Method Article

Badania nad głęboko zintegrowanym modelem optymalizacji strukturalnej w prognozowaniu temperatury samospalania węgla

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

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

Tutaj opisujemy protokół przewidywania temperatury samospalania węgla z wykorzystaniem ram SSA zoptymalizowanych CNN-LSTM-Attention, które automatycznie optymalizują strukturę i parametry sieci, poprawiając tym samym dokładność, elastyczność i uogólnienie pomiędzy heterogenicznymi zbiorami danych i zróżnicowanymi warunkami wydobycia.

Abstract

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

Proponujemy tutaj protokół do przewidywania temperatury samospalania węgla opartego na ramach Sparrow Search Algorithm (SSA) zoptymalizowanych przez sieci splotowe neuronowe (CNN), długiej pamięci krótkotrwałej (LSTM) i uwagi. Protokół ten odpowiada na ograniczenia stałych architektur sieci, ograniczonej uogólnienia oraz niskiej transferowalności, które często występują w metodach konwencjonalnych. Ramy wyodrębniają cechy przestrzenne za pomocą CNN i rejestrują zależności czasowe z sieciami LSTM, podczas gdy mechanizm uwagi podkreśla krytyczne fazy temperatury i istotne cechy. SSA wspólnie optymalizuje głębokość sieci i hiperparametry, umożliwiając dynamiczną adaptację do różnych złożoności danych na różnych terenach wydobywczych i warunkach eksperymentalnych. Protokół składa się z akwizycji danych, wstępnego przetwarzania cech, budowy modelu, optymalizacji parametrów oraz etapów walidacji. Wyniki eksperymentów pokazują, że proponowany model osiąga znacząco wyższą dokładność predykcyjną na jednorodnych zbiorach danych i utrzymuje solidne uogólnienia pomiędzy heterogenicznymi zbiorami danych, co czyni go dobrze przystosowanym do systemów monitorowania temperatury i wczesnego ostrzegania w czasie rzeczywistym.

Introduction

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

Węgiel nadal odgrywa dominującą rolę w chińskiej strukturze energetycznej. Jednak podczas magazynowania, transportu i wydobycia może dojść do samoistnego nagrzewania, prowadzącego do samozapłonu. Często powoduje to pożary kopalni, poważnie zagrażając bezpieczeństwu kopalni i życiu pracowników 1,2,3,4. Dlatego dokładne przewidywanie ryzyka pożarów kopalni węgla oraz ich wahań temperatur jest niezbędne dla wczesnego ostrzegania i łagodzenia skutków katastrof. Metody prognozowania temperatury samospalania węgla ewoluowały od wczesnych empirycznych wzorów do metod analitycznych opartych na rzeczywistych danych monitorujących 5,6,7. Wczesne badania opierały się głównie na modelach fizycznych i równaniach kinetyki chemicznej do modelowania mechanizmu uwalniania ciepła przez utlenianie węgla. Jednak ze względu na złożoność parametrów modelu i ograniczoną użyteczność, modele te napotykają istotne ograniczeniapraktyczne 8,9,10. Wraz z rozwojem inteligentnych algorytmów, stopniowo wprowadzano metody takie jak Random Forest (RF)11 i Artificial Neural Networks (ANN)12, aby zwiększyć możliwości predykcyjne poprzez konstruowanie nieliniowych odwzorowań. W ostatnich latach postępy w głębokim uczeniu zaproponowały nowe metody przewidywania temperatury samospalania węgla. Wang i in.13 zaproponowali metodę detekcji opartą na technologii pomiaru temperatury akustycznej, analizującą emisje gazów w różnych warunkach w celu ustalenia wstępnych progów oraz systemu wczesnego ostrzegania. Opracował udoskonalony model matematyczny do pomiaru temperatury luźnego węgla. Wprowadzono także architektury sieci neuronowych grafów (GNN) oraz transformerów. Pan i in.3 przedstawili model prognozowania temperatury samospalania węgla oparty na sieciach splotowych grafów (GCN), który uwzględnia interakcje między wskaźnikami gazu, aby osiągnąć wyższą dokładność predykcji.

