도록 설정됩니다. SSA는 탐색과 활용 능력을 균형 있게 맞추기 위한 적응형 전략을 사용하며, 빠른 수렴 속도와 간단한^{매개변수 설정을 특징}으로 합니다. 본 논문에서 제안된 석탄 자발 연소 온도 예측 모델에서 SSA는 "구조 최적화" 개념의 핵심 방법으로 기능하며, CNN-LSTM-Attention 모델 아키텍처와 주요 하이퍼파라미터를 자동으로 최적화하여 이기종 데이터셋 전반에 걸쳐 예측 정확도와 일반화를 향상시킵니다.

3. 모델 검증 및 전이 가능성 평가

1. 모델 효과성 검증
   1. 석탄 자발 연소 실험 데이터를 사용하여 CNN, LSTM, Attention 모듈의 개별 기여도를 검증하기 위한 소작 실험을 설계합니다. 재현성을 보장하기 위해 고정된 무작위 시드인 42개를 사용해 데이터셋을 무작위로 나누어 학습(80%)과 테스트 세트(20%)로 나눕니다.
      참고: NVIDIA RTX 4090 GPU가 장착된 워크스테이션을 사용하고, 모든 실험은 Python 3.8과 TensorFlow 2.6으로 진행하세요(개발 IDE 정보는 재료표에 표에 나와 있습니다).
   2. 목적 함수를 평균 제곱 오차(MSE)로 설정하고, 개선된 참새 탐색 알고리즘(SSA)을 적용하여 네트워크 깊이, 학습률, 배치 크기 등 CNN-LSTM-Attention 아키텍처의 주요 하이퍼파라미터를 공동 최적화합니다. 공정성을 보장하기 위해 동일한 학습 시기, 학습률, 배치 크기를 사용하여 동일한 데이터셋에서 모든 기준 모델을 훈련시키고, 동일한 테스트 세트에서 평가합니다.
   3. 고정된 CNN-LSTM-주의 모델 구조를 기반으로 하며, 유전 알고리즘(GA), 회색 늑대 최적화(GWO), 입자 군집 최적화(PSO), 고래 최적화 알고리즘(WOA), 참새 탐색 알고리즘(SSA)이라는 다섯 가지 고전적 매개변수 최적화 방법을 사용하여 모델을 최적화하고, 이후 구조 최적화를 통합하는 포괄적인 평가를 수행합니다.
   4. 테스트 세트의 각 모델별 성능 지표를 계산하고 비교 차트를 사용해 결과를 시각화하세요.
      1. 소작 연구(표 1), 7개 모델의 예측 성능(표 2), 최적화 알고리즘의 비교 성능(표 3)을 보고합니다.
      2. 그림의 경우, 관측값과 예측 모델을 그래프로 그리고, 범례 라벨을 "예측됨"과 "측정됨"으로 설정하세요. 모든 도형에서 일관된 글꼴, 색상 구성, 축 단위를 유지하세요. 표의 경우, 서체, 열 순서, 단위, 소수점 위치를 일관되게 유지하세요.
2. 모델 전도 가능성 검증
   1. 전송 검증 데이터셋 구성
      1. 6개 광산 현장에서 83개의 석탄 샘플을 포함한 전송-검증 데이터셋을 사용하며, 총 12,450개의 온도-가스 특징 기록을 포함합니다. 각 현장별로 데이터를 훈련(80%)과 시험(20%)으로 나누어 다양한 지질학적 조건에 걸쳐 균형 있게 대표합니다.
         참고: "구조 최적화"가 모델의 일반화 성능에 미치는 영향을 평가하기 위해, 본 연구는 여러 채굴 현장과 다양한 지질 조건을 포함하는 포괄적인 석탄 자발 연소 온도 특징 데이터셋을 구축하였습니다. 이 데이터셋은 칭롱 광산(거의 수평 탄층), 샤오지 한광산(두꺼운 탄층), 장지아마오 광산(얕은 매설 탄층) 등 대표 광산의 현장 모니터링 데이터와, 4번 탄층(휘발성 함량이 높음), 위안디안 2 탄층 72층(복합 지붕) 등 다양한 지질 조건 하에서의 I-II급 자화가 쉬운 탄층의 실험 데이터를 통합합니다. 홍칭량 광산(산화 특성)이 있습니다.
   2. 크로스 마인 데이터셋 이질성 분석
      1. 광산별 총합 기록은 CO,_{CO 2, CH 4}, C₂H₆, C₂H₄, 석탄 온도에 대한 것입니다; 제 ID와 타임스탬프는 유지하세요.
      2. 단위 조화(ppm 또는 %)와 타임스탬프 정렬; 2.1단계에서 명시된 누락 값을 처리합니다.
      3. 광산× 각 변수별로 min, Q1, median, Q3, max, IQR을 계산합니다; 1.5×IQR 규칙에 따라 이상치를 표시하세요.
      4. Q3와 최대값의 접힘 차이를 계산하여 광산 간 이질성을 정량화합니다; 특히 CO/_CO2 ≈ 두 자릿수 차이의 사례를 강조합니다.
      5. 광산별 박스 앤 위스커 차트 그래프 작성(변수당 한 패널; 변수별 공통 y축; 이상치를 점으로 표시; 사분위수 라벨).
      6. 그림 4로 내보내기.
      7. 실험실 데이터셋에서 XGBoost, BP, TCN, Transformer 등 네 개의 우수한 성능을 가진 모델을 선택하여 제안된 모델의 전이 가능성을 검증합니다.

