Method Article

Onderzoek naar een diep geïntegreerd model voor structurele optimalisatie bij het voorspellen van spontane verbrandingstemperatuur van kolen

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

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

Hier beschrijven we een protocol voor het voorspellen van de temperatuur van spontane verbranding van steenkool met behulp van een door SSA geoptimaliseerd CNN-LSTM-Attention-kader dat automatisch de netwerkstructuur en parameters optimaliseert, waardoor de nauwkeurigheid, aanpassingsvermogen en generalisatie over heterogene datasets en uiteenlopende mijnbouwomstandigheden worden verbeterd.

Abstract

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

Hier stellen we een protocol voor voor het voorspellen van spontane verbrandingstemperatuur van kolen, gebaseerd op een door het Sparrow Search Algorithm (SSA)-geoptimaliseerde convolutionele neurale netwerken (CNN)-long short-term memory (LSTM)-Attention raamwerk. Dit protocol pakt de beperkingen van vaste netwerkarchitecturen, beperkte generalisatie en slechte overdraagbaarheid aan die vaak voorkomen bij conventionele methoden. Het raamwerk extraheert ruimtelijke kenmerken met behulp van CNN en vangt temporele afhankelijkheden vast met LSTM-netwerken, terwijl het aandachtsmechanisme kritieke temperatuurfasen en opvallende kenmerken benadrukt. De SSA optimaliseert gezamenlijk de netwerkdiepte en hyperparameters, waardoor dynamische aanpassing aan uiteenlopende datacomplexiteiten over verschillende mijnlocaties en experimentele omstandigheden mogelijk is. Het protocol bestaat uit gegevensacquisitie, feature-preprocessing, modelconstructie, parameteroptimalisatie en validatiestappen. Experimentele resultaten tonen aan dat het voorgestelde model aanzienlijk hogere voorspellende nauwkeurigheid behaalt op homogene datasets en robuuste generalisatieprestaties handhaaft over heterogene datasets, waardoor het goed geschikt is voor realtime temperatuurmonitoring en vroegtijdige waarschuwingssystemen in kolenmijnen.

Introduction

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

Steenkool speelt nog steeds een dominante rol in de energiestructuur van China. Tijdens opslag, transport en mijnbouw kan echter spontane verhitting optreden, wat leidt tot spontane verbranding. Dit veroorzaakt vaak mijnbranden, die de veiligheid van de mijnen enhet leven van arbeiders ernstig bedreigen. Daarom is nauwkeurige voorspelling van brandrisico's in kolenmijnen en hun temperatuurvariaties essentieel voor vroegtijdige waarschuwing en rampenpreventie. De voorspellingsmethoden voor de spontane verbrandingstemperatuur van steenkool zijn geëvolueerd van vroege empirische formules naar analysemethoden gebaseerd op daadwerkelijke monitoringsgegevens 5,6,7. Vroege studies maakten voornamelijk gebruik van fysische modellen en chemische kinetische vergelijkingen om het mechanisme van warmteafgifte van kolenoxidatie te modelleren. Door de complexiteit van modelparameters en beperkte toepasbaarheid ondervinden deze modellen echter aanzienlijke beperkingen in het praktische gebruik 8,9,10. Met de ontwikkeling van intelligente algoritmen zijn methoden zoals Random Forest (RF)11 en Artificial Neural Networks (ANN)12 geleidelijk geïntroduceerd om voorspellingsmogelijkheden te verbeteren door niet-lineaire mappings te construeren. In de afgelopen jaren hebben vooruitgang in deep learning nieuwe benaderingen geboden om de temperatuur van spontane verbranding van steenkool te voorspellen. Wang et al.13 stelden een detectiemethode voor gebaseerd op akoestische temperatuurmeettechnologie, waarbij gasemissies onder verschillende omstandigheden werden geanalyseerd om voorlopige drempels vast te stellen en een vroegwaarschuwingssysteem. Het ontwikkelde een verfijnd wiskundig model voor het meten van de temperatuur van losse steenkool. Ook zijn grafneurale netwerken (GNN) en transformer-architecturen geïntroduceerd. Pan et al.3 presenteerden een voorspellingsmodel voor spontane verbrandingstemperatuur van steenkool gebaseerd op Graph Convolutional Networks (GCN), dat de interacties tussen gasindicatoren meeneemt om een hogere voorspellingsnauwkeurigheid te bereiken.