Jednak istniejące metody nadal napotykają ograniczenia w wyborze hiperparametrów i uogólnianiu modelu. Aby poprawić wydajność, naukowcy wprowadzili inteligentne algorytmy optymalizacyjne, takie jak Sparrow Search Algorithm (SSA), które dostosowują hiperparametry, takie jak szybkość uczenia się i wielkość partii. Wang i in.14 zaproponowali model SSA-CNN, który po raz pierwszy integruje algorytm inteligencji rojowej ze strukturą konwolucyjnej sieci neuronowej. To podejście nie tylko zwiększa efektywność optymalizacji parametrów, ale także skutecznie rejestruje przestrzenne cechy strukturalne w danych o samospalaniu węgla. Long i in.15 oraz Zou i in.16 zaproponowali odpowiednio modele predykcji samospalenia węgla oparte na BO-Light Gradient-Boosting Machine (GBM) oraz optymalizacji roju cząstek-XGBoost (PSO-XGB). Oba modele poprawiły zbieżność i dokładność poprzez optymalizację strategii wyszukiwania, oferując nowe podejścia do optymalizacji modeli prognozowania samospalania węgla.

Chociaż istniejące badania przyspieszyły inteligentne przewidywanie temperatury samospalania węgla, większość wysiłków ograniczała się do optymalizacji parametrów modelu bez ulepszeń na poziomie architektury sieci. W konsekwencji obecne modele często wykazują następujące ograniczenia: Po pierwsze, większość przyjmuje struktury statyczne, gdzie architektura sieci (np. liczba warstw splotowych, warstw LSTM) oraz kluczowe parametry treningowe (np. tempo uczenia, rozmiar partii) są ręcznie ustawiane lub proporcjonalnie zanikają podczas początkowej budowy modelu i pozostają niezmienione przez cały czas trenowania i predykcji, nie mając możliwości dynamicznej adaptacji do złożoności danych. Po drugie, modele zazwyczaj nie posiadają mechanizmów adaptacyjnych do dostosowywania się do różnych warunków, takich jak różne okresy czasu, zakresy temperatur czy skale stężenia gazu, co utrudnia spełnienie wymagań przewidywania wielofunkcyjnych. Po trzecie, ich uogólnienie i przenośność pozostają niewystarczające, co skutkuje niestabilnymi i niedokładnymi prognozami w różnych regionalnych zbiorach danych. Chociaż na poziomie parametrów osiągnięto pewne ulepszenia, sama struktura sieci pozostaje statyczna bez wspólnej dynamicznej optymalizacji struktury i parametrów, co ogranicza ogólne zyski wydajności.

Dlatego celem tego badania jest opracowanie elastycznego i precyzyjnego modelu do prognozowania temperatury samospalania węgla, aby sprostać powyższym wyzwaniom. Poprzez eksperymenty porównawcze wybrano architekturę CNN-LSTM-Attention jako model bazowy. Aby dostosować się do różnych wymagań dotyczących głębokości sieci dla różnych pokładów węgla, tradycyjna statyczna struktura została zastąpiona podejściem "optymalizacji strukturalnej". W tym podejściu liczba warstw splotowych (CNN) i rekurencyjnej (LSTM), wraz z kluczowymi parametrami treningowymi, nie jest stała, lecz dynamicznie dostosowuje się do siły cech przestrzennych i czasowych w danych.