Results

모델 안정성은 네 개의 독립 데이터셋을 사용하여 검증되었으며, 서로 다른 지질 조건에서 일관된 예측 성능을 입증하였습니다. 이 절에서는 석탄 자발 실험과 제안된 SSA-CNN-LSTM-Attention 모델의 대표적인 결과와 성능 평가를 제시합니다. 첫째, 프로그래밍된 가열 산화 실험 중 수집된 여러 가스 지표의 변동을 분석하여 서로 다른 온도 단계에 따른 가스 농도의 동적 패턴을 밝혀낸다. 결과는 네 부분으로 구성되어 있습니다: (1) CNN, LSTM, 주의, SSA 구성 요소가 모델 성능에 기여하는 바를 평가하는 데 사용되는 절제 실험; (2) 제안된 방법을 BP, XGBoost, Transformer, GCN, TCN-GCN과 비교하여 일관된 훈련 환경에서 적합 정확도와 오차 분포를 분석하는 모델 비교 실험; (3) GA, GWO, PSO, WOA, SSA의 파라미터 및 구조 최적화 전략 모두에서 성능을 평가하는 최적화 알고리즘 비교 실험; 그리고 (4) 전도 가...

Discussion

온전한 석탄 블록을 사용하세요; 샘플링 후에는 표면 세척만 수행하고, 장기간 노출을 방지하기 위해 즉시 이중 밀봉을 하십시오. 가스 라인을 누설 방지 장치로 일정 유량 제어(MFC)로 유지하고, 프로토콜에 명시된 대로 프로그래밍된 가열을 정확히 실행하며, 인증된 표준으로 GC를 교정하세요. 온도 및 가스 신호를 일정 간격으로 획득하고 타임스탬프를 동기화합니다(프로토콜 참조). 계산 관점에서 환경(운영체제, 파이썬, 딥러닝 프레임워크, CUDA 등)을 수정하고 기록하며, 무작위 시드와 결정론적 옵션을 설정하고, 의존성을 잠가야 합니다. 채굴 현장별로 층별로 고정된 분할을 사용하세요; 훈련 세트에만 전처리를 적용하고 테스트 세트에 변경 없이 적용; 통일된 교육 및 평가 절차를 따르세요. 이 점들을 준수하면 단계화된 O₂/CO/CO₂/CH₄ 신호가 보존되고, 결과의 재현성과 전이 가능성이 향상됩니다.