Bestaande methoden ondervinden echter nog steeds beperkingen in de selectie van hyperparameters en modelgeneralisatie. Om de prestaties te verbeteren, hebben onderzoekers intelligente optimalisatie-algoritmen geïntroduceerd, zoals het Sparrow Search Algorithm (SSA), om hyperparameters zoals leersnelheid en batchgrootte af te stemmen. Wang et al.14 stelden het SSA-CNN-model voor, dat voor het eerst een zwermintelligentie-algoritme integreert met een convolutioneel neuraal netwerkstructuur. Deze aanpak verbetert niet alleen de efficiëntie van parameteroptimalisatie, maar legt ook effectief de ruimtelijke structurele kenmerken vast in de data van spontane verbranding van kolen. Long et al.15 en Zou et al.16 stelden respectievelijk voorspellingsmodellen voor voor spontane verbranding van steenkool gebaseerd op BO-Light Gradient-Boosting Machine (GBM) en particle swarm optimization-XGBoost (PSO-XGB). Beide modellen verbeterden convergentie en nauwkeurigheid door de zoekstrategie te optimaliseren, waardoor nieuwe benaderingen werden geboden voor het optimaliseren van voorspellingsmodellen voor spontane verbranding van kolen.

Hoewel bestaande studies de intelligente voorspelling van de spontane verbrandingstemperatuur van steenkool hebben verbeterd, zijn de meeste inspanningen beperkt gebleven tot het optimaliseren van modelparameters zonder verbeteringen op het niveau van de netwerkarchitectuur. Daarom vertonen huidige modellen vaak de volgende beperkingen: Ten eerste hanteren de meeste statische structuren, waarbij de netwerkarchitectuur (bijv. aantal convulutionele lagen, LSTM-lagen) en belangrijke trainingsparameters (bijv. leersnelheid, batchgrootte) handmatig worden ingesteld of proportioneel worden afgenomen tijdens de initiële modelbouw en ongewijzigd blijven tijdens training en voorspelling, zonder het vermogen om zich dynamisch aan te passen aan datacomplexiteit. Ten tweede missen de modellen over het algemeen adaptieve mechanismen om zich aan te passen aan wisselende omstandigheden zoals verschillende tijdsperioden, temperatuurbereiken en gasconcentratieschalen, waardoor het moeilijk is om aan de eisen van multiconditiese voorspelling te voldoen. Ten derde blijven hun generalisatie en overdraagbaarheid onvoldoende, wat resulteert in onstabiele en onnauwkeurige voorspellingen over verschillende regionale datasets. Hoewel er op parameterniveau enkele verbeteringen zijn bereikt, blijft de netwerkstructuur zelf statisch zonder gezamenlijke dynamische optimalisatie van structuur en parameters, wat de algehele prestatiewinst beperkt.

Daarom is deze studie bedoeld om een flexibel en hoogprecisiemodel te ontwikkelen voor de voorspelling van spontane verbrandingstemperatuur in kolen, om de bovenstaande uitdagingen aan te pakken. Door vergelijkende experimenten werd de CNN-LSTM-Attention-architectuur gekozen als basismodel. Om te voldoen aan de verschillende netwerkdiepte-eisen voor verschillende steenkoollagen, wordt de traditionele statische structuur vervangen door een "structurele optimalisatie"-aanpak. Bij deze benadering is het aantal convolutionele (CNN) en recurrente (LSTM) lagen, samen met belangrijke trainingsparameters, niet vast, maar dynamisch aangepast op basis van de sterkte van ruimtelijke en temporele kenmerken in de data.