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

Protocol

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

1. Zbieranie danych o samospalaniu węgla

  1. Zmontować system utleniania ogrzewania programowanego na węglu powietrznego, w tym system dostarczania gazu, jednostkę kontroli temperatury oraz instrumenty analizy gazów. Upewnij się, że wszystkie połączenia są stabilne, ustawienia kontroli temperatury dokładne, a chromatograf gazowy i inne urządzenia analityczne są w pełni skalibrowane.
  2. Waż 1000 g mieszanej próbki węgla (zachowaj oryginalną formę brył), dokładnie ujednolic próbkę metodą ćwiartowania i równomiernie umieść bloki węgla wewnątrz komory grzewczej. Utrzymuj stałą grubość i równomierny rozkład, aby zapewnić równomierne nagrzewanie.
  3. Uruchom pompę powietrza i reguluj przepływ za pomocą przepływomierza, aby utrzymać stabilny przepływ gazu 100 mL/min do komory grzewczej. Zapewnij stabilność przepływu w granicach ±2 mL/min.
  4. Inicjuj system grzewczy zgodnie z programem wstępnej temperatury rampowej, stopniowo zwiększając temperaturę pieca w tempie 1,0 °C/min aż do 200 °C. Użyj oprogramowania sterującego do monitorowania zmian temperatury w czasie rzeczywistym, aby upewnić się, że szybkość ogrzewania spełnia wymagania projektowe.
  5. Używaj czujników temperatury zainstalowanych w pobliżu próbki węgla, aby nieustannie monitorować i rejestrować wahania temperatury, zapewniając dokładne i nieprzerwane zbieranie danych.
    UWAGA: Podczas zaprogramowanego eksperymentu ogrzewania dane temperatury i stężenia gazu były automatycznie rejestrowane co 10 sekund za pomocą skalibrowanych czujników temperatury i analizatorów gazów aż do zakończenia eksperymentu.
  6. Transportuj gazy powstałe podczas reakcji nagrzewczej przez system dostarczania gazów do chromatografu gazowego.
    1. Wykonuj automatyczne pobieranie próbek w określonych odstępach (30 s), aby zmierzyć stężenia tlenu, tlenku węgla i dwutlenku węgla, a przed każdym eksperymentem wykonaj kalibrację wartości GC.
    2. Utrzymuj przepływ w linii transferowej 100 mL/min (±2 mL/min), dopasowany do wypływu komory i regulowany przez regulator przepływu masowego, aby zapewnić stabilne dostarczanie do chromatografu gazowego podczas autopróbkowania w ciągu 30 sekund.
  7. Przed trenowaniem modelu zastosuj standaryzowany potok wstępnego przetwarzania danych, aby zapewnić jakość i spójność danych.
    1. Normalizować wszystkie cechy do zera średniej i wariancji jednostkowej, aby wyeliminować rozbieżności skalowe i ułatwić zbieżność modeli.
    2. Aby stłumić szum sensora i ustabilizować trendy czasowe, należy zastosować filtr średniej kroczącej o oknie 5, aby wygładzić dane szeregów czasowych. Imputuj brakujące wartości, jeśli występują, używając średniej sąsiednich obserwacji, aby zachować kompletność zbioru danych.
    3. Ponadto zidentyfikujemy odstawłe za pomocą progu z-score |z| > 3 i wyklucz je z dalszej analizy w celu poprawy odporności modelu.
      UWAGA: Eksperyment zebrał dane z 83 próbek węgla, rejestrując stężenia gazów takich jak tlen, tlenek węgla, dwutlenek węgla, metan, etan i etylen w stosunku do temperatury węgla. Schematyczny schemat systemu utleniania ciepła opartego na węglu typu powietrznego pokazano na Rysunku 1.