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
6포트 2단계 가스 샘플링 밸브 및 범용 액추에이터	VICI 발코	EUDA-2C6UWT	1/16인치 피팅; 0.75 mm 포트; RS-232; 2인치 스탠드오프
알루미나 샘플 보트	MTI 코퍼레이션	EQ-CA-L50W40H20	>99.5% Al2O3; 50시간 이상; 40시간 이상; 20mm
크로마토그래피 소프트웨어	애질런트 테크놀로지스	오픈랩 CDS	데이터 수집/처리
석탄 샘플(현장 채취)	내부 수집/현장 수집	해당 없음	출처는 Methods에 상세히 나와 있습니다.
CUDA / cuDNN	엔비디아	https://developer.nvidia.com/cuda-zone	CUDA 11.x; 일치하는 cuDNN
DAQ 메인프레임	키사이트	DAQ970A	6½-숫자 DMM; USB/LAN
건조제(가리키)	W.A. 해먼드 드라이어라이트	23001	황산칼슘; 8 메쉬; 1파운드
다이어프램 공기 펌프	KNF	https://www.knf.com	지속적인 공기 공급; 조절 가능한 유량
프랑스 백작 가운	불워크	KEL2 (시리즈)	NFPA 2112 준수
가스 크로마토그래프	애질런트 테크놀로지스	G3540A (8890 GC 시스템)	GC 시스템; EPC; 최대 2개의 인렛 / 4개의 검출기
내열 장갑	앤셀	43-113	간헐적으로 ~350 & deg까지; C
고순도 공기	에어 리퀴드 / 에어가스	https://www.airgas.com/solutions/specialty-gases/pure-gases/alphagaz	≥ 99.99% 순도
IDE	JetBrains / 마이크로소프트	https://www.jetbrains.com/pycharm/ ; https://code.visualstudio.com/download	파이참 / VS 코드
인라인 필터	스바겔록	https://www.swagelok.com/downloads/webcatalogs/en/ms-01-92.pdf	소결 SS 요소 0.5 & ndash; 15 & 마이크로; m
K형 열전대	오메가	https://www.omega.com	타입 K (NiCr– 니시)
질량 유량 조절기 (0– 200 SCCM)	알리캇 사이언티브	MC-200SCCM-D	MC 시리즈; ± (0.8% RDG + 0.2% FS)
다성분 교정 가스	메서	https://specialtygases.messergroup.com/standard-gas-mixtures	맞춤 집중; 증명서
운영 체제	마이크로소프트	https://www.microsoft.com/en-us/software-download/windows11	윈도우 11
운영 체제	정경	https://ubuntu.com/download/desktop	Ubuntu LTS (22.04/24.04)
PTFE/PFA 튜빙	스바겔록	https://products.swagelok.com/en/all-products/hoses-flexible-tubing/ptfe-pfa-core-hose/c/716?clp=true	화학적으로 저항성이 있습니다; 1/16– 1/4인치 오디언
파이썬	파이썬 소프트웨어 재단	https://www.python.org/downloads/	버전 3.8
쿼츠 샘플 보트	MTI 코퍼레이션	EQ-QB-1017 (예시 크기)	~1200 & deg; C 작업 온도
안전 고글	3M	93506P1-DC (예시)	화학 튀김; 안개 방지 옵션
스테인리스 스틸 이음새 없는 튜빙	스바겔록	https://www.swagelok.com/downloads/webcatalogs/en/ms-01-181.pdf	316/316L; 1/16– 1/4인치 오디언
스테인리스 스틸 튜브 피팅 및 페룰	스바겔록	https://products.swagelok.com/en/all-products/fittings/tube-fittings-adapters/c/154?clp=true	316/316L; 더블 페룰
온도 조절기	유로더름	3216	단일 루프 PID; 프로그래밍 가능한 경보/경보
텐서플로우	구글	https://www.tensorflow.org	버전 2.6
USB 열전쌍 모듈	NI (내셔널 인스트루먼트)	781314-01 (USB-TC01)	K/J/T; 로깅 소프트웨어
가변 면적 유량계 (비시-플로트)	드와이어 인스트루먼츠	VFA-2-EC-SS (0.2 & ndash; 2 SCFH 항공)	저유량 범위; 직접 읽기
워크스테이션 GPU	엔비디아	900-1G136-2530-000 (파운더스 에디션)	GeForce RTX 4090, 24GB GDDR6X (FE)