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

Protocol

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

1. Verzameling van spontane verbrandingsgegevens van kolen

  1. Assembleer het luchttype kolengeprogrammeerde verwarmingsoxidatiesysteem, inclusief het gasleveringssysteem, temperatuurregelingseenheid en gasanalyse-instrumenten. Zorg ervoor dat alle verbindingen stevig zijn, de temperatuurregelingsinstellingen nauwkeurig zijn en dat de gaschromatograaf en andere analytische apparaten volledig zijn gekalibreerd.
  2. Weeg 1000 g gemengd steenkoolmonster (behoud de oorspronkelijke klompvorm), homogeniseer het monster grondig met de kwarteringsmethode en plaats de steenkoolblokken gelijkmatig in de verwarmingskamer. Houd een consistente dikte en gelijkmatige verdeling om een gelijkmatige verwarming te garanderen.
  3. Start de luchtpomp en pas de debiet aan met de debietmeter om een stabiele gasstroom van 100 mL/min naar de verwarmingskamer te behouden. Zorg voor een debietstabiliteit binnen ±2 mL/min.
  4. Start het verwarmingssysteem volgens het vooraf ingestelde temperatuurrampprogramma en verhoog de oventemperatuur geleidelijk met een snelheid van 1,0 °C/min tot 200 °C. Gebruik de besturingssoftware om temperatuurveranderingen in realtime te monitoren om te garanderen dat de verwarmingssnelheid voldoet aan de ontwerpspecificaties.
  5. Gebruik temperatuursensoren die nabij het steenkoolmonster zijn geïnstalleerd om continu temperatuurvariaties te monitoren en vast te leggen, zodat er nauwkeurige en ononderbroken gegevensverzameling wordt gegarandeerd.
    OPMERKING: Tijdens het geprogrammeerde verwarmingsexperiment werden temperatuur- en gasconcentratiegegevens automatisch elke 10 seconden geregistreerd met gekalibreerde temperatuursensoren en gasanalysatoren totdat het experiment was afgerond.
  6. De gassen die tijdens de verwarmingsreactie worden gegenereerd vervoeren via het gasleveringssysteem naar de gaschromatograaf.
    1. Voer geautomatiseerde bemonstering uit op vooraf bepaalde intervallen (30 s) om de concentraties zuurstof, koolmonoxide en kooldioxide te meten, en voer GC-baseline-kalibratie uit vóór elk experiment.
    2. Houd een overdrachtslijnstroom van 100 mL/min (±2 mL/min), afgestemd op de kameruitlaat en geregeld door de massastroomregelaar om een stabiele afgifte aan de gaschromatograaf tijdens de 30-seconden autosampling te garanderen.
  7. Vóór modeltraining past u een gestandaardiseerde data-voorverwerkingspijplijn toe om de kwaliteit en consistentie van de data te waarborgen.
    1. Normaliseer alle kenmerken tot nul gemiddelde en eenheidsvariantie om schaalverschillen te elimineren en modelconvergentie te bevorderen.
    2. Om sensorruis te onderdrukken en temporele trends te stabiliseren, pas je een voortschrijdend gemiddelde filter toe met een venstergrootte van 5 om de tijdreeksgegevens glad te strijken. Imputeer ontbrekende waarden, indien aanwezig, met behulp van het gemiddelde van naburige waarnemingen om de volledigheid van de dataset te behouden.
    3. Verder identificeer je uitschieters met behulp van een z-score drempel van |z| > 3 en sluit ze uit van latere analyses om de robuustheid van het model te verbeteren.
      OPMERKING: Het experiment verzamelde gegevens van 83 steenkoolmonsters en registreerde de concentraties van gassen zoals zuurstof, koolmonoxide, kooldioxide, methaan, ethaan en ethyleen in relatie tot de kolentemperatuur. Een schematisch diagram van het luchttype kolen-geprogrammeerde verwarmingsoxidatiesysteem is weergegeven in Figuur 1.