2. Konstrukcja modelu uwagi CNN-LSTM opartego na optymalizacji strukturalnej SSA

  1. Konstrukcja modelu uwagi CNN-LSTM
    1. Zbuduj moduł splotowej sieci neuronowej (CNN), aby automatycznie wyodrębniać cechy przestrzenne z sekwencji wejściowych temperatur i stężeń gazów.
      1. Stos 2-4 warstwy konwolucyjne 1D (stride = 1, dopełnienie = "to samo", rozmiar jądra 3-7). Po każdej warstwie należy zastosować normalizację (BatchNorm lub LayerNorm), aktywację ReLU lub GELU oraz dropout 0.1-0.2. Opcjonalnie używaj MaxPooling1D (pula = 2) w pierwszej jednej lub dwóch warstwach do usuwania szumów/próbkowania i unikaj poolingu w ostatniej warstwie, aby zachować rozdzielczość czasową.
      2. Użyj konwolucji 1×1, aby przeprojektować wymiar kanału do tego, czego oczekuje LSTM w kierunku dalszym. Utrzymuj tensor w trójwymiarowym kształcie "kanałów czasowych ×" (nie spłaszczaj) i podawaj go bezpośrednio do LSTM z return_sequences=True; rejestruj liczbę warstw, kanały, rozmiar jądra, pulę i dropout w pliku konfiguracyjnym, aby umożliwić wyszukiwanie i powtarzalność SSA.
    2. Traktuj końcowy wynik Conv1D jako sekwencję wektorów cech uporządkowanych w czasie, zachowując oś czasową bez spłaszczania, i wprowadzaj ją bezpośrednio do LSTM. Jeśli wcześniejsze poolowanie skróciło sekwencję, użyj skróconej długości; gdy wymiar kanału nie odpowiada oczekiwaniom LSTM, stosuje się splot 1×1 lub rzut liniowy dla wyrównania.
    3. Konfiguruj LSTM z 64 ukrytymi jednostkami, aktywacją tanh oraz return_sequences=True, aby zachować reprezentacje w każdym kroku czasowym. Zaimplementuj tę konwersję w module budowy modelu i loguj kształty tensorów wejściowych/wyjściowych oraz ustawienia kluczy, aby zapewnić powtarzalność i śledzenie, zachowując reprezentacje na każdym kroku czasowym. Zaimplementuj tę konwersję w module budowy modelu i loguj kształty tensorów wejściowych/wyjściowych oraz ustawienia kluczy, aby zapewnić powtarzalność i śledzenie.
    4. Wstaw blok uwagi temporalnej bezpośrednio po wyjściu LSTM: blok przyjmuje ukryte reprezentacje w kroku czasowym i używa projekcji pojedynczej warstwy ukrytej do wygenerowania wektora wagi uwagi.
    5. Ustaw wymiar wektora wagi na 64, określony bezpośrednio w konfiguracji warstwy uwagi. Następnie normalizujemy wagi wzdłuż osi czasu za pomocą miękkiego maksymalnego efektu, co daje względne znaczenie każdego kroku czasowego. Użyj znormalizowanych wag do obliczenia wektora kontekstowego (sumy ważonej), który jest łączony z reprezentacją sekwencji i przekazywany do głowicy regresji.
    6. Trenuj moduł uwagi od końca do końca z kręgosłupem; Jeśli istnieje wypełnienie, zastosuj maskę przed softmaxem, aby zignorować nieprawidłowe kroki.
    7. Dla eksperymentów ablacyjnych należy podzielić zbiór danych chronologicznie na zestawy treningowe (80%) i testowe (20%), a także przeprowadzić osobną pięciokrotną walidację krzyżową, aby ocenić ogólną stabilność i uogólnienie proponowanego modelu.
    8. Wykonaj trening z katalogu głównego projektu, z wszystkimi względnymi ścieżkami zakotwiczonymi do tego roota. Zastosuj wczesne zatrzymanie, tak aby jeśli błąd walidacyjny nie poprawi się przez 10 kolejnych epok, trening się zatrzyma, a najlepsze wagi zostaną zapisane do ./checkpoints/best_model.h5.
    9. Aby zarejestrować proces, logger CSV zapisuje straty treningowe/walidacyjne w danej epoce oraz kluczowe metryki do training_log.csv (kolumny takie jak epocha, train_loss, val_loss, metryki, znaczniki czasu). Aktualizuj plik najlepszego modelu za każdym razem, gdy walidacja się poprawia, zapewniając powtarzalność i wspierając późniejszą analizę.
