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 verbran....

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 ....

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 ver.......

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

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 ports; RS-232; 2" standoff
Alumina sample boatMTI CorporationEQ-CA-L50W40H20>99.5% Al2O3; 50×40×20 mm
Chromatography softwareAgilent TechnologiesOpenLab CDSData acquisition/processing
Coal samples (field-collected)In-house/field-collectedN/ASource detailed in Methods
CUDA / cuDNNNVIDIAhttps://developer.nvidia.com/cuda-zoneCUDA 11.x; matching cuDNN
DAQ mainframeKeysightDAQ970A6½-digit DMM; USB/LAN
Desiccant (indicating)W.A. Hammond Drierite23001Calcium sulfate; 8 mesh; 1 lb
Diaphragm air pumpKNFhttps://www.knf.comContinuous air supply; adjustable flow
FR lab coatBulwarkKEL2 (series)NFPA 2112 compliant
Gas chromatographAgilent TechnologiesG3540A (8890 GC System)GC system; EPC; up to 2 inlets / 4 detectors
Heat-resistant glovesAnsell43-113Intermittent up to ~350 °C
High-purity airAir Liquide / Airgashttps://www.airgas.com/solutions/specialty-gases/pure-gases/alphagaz≥99.99% purity
IDEJetBrains / Microsofthttps://www.jetbrains.com/pycharm/ ; https://code.visualstudio.com/downloadPyCharm / VS Code
Inline filtersSwagelokhttps://www.swagelok.com/downloads/webcatalogs/en/ms-01-92.pdfSintered SS elements 0.5–15 µm
K-type thermocouplesOMEGAhttps://www.omega.comType K (NiCr–NiSi)
Mass flow controller (0–200 sccm)Alicat ScientificMC-200SCCM-DMC-series; ±(0.8% rdg + 0.2% FS)
Multi-component calibration gasesMesserhttps://specialtygases.messergroup.com/standard-gas-mixturesCustom concentration; certificate
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=trueChemically resistant; 1/16–1/4 in OD
PythonPython Software Foundationhttps://www.python.org/downloads/Version 3.8
Quartz sample boatMTI CorporationEQ-QB-1017 (example size)~1200 °C working temp
Safety goggles3M93506P1-DC (example)Chemical splash; anti-fog options
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; double-ferrule
Temperature controllerEurotherm3216Single-loop PID; programmable ramps/alarms
TensorFlowGooglehttps://www.tensorflow.orgVersion 2.6
USB thermocouple moduleNI (National Instruments)781314-01 (USB-TC01)K/J/T; logging software
Variable area flowmeter (Visi-Float)Dwyer InstrumentsVFA-2-EC-SS (0.2–2 SCFH Air)Low-flow range; direct reading
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.

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