2. Constructie van een CNN-LSTM-aandachtmodel gebaseerd op SSA-structurele optimalisatie

  1. Constructie van het CNN-LSTM-aandachtmodel
    1. Bouw de convolutioneel neurale netwerk (CNN) module om automatisch ruimtelijke kenmerken te extraheren uit invoersequenties van temperatuur en gasconcentratie.
      1. Stapel 2-4 1D convolutielagen (stride = 1, opvulling = "hetzelfde", kernelgrootte 3-7). Na elke laag passen je normalisatie toe (BatchNorm of LayerNorm), activatie van ReLU of GELU en een dropout van 0,1-0,2. Gebruik optioneel MaxPooling1D (pool = 2) in de eerste één of twee lagen voor denoising/downsampling, en vermijd pooling in de laatste laag om temporele resolutie te behouden.
      2. Gebruik een 1×1 convolutie om de kanaaldimensie te projecteren naar wat de downstream LSTM verwacht. Houd de tensor in een 3D-vorm van "tijd × kanalen" (niet afvlakken) en voer deze direct naar de LSTM met return_sequences=Waar; recordlaagaantal, kanalen, kernelgrootte, pooling en dropout in een configuratiebestand om SSA-zoekopdrachten en reproduceerbaarheid mogelijk te maken.
    2. Behandel de uiteindelijke Conv1D-uitgang als een tijdgeordende reeks kenmerkvectoren, waarbij de temporele as behouden blijft zonder vlakte te worden afgevlakt, en voer deze direct in de LSTM. Als prior pooling de reeks heeft verkort, gebruik dan de gereduceerde lengte; wanneer de kanaaldimensie niet overeenkomt met de verwachting van de LSTM, pas dan een 1×1 convolutie of lineaire projectie toe voor uitlijning.
    3. Configureer de LSTM met 64 verborgen eenheden, tanh-activatie en return_sequences=True om representaties bij elke tijdstap te behouden. Voer deze conversie uit in de modelbouwmodule en log de invoer/uitvoer tensorvormen en sleutelinstellingen om reproduceerbaarheid en traceerbaarheid te waarborgen, zodat representaties bij elke tijdstap behouden blijven. Implementeer deze conversie in de modelbouwmodule en log invoer/uitvoer tensorvormen en sleutelinstellingen om reproduceerbaarheid en traceerbaarheid te waarborgen.
    4. Voeg direct na de LSTM-output een temporeel aandachtsblok in: het blok neemt de per-tijdstap-verborgen representaties en gebruikt een projectie met één verborgen laag om een aandachtsgewichtvector te produceren.
    5. Stel de gewichtvectordimensie in op 64, direct gespecificeerd in de configuratie van de aandachtlaag. Normaliseer vervolgens de gewichten over de tijdsas met een softmax, waarmee je het relatieve belang van elke tijdstap bepaalt. Gebruik de genormaliseerde gewichten om een contextvector (gewogen som) te berekenen, die wordt samengevoegd met de sequentierepresentatie en naar de regressiekop wordt gevoerd.
    6. Train de aandachtsmodule end-to-end met de ruggengraat; Als er padding bestaat, breng dan een masker toe vóór de softmax om ongeldige stappen te negeren.
    7. Voor alleen de ablatie-experimenten wordt de dataset chronologisch opgesplitst in trainingssets (80%) en testsets (20%), terwijl een aparte vijfvoudige kruisvalidatie wordt uitgevoerd om de algehele stabiliteit en generalisatie van het voorgestelde model te evalueren.
    8. Voer training uit vanuit de projectworteldirectory, waarbij alle relatieve paden aan die root zijn gekoppeld. Pas vroege stoping toe zodat, als de validatiefout niet verbetert gedurende 10 opeenvolgende epochs, trainingsstops en de beste gewichten worden opgeslagen tot ./checkpoints/best_model.h5.
    9. Om het proces vast te leggen, schrijft een CSV-logger trainings-/validatieverliezen per epoch en belangrijke metrics naar training_log.csv (kolommen zoals epoch, train_loss, val_loss, metrics, tijdstempel). Werk het best-model bestand bij zodra validatie verbetert, zodat reproduceerbaarheid wordt gegarandeerd en de daaropvolgende analyse wordt ondersteund.