      UWAGA: CNN automatycznie wyodrębnia cechy przestrzenne z danych wejściowych poprzez lokalną łączność i dzielenie wagi. Płytkie jądra splotowe rejestrują subtelne lokalne wariacje. Cechy przestrzenne objawiają się rozkładem stężeń i wzorcami różnych gazów (takich jak tlen i tlenek węgla) w tym w tym lokalnych anomaliach i gradientach stężeń. Odzwierciedlają one korelacje przestrzenne gazów podczas procesu samospalania węgla, które CNN mogą skutecznie zidentyfikować17. Sekwencja cech wyodrębniona przez CNN jest wprowadzana do LSTM, który dynamicznie modeluje szeregi czasowe za pomocą mechanizmów bramkowych. Cechy czasowe, takie jak stopniowy wzrost temperatury, wahania i nagłe zmiany stężenia gazu, a ich kolejność sekwencyjna odzwierciedlają skumulowane reakcje temperatury i gazu podczas samospalania węgla. LSTM skutecznie rejestruje te wzorce, zwiększając dokładność predykcji i stabilność modelu18. Na warstwie wyjściowej LSTM wprowadzono mechanizm uwagi, który przypisuje cechy do cech w każdym kroku czasowym. Koncentruje się na krytycznych etapach temperatury samospalania węgla, wzmacnia cenne informacje, tłumi hałas i poprawia wydajność predykcji19 (Rysunek 2).
  2. Projektowanie metody optymalizacji struktury modelu opartej na SSA
    UWAGA: Proponowana tutaj strategia optymalizacji dynamicznej integruje projektowanie struktury modelu z optymalizacją hiperparametrów i jest ogólnie podzielona na etap przygotowania, etapu deformacji oraz etap formalnego treningu. Metoda ta umożliwia współpracę w dostosowaniu, parametrów i hiperparametrów strukturalnych, umożliwiając modelowi zachowanie elastyczności strukturalnej przy jednoczesnym poprawie wydajności i adaptacji do złożonych warunków pracy.
    1. Faza przygotowań
      1. Przed wyszukiwaniem opartym na SSA zdefiniuj przestrzeń hiperparametrów/struktur jako czterkę: xi= Lcnn, Llstm, Lr, batch_size, Lcnn (liczba bloków CNN) oraz Llstm (liczba warstw LSTM) są całkowitoliczbowe i są jednolicie próbkowane odpowiednio z {1,2,3,4} i {1,2,3}.
      2. Ponieważ optymalizator proponuje wektory o wartościach rzeczywistych, odwzoruj propozycje niecałkowitych na najbliższą liczbę całkowitą za pomocą reguły round() Pythona (ties-to-even), a następnie przycinasz do [1,4] lub [1,3]. Narysuj szybkość uczenia lrjest logarytmicznie równomiernie względem przedziału [1 x 10-2, 1 x 10-1]. Przygotuj propozycje poza zasięgiem do najbliższej granicy. batch_size jest dyskretnym wyborem z {32, 64, 96, 128}.
      3. O ile nie zaznaczono inaczej, nie nakładaj ograniczeń krzyżowych parametrów podczas tego etapu przygotowawczego. Dla powtarzalności zastosuj wspólny losowy seed (42) do Pythona, NumPy, frameworka deep-learning oraz zmiennej środowiskowej PYTHONHASHSEED.
      4. Zainicjalizuj wyszukiwanie SSA z populacją 30 i wykonuj 80 iteracji.
        UWAGA: Te ustawienia, wraz z powyższymi zasadami zaokrąglania/przycinania, definiowały przygotowanie przestrzeni wyszukiwania używanej do wszystkich kolejnych eksperymentów.
    2. Faza deformacji
      1. Losowo wygeneruj początkowy zbiór parametrów, oznaczany jako C1,L 1,I 1,b 1. Przed trenowaniem sieci zaokrąglaj wymiary całkowite do najbliższej liczby całkowitej i przyciąż wszystkie wartości do ich granic.
      2. Użyj pojedynczego uruchomienia treningowego/walidacyjnego, aby obliczyć średni kwadratowy błąd walidacyjny (MSE) jako przystosowanie; Zapisz i przechowuj aktualny wynik.
      3. Zaktualizuj pozycję, aby wygenerować nową kombinację parametrów C2,L 2,I 2,b 2. Uruchom jedną iterację treningową i porównaj jej przystosowanie z zapisaną wartością.
      4. Jeśli nowa kombinacja działa lepiej niż poprzednia, zamień oryginalny wynik i ustaw aktualną pozycję na C2,L 2,I 2,b 2. Jeśli wyniki są gorsze, ustal marker, aby uniknąć wielokrotnego wybierania nieskutecznych kombinacji przy jednoczesnym zatrzymywaniu obecnego kandydata.
      5. Powtarzaj kroki 2.2.2.2-2.2.2.4 przez wiele iteracji, aż nie zaobserwuje się dalszej poprawy, uzyskując optymalną kombinację Cn,L n,I n,b n.
      6. Zapisz Cn,L n,I n,bn jako ostateczne parametry strukturalne i rozpocznij formalne szkolenie.
    3. Faza szkoleniowa
      UWAGA: Warstwy CNN i LSTM o najlepszej przystosowości są wybierane jako ostateczna konfiguracja sieci do pełnego szkolenia i oceny na zbiorze testowym (Rysunek 3).
      1. Ustaw zakres wyszukiwania dla struktur modeli i hiperparametrów, w tym 2-6 warstw CNN, 1-4 warstwy LSTM, zakres szybkości uczenia od 1 × 10-5 do 1 × 10-2, wielkości partii 32, 64 lub 128 oraz maksymalnie 100 epok treningowych. Optymalizacja tych parametrów była wspólna podczas iteracji SSA.
      2. Zainicjalizuj populację Algorytmu Sparrow Search (SSA), ustawiając rozmiar populacji na 30, a maksymalną liczbę iteracji na 100. Upewnij się, że każdy z nich reprezentuje konfigurację modelu kandydata, w tym głębię CNN, głębię LSTM, tempo uczenia oraz wielkość partii.
      3. W każdej iteracji podziel populację SSA na odkrywców (20%), wyznawców (70%) i strażników (10%). Zgodnie z regułami aktualizacji pozycji SSA, odkrywcy przeprowadzają eksplorację globalną, naśladowcy lokalną eksploatację, a sentinele zapobiegają uwięzieniu algorytmu w lokalnych optymatach. Aktualizuj wektory pozycji wszystkich osób po każdej iteracji.
      4. Użyj średniego błędu kwadratowego (MSE) na zbiorze walidacyjnym jako funkcji dopasowania do oceny wyników predykcyjnych każdego modelu kandydata. Dynamicznie dostosowuj kierunek wyszukiwania na podstawie wartości dopasowania, pozwalając SSA stopniowo zbiegać się w kierunku optymalnej struktury i konfiguracji hiperparametrów.
      5. Po zakończeniu iteracji SSA wyjmij optymalną głębokość CNN, głębię LSTM, szybkość uczenia oraz rozmiar partii. Przetrenuj model na pełnym zbiorze treningowym używając tych optymalnych parametrów i zapisz ostateczne wytrenowane wagi modelu do final_model.h5".
        UWAGA: Algorytmy optymalizacyjne są szeroko stosowane w dziedzinach przemysłowych20,21, powszechnie stosowane w harmonogramowaniu produkcji22, kontroli jakości23, utrzymaniu sprzętu24, alokacji zasobów25 oraz optymalizacji parametrów procesu26, między innymi. Algorytm poszukiwania wróbli (SSA) przyjęty w tym badaniu to inteligentny algorytm optymalizacji symulujący zachowania żerujące populacji wróbli. Osiąga efektywną optymalizację dzięki mechanizmowi współpracy odkrywców, naśladowców i strażników27. Algorytm wyznacza najlepszego osobnika w populacji jako odkrywcę do przeprowadzenia globalnej eksploracji, podczas gdy pozostałe osobniki pełnią rolę naśladowców prowadzących lokalną eksploatację, a sentinele są ustawione, by unikać lokalnego optymy28. SSA stosuje adaptacyjną strategię równoważenia możliwości eksploracji i eksploatacji, charakteryzując się szybką prędkością zbieżności i prostymi ustawieniami parametrów29. W modelu prognozowania temperatury samospalania węgla zaproponowanym w tym artykule, SSA stanowi podstawową metodę koncepcji "optymalizacji strukturalnej", automatycznie optymalizując architekturę modelu CNN-LSTM-Attention oraz kluczowe hiperparametry w celu zwiększenia dokładności i uogólnienia predykcji pomiędzy różnorodnymi zbiorami danych.