      OPMERKING: CNN extraheert automatisch ruimtelijke kenmerken uit invoerdata via lokale connectiviteit en gewichtsdeling. Ondiepe convolutionele kernen vangen subtiele lokale variaties op. Ruimtelijke kenmerken manifesteren zich als de concentratieverdeling en patronen van verschillende gassen (zoals zuurstof en koolmonoxide) op hetzelfde moment, inclusief lokale anomalieën en concentratiegradiënten. Deze weerspiegelen de ruimtelijke correlaties van gassen tijdens het spontane verbrandingsproces van steenkool, die CNN's effectief kunnen identificeren17. De door CNN geëxtraheerde featuresequentie wordt ingevoerd in een LSTM, die de tijdreeks dynamisch modelleert via zijn gatingmechanismen. Temporele kenmerken zoals geleidelijke temperatuurstijging, fluctuaties en plotselinge veranderingen in gasconcentratie, en hun sequentiële volgorde, weerspiegelen de cumulatieve temperatuur en gasreacties tijdens de spontane verbranding van kolen. LSTM vangt deze patronen effectief vast, wat de voorspellingsnauwkeurigheid en modelstabiliteit verbetert18. Op de LSTM-uitvoerlaag wordt een aandachtsmechanisme geïntroduceerd om gewichten toe te wijzen aan features bij elke tijdstap. Dit richt zich op kritieke stadia van de spontane verbrandingstemperatuur van steenkool, versterkt waardevolle informatie, onderdrukt ruis en verbetert de voorspellingsprestaties19 (Figuur 2).
  2. Ontwerp van een methode voor modelstructuuroptimalisatie gebaseerd op SSA
    OPMERKING: De hier voorgestelde dynamische optimalisatiestrategie integreert modelstructuurontwerp met hyperparameteroptimalisatie en is over het algemeen onderverdeeld in de voorbereidingsfase, de deformatiefase en de formele trainingsfase. Deze methode bereikt gezamenlijke aanpassing van structurele parameters en hyperparameters, waardoor het model structurele flexibiliteit kan behouden en tegelijkertijd prestaties en aanpassingsvermogen aan complexe bedrijfsomstandigheden verbetert.
    1. Voorbereidingsfase
      1. Definieer vóór de SSA-gebaseerde zoekruimte de hyperparameter/structuurzoekruimte als een 4-tuple: xi= Lcnn, Llstm, Lr, batch_size, Lcnn (aantal CNN-blokken) en Llstm (aantal gestapelde LSTM-lagen) zijn gehele waarden en uniform bemonsterd uit respectievelijk {1,2,3,4} en {1,2,3}.
      2. Omdat de optimizer reëelwaardige vectoren voorstelt, kaart je niet-gehele voorstellen af naar het dichtstbijzijnde geheel getal met behulp van Python's round()-regel (gelijk tot even) en knip je dan naar [1,4] of [1,3]. Trek de leersnelheid lris log-uniform uit het interval [1 x 10-2, 1 x 10-1]. Plak voorstellen buiten bereik aan de dichtstbijzijnde grens. batch_size is een discrete keuze uit {32, 64, 96, 128}.
      3. Tenzij anders vermeld, leg tijdens deze voorbereidingsstap geen cross-parameter beperkingen op. Voor reproduceerbaarheid pas je een common random seed (42) toe op Python, NumPy, het deep-learning framework en de omgevingsvariabele PYTHONHASHSEED.
      4. Start de SSA-zoekopdracht met een populatiegrootte van 30 en voer 80 iteraties uit.
        OPMERKING: Deze instellingen, samen met de afrondings-/clippingregels hierboven, bepaalden de voorbereiding van de zoekruimte die voor alle volgende experimenten werd gebruikt.
    2. Vervormingsfase
      1. Genereer willekeurig een initiële parameterset, aangeduid als C1,L 1,I 1,b 1. Voordat het netwerk wordt getraind, rond je de gehele dimensies af tot het dichtstbijzijnde geheel getal en knip je alle waarden aan hun grenzen.
      2. Gebruik een enkele trainings-/validatierun om de validatie-gemiddelde kwadraatfout (MSE) als fitness te berekenen; Registreer en sla het huidige resultaat op.
      3. Werk de positie bij om een nieuwe parametercombinatie C2, L2, I2 en 2 te genereren. Voer één trainingsiteratie uit en vergelijk de fitheid ervan met de opgeslagen waarde.
      4. Als de nieuwe combinatie beter presteert dan de vorige, vervang dan het oorspronkelijke resultaat en stel de huidige positie in op C2,L 2,I2,b 2. Als het slechter presteert, stel dan een markering in om te voorkomen dat je herhaaldelijk ineffectieve combinaties kiest terwijl je de zittende partij behoudt.
      5. Herhaal stappen 2.2.2.2-2.2.4 voor meerdere iteraties totdat er geen verdere verbetering wordt waargenomen, waarmee je de optimale combinatie Cn,L n,I n,b n verkrijgt.
      6. Bewaar Cn,L n,I n,b n als de definitieve structurele parameters en begin met de formele training.
    3. Trainingsfase
      OPMERKING: De CNN- en LSTM-laagtellingen met de beste fitheid worden geselecteerd als de definitieve netwerkconfiguratie voor volledige training en evaluatie op de testset (Figuur 3).
      1. Stel het zoekbereik in voor modelstructuren en hyperparameters, waaronder 2-6 CNN-lagen, 1-4 LSTM-lagen, een leersnelheidsbereik van 1 × 10-5 tot 1 × 10-2, batchgroottes van 32, 64 of 128, en maximaal 100 trainingsepochen. Optimaliseer deze parameters gezamenlijk tijdens de SSA-iteraties.
      2. Initialiseer de populatie van het Sparrow Search Algorithm (SSA) door de populatiegrootte op 30 te zetten en het maximale aantal iteraties op 100. Zorg ervoor dat elk individu een kandidaatmodelconfiguratie vertegenwoordigt, inclusief CNN-diepte, LSTM-diepte, leersnelheid en batchgrootte.
      3. In elke iteratie verdeel je de SSA-populatie in ontdekkers (20%), volgers (70%) en sentinels (10%). Volgens de SSA-regels voor positie-updates voeren ontdekkers wereldwijde exploratie uit, doen volgers lokale exploitatie en voorkomen sentinels dat het algoritme vast komt te zitten in lokale optima. Werk de positievectoren van alle individuen bij na elke iteratie.
      4. Gebruik de gemiddelde kwadraatfout (MSE) op de validatieset als fitnessfunctie om de voorspellende prestaties van elk kandidaatmodel te evalueren. Pas de zoekrichting dynamisch aan op basis van de fitnesswaarden, zodat SSA geleidelijk kan convergeren naar de optimale structuur en hyperparameterconfiguratie.
      5. Na het voltooien van de SSA-iteraties geef je de optimale CNN-diepte, LSTM-diepte, leersnelheid en batchgrootte uit. Train het model opnieuw op de volledige trainingsset met deze optimale parameters en sla de uiteindelijk getrainde modelgewichten op tot final_model,h5".
        OPMERKING: De optimalisatie-algoritmen worden veel toegepast in industriële sectoren20,21, en worden vaak gebruikt in productieplanning22, kwaliteitscontrole23, apparatuuronderhoud24, resourceallocatie25 en procesparameteroptimalisatie26, onder andere. Het muszoekalgoritme (SSA) dat in deze studie wordt gebruikt, is een intelligent optimalisatie-algoritme dat het foerageergedrag van muspopulaties simuleert. Het bereikt efficiënte optimalisatie door het samenwerkingsmechanisme van ontdekkers, volgers en sentinels27. Het algoritme wijst het beste individu in de populatie aan als ontdekker om wereldwijde verkenning uit te voeren, terwijl de overige individuen optreden als volgers die lokale exploitatie uitvoeren, en sentinels worden ingesteld om lokale optima28 te vermijden. SSA hanteert een adaptieve strategie om de mogelijkheden voor exploratie en exploitatie in balans te brengen, met snelle convergentiesnelheid en eenvoudige parameterinstellingen29. In het in dit artikel voorgestelde model voor spontane verbrandingstemperatuur van steenkool dient SSA als de kernmethode van het concept van "structurele optimalisatie", waarbij de CNN-LSTM-Attention modelarchitectuur en belangrijke hyperparameters automatisch worden geoptimaliseerd om de nauwkeurigheid en generalisatie van de voorspelling over heterogene datasets te verbeteren.