3. Walidacja modeli i ocena przenosalności

  1. Walidacja skuteczności modelu
    1. Zaprojektować eksperyment ablacyjny wykorzystując dane z eksperymentu z węgla samospalającego, aby zweryfikować indywidualny wkład modułów CNN, LSTM i Attention. Podziel zbiór danych losowo na zestawy treningowe (80%) i testowe (20%), używając stałego losowego ziarna 42, aby zapewnić powtarzalność.
      UWAGA: Użyj stacji roboczej wyposażonej w kartę NVIDIA RTX 4090 i przeprowadź wszystkie eksperymenty w Pythonie 3.8 oraz TensorFlow 2.6 (informacje o IDE rozwojowym są wymienione w Tabeli Materiałów).
    2. Ustaw funkcję celu na średni błąd kwadratowy (MSE) i zastosuj ulepszony algorytm wyszukiwania Sparrow (SSA), aby wspólnie optymalizować kluczowe hiperparametry architektury CNN-LSTM-Attention, w tym głębokość sieci, szybkość uczenia i rozmiar partii. Aby zapewnić sprawiedliwość, trenuj wszystkie modele bazowe na tym samym zbiorze danych, używając identycznych epok treningowych, wskaźników uczenia i rozmiarów partii, i oceniaj na tym samym zbiorze testowym.
    3. Opierając się na stałej strukturze modelu CNN-LSTM-Attention, stosuje się pięć klasycznych metod optymalizacji parametrów – Genetic Algorithm (GA), Grey Wolf Optimization (GWO), Particle Swarm Optimization (PSO), Whale Optimization Algorithm (WOA) oraz Sparrow Search Algorithm (SSA) – aby zoptymalizować model, a następnie przeprowadzono kompleksową ewaluację integrującą optymalizację strukturalną.
    4. Oblicz metryki wydajności dla każdego modelu na zestawie testowym i zwizualizuj wyniki za pomocą wykresów porównawczych.
      1. Przedstawij badanie ablacji (Tabela 1), wyniki predykcyjne siedmiu modeli (Tabela 2) oraz porównawcze wyniki algorytmów optymalizacyjnych (Tabela 3).
      2. Dla rysunków nakreśl prognozy modelu na podstawie obserwacji i ustaw etykiety legend na "Przewidywane" i "Mierzone". Zadbaj o spójne czcionki, schematy kolorów i jednostki osi we wszystkich figurach. W tabelach zachowaj spójność kroju pisma, kolejności kolumn, jednostek i miejsc przecinkowych.
  2. Walidacja przenośności modelu
    1. Konstrukcja zbioru danych walidacyjnych transferu
      1. Wykorzystaj zestaw danych transferowo-walidacyjny składający się z 83 próbek węgla z sześciu kopalń, co daje łącznie 12 450 rekordów temperaturowo-gazowych. Dla każdego miejsca podziel dane na zestawy treningowe (80%) i testowe (20%) oraz utrzymuj zrównoważoną reprezentację w różnych warunkach geologicznych.
        UWAGA: Aby ocenić wpływ "optymalizacji strukturalnej" na wydajność generalizacji modelu, w niniejszym badaniu opracowano kompleksowy zestaw cech temperatur samospalania węgla, obejmujący wiele stanowisk górniczych i zróżnicowane warunki geologiczne. Zbiór danych integruje dane z monitoringu terenowego z reprezentatywnych kopalń, takich jak kopalnia Qinglong (niemal poziome pokłady węgla), kopalnia Xiao Ji Han (grube pokłady węgla) oraz kopalnia Zhangjiamao (płytkie zakopane pokłady węgla), a także dane eksperymentalne z pokładów węgla skłonnych do samozapłonu klasy I-II w różnych warunkach geologicznych, w tym pokładu węgla nr 4 (wysoka zawartość lotnych), 72 pokładów węgla w kopalni Yuan Dian nr 2 (dach kompozytowy), oraz kopalnia Hongqingliang (cechy podatne na utlenianie).
    2. Analiza heterogeniczności zbiorów danych między kopalniami
      1. Łączne rekordy na kopalnię dla CO, CO2, CH4, C2H6, C2H4 oraz temperatury węgla; Zachowaj mój identyfikator i znaczniki czasu.
      2. Harmonizuj jednostki (ppm lub %) i wyrównuj znaczniki czasu; Obsługa brakujących wartości zgodnie z krokiem 2.1.
      3. Oblicz min, Q1, medianę, Q3, max i IQR dla każdej zmiennej × moje; Flaguj odstępstw według zasady 1.5×IQR.
      4. Ilościowo określ heterogeniczność kopalń krzyżowych, obliczając różnice fałdów dla Q3 i max; podkreśl przypadki ≈ dwóch rzędów wielkości (zwłaszcza CO/CO2).
      5. Rysuj wykresy typu box and whisker według moich (jeden panel na zmienną; wspólna oś y dla zmiennej; pokazuj wartości odstające jako punkty; oznacz kwartyle).
      6. Eksportuj jako rysunek 4.
      7. Wybierz cztery dobrze działające modele z zbioru danych laboratoryjnych – XGBoost, BP, TCN i Transformer – do porównania, aby zweryfikować transferowalność proponowanego modelu.

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

Results

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

Stabilność modelu została zweryfikowana za pomocą czterech niezależnych zbiorów danych, co wykazało spójną wydajność predykcyjną w różnych warunkach geologicznych. Ta sekcja przedstawia reprezentatywne wyniki i oceny wydajności eksperymentów samospalania węgla oraz proponowanego modelu SSA-CNN-LSTM-Attention. Najpierw analizuje się zmiany w wielu wskaźnikach gazu zebranych podczas zaprogramowanych eksperymentów utleniania ogrzewania, aby odsłonić dynamiczne wzorce stężeń gazów na różnych ...

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

Discussion

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

Używaj nienaruszonych bloków węglowych; Wykonaj tylko czyszczenie powierzchni po próbce i natychmiast podwójnie uszczelnij, aby uniknąć długotrwałego narażenia. Utrzymuj linię gazową szczelną za pomocą kontroli stałego przepływu (MFC), wykonuj zaprogramowane ogrzewanie dokładnie zgodnie z protokołem i kalibruj GC według certyfikowanych standardów. Pobieranie sygnałów temperatury i gazów w stałych odstępach oraz synchronizacja znaczników czasu (patrz protokół). Z punktu widzenia obliczeniowego popraw i zapisz środowisko (...

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

Disclosures

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

Autorzy nie mają nic do ujawnienia.

Acknowledgements

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

Prace te zostały wsparte przez Narodową Fundację Nauk Przyrodniczych Chin (grant nr 52274206) dla projektu dotyczącego dynamicznych zakłóceń i charakterystyk pełzania ścinającego w głębokiej twardej skale i krytycznym zachowaniu potęgowym, a także przez Fundusz Młodzieży Narodowej Fundacji Nauk Naturalnych Chin (grant nr 51904144) w sprawie badań nad efektami dyfuzji podczas migracji gazu z pokładów węgla.