3. Modelvalidatie en overdraagbaarheidsevaluatie

  1. Validatie van modeleffectiviteit
    1. Ontwerp een ablatie-experiment met behulp van kolen-spontane verbrandingsgegevens om de individuele bijdragen van de CNN-, LSTM- en Attention-modules te verifiëren. Verdeel de dataset willekeurig in trainingssets (80%) en testsets (20%) met een vaste willekeurige seed van 42 om reproduceerbaarheid te waarborgen.
      OPMERKING: Gebruik een werkstation uitgerust met een NVIDIA RTX 4090 GPU en voer alle experimenten uit met Python 3.8 en TensorFlow 2.6 (ontwikkel-IDE-informatie staat vermeld in de Materiaaltabel).
    2. Stel de doelfunctie in op gemiddelde kwadraatfout (MSE) en pas het verbeterde Sparrow Search Algorithm (SSA) toe om gezamenlijk belangrijke hyperparameters van de CNN-LSTM-Attention-architectuur te optimaliseren, waaronder netwerkdieptes, leersnelheid en batchgrootte. Om eerlijkheid te waarborgen, train je alle baseline-modellen op dezelfde dataset met identieke trainingstijdperken, leersnelheden en batchgroottes, en evalueer je op dezelfde testset.
    3. Gebaseerd op een vaste CNN-LSTM-Attention modelstructuur worden vijf klassieke parameteroptimalisatiemethoden toegepast – Genetic Algorithm (GA), Grey Wolf Optimization (GWO), Particle Swarm Optimization (PSO), Whale Optimization Algorithm (WOA) en Sparrow Search Algorithm (SSA) – om het model te optimaliseren, gevolgd door een uitgebreide evaluatie met integratie van structurele optimalisatie.
    4. Bereken de prestatie-indicatoren voor elk model op de testset en visualiseer de resultaten met vergelijkingsgrafieken.
      1. Rapporteer de ablatiestudie (Tabel 1), de voorspellende prestaties van de zeven modellen (Tabel 2) en de vergelijkende prestaties van optimalisatie-algoritmen (Tabel 3).
      2. Voor de figuren zet je de voorspellingen uit tegen de waarnemingen en stel je de legendatiklabels in op "Voorspeld" en "Gemeten". Zorg voor consistente lettertypes, kleurenschema's en as-units over alle figuren. Houd voor de tabellen het lettertype, kolomvolgorde, eenheden en decimalen consistent.
  2. Validatie van modeloverdraagbaarheid
    1. Het construeren van de overdrachtsvalidatiedataset
      1. Gebruik een overdrachtsvalidatiedataset van 83 steenkoolmonsters van zes mijnlocaties, in totaal 12.450 temperatuur-gas-featurerecords. Voor elke locatie verdeel je de data in trainingssets (80%) en testsets (20%), en behoud je een evenwichtige representatie over diverse geologische omstandigheden.
        OPMERKING: Om de impact van "structurele optimalisatie" op de generalisatieprestaties van het model te evalueren, stelde deze studie een uitgebreide dataset voor spontane verbrandingstemperatuur van steenkool op, die meerdere mijnlocaties en diverse geologische omstandigheden omvat. De dataset integreert veldmonitoringgegevens van representatieve mijnen zoals Qinglong Mine (bijna horizontale steenkoollagen), Xiao Ji Han Mine (dikke steenkoollagen) en Zhangjiamao Mine (ondiepe kolenlagen), evenals experimentele gegevens van I-II klasse zelfontbrandingsgevoelige steenkoollagen onder uiteenlopende geologische omstandigheden, waaronder de No. 4 steenkoollaag (hoog vluchtig gehalte), Yuan Dian No. Dian No. 2 Mine met 72 kolenlaag (composietdak), en Hongqingliang-mijn (oxidatiegevoelige kenmerken).
    2. Cross-mine dataset-heterogeniteitsanalyse
      1. Aggregate per-mijnrecords voor CO, CO2, CH4, C2H6, C2H4 en kolentemperatuur; Bewaar mijn ID en tijdstempels.
      2. Harmoniseer eenheden (ppm of %) en lijn tijdstempels uit; Behandel ontbrekende waarden zoals gespecificeerd in stap 2.1.
      3. Bereken min, Q1, mediaan, Q3, max en IQR voor elke variabele × mijn; flag outliers volgens de 1,5×IQR-regel.
      4. Kwantificeer de heterogeniteit tussen mijnen door vouwverschillen voor Q3 en max te berekenen; Highlight cases ≈ twee ordes van grootte (vooral CO/CO2).
      5. Plot box-en-whisker grafieken naar mijn (één paneel per variabele; gemeenschappelijke y-as per variabele; toon uitschieters als punten; labelkwartielen).
      6. Exporteer als Figuur 4.
      7. Selecteer vier goed presterende modellen in de laboratoriumdataset—XGBoost, BP, TCN en Transformer—om de overdraagbaarheid van het voorgestelde model te valideren.

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

Results

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

De stabiliteit van het model werd gevalideerd met behulp van vier onafhankelijke datasets, die consistente voorspellende prestaties onder verschillende geologische omstandigheden aantoonden. Deze sectie presenteert representatieve resultaten en prestatie-evaluaties van de spontane verbrandingsexperimenten van kolen en het voorgestelde SSA-CNN-LSTM-Attention-model. Ten eerste worden de variaties in meerdere gasindicatoren die tijdens de geprogrammeerde verwarmingsoxidatie-experimenten zijn...

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

Discussion

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

Gebruik intacte steenkoolblokken; Voer alleen oppervlaktereiniging uit na het bemonsteren en doe direct dubbel af om langdurige blootstelling te voorkomen. Houd de gasleiding lekdicht met constante stroomregeling (MFC), voer de geprogrammeerde verwarming exact uit zoals gespecificeerd in het protocol en kalibreer de GC volgens gecertificeerde normen. Verzamel temperatuur- en gassignalen op vaste intervallen en synchroniseer tijdstempels (zie protocol). Vanuit computationeel oogpunt fix e...

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

Disclosures

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

De auteurs hebben niets te onthullen.

Acknowledgements

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

Dit werk werd ondersteund door de National Natural Science Foundation of China (Subsidie nr. 52274206) voor het project over dynamische verstoring en schuifkruipkenmerken van diep hard gesteente en kritisch power-law gedrag, en het National Natural Science Foundation of China Youth Fund (Subsidie nr. 51904144) voor het onderzoek naar diffusie-effecten tijdens migratie van steenkoollagen.

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

Materials

```html

List of materials used in this article
NameCompanyCatalog NumberComments
6-port, 2-position gas sampling valve w/ universal actuatorVICI ValcoEUDA-2C6UWT1/16" fittings; 0,75 mm poortjes; RS-232; 2" onderbreking
Alumina sample boatMTI CorporationEQ-CA-L50W40H20>99,5% Al2O3; 50×40×20 mm
Chromatography softwareAgilent TechnologiesOpenLab CDSData acquisitie/verwerking
Coal samples (veldverzameling)In-house/veldverzamelingN/ABron gedetailleerd in Methoden
CUDA / cuDNNNVIDIAhttps://developer.nvidia.com/cuda-zoneCUDA 11.x; bijhorende cuDNN
DAQ mainframeKeysightDAQ970A6½-cijferige DMM; USB/LAN
Desiccant (met indicatie)W.A. Hammond Drierite23001Calciumsulfaat; 8 mesh; 1 lb
Diafragma luchtpompKNFhttps://www.knf.comContinue luchttoevoer; instelbare stroom
FR lab coatBulwarkKEL2 (serie)NFPA 2112 compliant
Gas chromatographAgilent TechnologiesG3540A (8890 GC System)GC systeem; EPC; tot 2 inlaten / 4 detectoren
Heat-resistant glovesAnsell43-113Intermittent tot ~350 °C
High-purity airAir Liquide / Airgashttps://www.airgas.com/solutions/specialty-gases/pure-gases/alphagaz≥99,99% zuiverheid
IDEJetBrains / Microsofthttps://www.jetbrains.com/pycharm/ ; https://code.visualstudio.com/downloadPyCharm / VS Code
Inline filtersSwagelokhttps://www.swagelok.com/downloads/webcatalogs/en/ms-01-92.pdfGesinterde SS elementen 0,5–15 µm
K-type thermocouplesOMEGAhttps://www.omega.comType K (NiCr–NiSi)
Mass flow controller (0–200 sccm)Alicat ScientificMC-200SCCM-DMC-serie; ±(0,8% rdg + 0,2% FS)
Multi-component calibration gasesMesserhttps://specialtygases.messergroup.com/standard-gas-mixturesAangepaste concentratie; certificaat
Operating systemMicrosofthttps://www.microsoft.com/en-us/software-download/windows11Windows 11
Operating systemCanonicalhttps://ubuntu.com/download/desktopUbuntu LTS (22.04/24.04)
PTFE/PFA tubingSwagelokhttps://products.swagelok.com/en/all-products/hoses-flexible-tubing/ptfe-pfa-core-hose/c/716?clp=trueChemisch bestendig; 1/16–1/4 in OD
PythonPython Software Foundationhttps://www.python.org/downloads/Versie 3.8
Quartz sample boatMTI CorporationEQ-QB-1017 (voorbeeldmaat)~1200 °C werktemperatuur
Safety goggles3M93506P1-DC (voorbeeld)Chemische spatwater; anti-mist opties
Stainless-steel seamless tubingSwagelokhttps://www.swagelok.com/downloads/webcatalogs/en/ms-01-181.pdf316/316L; 1/16–1/4 in OD
Stainless-steel tube fittings & ferrulesSwagelokhttps://products.swagelok.com/en/all-products/fittings/tube-fittings-adapters/c/154?clp=true316/316L; dubbele ferrule
Temperature controllerEurotherm3216Single-loop PID; programmeerbare ramps/alarmen
TensorFlowGooglehttps://www.tensorflow.orgVersie 2.6
USB thermocouple moduleNI (National Instruments)781314-01 (USB-TC01)K/J/T; logboeksoftware
Variable area flowmeter (Visi-Float)Dwyer InstrumentsVFA-2-EC-SS (0,2–2 SCFH Air)Laag-flowbereik; directe aflezing
Workstation GPUNVIDIA900-1G136-2530-000 (Founders Edition)GeForce RTX 4090, 24 GB 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. 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).

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