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

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
6-portowy, 2-pozycyjny zawór próbkowania gazu z uniwersalnym siłownikiemVICI ValcoEUDA-2C6UWTzłączki 1/16"; Porty 0,75 mm; RS-232; Rozstaw 2"
Łódź próbkowa z glinuMTI CorporationEQ-CA-L50W40H20>99,5% Al2O3; 50 razy; 40 razy; 20 mm
Oprogramowanie chromatograficzneAgilent TechnologiesOpenLab CDSPozyskiwanie/przetwarzanie danych
Próbki węgla (zbierane w terenie)Kolekcjonowanie wewnętrzne/terenoweNie maŹródło szczegółowo opisane w Metodach
CUDA / cuDNNNVIDIAhttps://developer.nvidia.com/cuda-zoneCUDA 11.x; dopasowanie cuDNN
Mainframe DAQKeysightDAQ970A6½-cyfrowy DMM; USB/LAN
Osuszacz (wskazujący)Dreżyt W.A. Hammonda23001Siarczan wapnia; 8 siatki; 1 funt
Pompa powietrzna membranowaKNFhttps://www.knf.comCiągły dopływ powietrza; Regulowany przepływ
Fartuch laboratoryjny FRBulwarkKEL2 (seria)Zgodność z NFPA 2112
Chromatograf gazowyAgilent TechnologiesG3540A (System 8890 GC)system GC; EPC; do 2 wlotów / 4 detektorów
Rękawice odporne na wysoką temperaturęAnsell43-113Przerywane do ~350 stopni i stopień; C
Powietrze o wysokiej czystościAir Liquide / Airgashttps://www.airgas.com/solutions/specialty-gases/pure-gases/alphagaz≥ 99,99% czystości
IDEJetBrains / Microsofthttps://www.jetbrains.com/pycharm/ ; https://code.visualstudio.com/downloadPyCharm / VS Code
Filtry inlineSwagelokhttps://www.swagelok.com/downloads/webcatalogs/en/ms-01-92.pdfSpiekane elementy SS 0,5– 15 & mikro; m
Termopary typu KOMEGAhttps://www.omega.comTyp K (NiCr– NiSi)
Regulator przepływu masowego (0– 200 sccm)Alicat ScientificMC-200SCCM-DMC-serialu; ± (0,8% rdg + 0,2% FS)
Gazy kalibracyjne wieloskładnikoweMesserhttps://specialtygases.messergroup.com/standard-gas-mixturesKoncentracja celów; Certyfikat
System operacyjnyMicrosofthttps://www.microsoft.com/en-us/software-download/windows11Windows 11
System operacyjnyKanonicznehttps://ubuntu.com/download/desktopUbuntu LTS (22.04/24.04)
Rurki PTFE/PFASwagelokhttps://products.swagelok.com/en/all-products/hoses-flexible-tubing/ptfe-pfa-core-hose/c/716?clp=trueChemicznie odporny; 1/16– 1/4 w OD
PythonPython Software Foundationhttps://www.python.org/downloads/Wersja 3.8
Kwarcowy łódź próbkowaMTI CorporationEQ-QB-1017 (przykładowy rozmiar)~1200 stopni i stopień; C temperatura robocza
Gogle ochronne3M93506P1-DC (przykład)Chemiczny plusk; Opcje antymgielarne
Rury bezszwowe ze stali nierdzewnejSwagelokhttps://www.swagelok.com/downloads/webcatalogs/en/ms-01-181.pdf316/316L; 1/16– 1/4 w OD
Oprawy rurowe ze stali nierdzewnej i oprawki TulejkiSwagelokhttps://products.swagelok.com/en/all-products/fittings/tube-fittings-adapters/c/154?clp=true316/316L; podwójna tulejka
Regulator temperaturyEurotherm3216PID pojedynczej pętli; Programowalne rampy/alarmy
TensorFlowGooglehttps://www.tensorflow.orgWersja 2.6
Moduł termopary USBNI (Narodowe Instrumenty)781314-01 (USB-TC01)K/J/T; Oprogramowanie do logowania
Przepływomierz o zmiennej powierzchni (Visi-Float)Dwyer InstrumentsVFA-2-EC-SS (0,2 i zagadka; 2 SCFH Air)Zakres o niskim przepływie; Bezpośrednie czytanie
Karta GPU stacji roboczejNVIDIA900-1G136-2530-000 (Edycja Założycieli)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