Pesquisa sobre um modelo profundamente integrado para otimização estrutural na previsão de temperatura de combustão espontânea de carvão

Summary

Aqui, descrevemos um protocolo para prever a temperatura da combustão espontânea do carvão usando uma estrutura CNN-LSTM-Attention otimizada para SSA que otimiza automaticamente a estrutura e os parâmetros da rede, melhorando assim a precisão, adaptabilidade e generalização entre conjuntos de dados heterogêneos e condições variadas de mineração.

Abstract

Aqui, propomos um protocolo para a previsão espontânea da temperatura de combustão do carvão baseado em um framework de atenção otimizado para redes neurais convolucionais (CNN) e memória de curto prazo longo (LSTM) otimizado para o Algoritmo de Busca de Pardal. Esse protocolo aborda as limitações das arquiteturas de rede fixa, generalização restrita e baixa transferibilidade comumente encontradas em métodos convencionais. A estrutura extrai características espaciais usando CNN e captura dependências temporais com redes LSTM, enquanto o mecanismo de atenção destaca fases críticas de temperatura e características salientes. A SSA otimiza conjuntamente a profundidade da rede e os hiperparâmetros, permitindo adaptação dinâmica a diferentes complexidades de dados entre diferentes locais de mineração e condições experimentais. O protocolo consiste em aquisição de dados, pré-processamento de características, construção de modelos, otimização de parâmetros e etapas de validação. Resultados experimentais demonstram que o modelo proposto alcança uma precisão preditiva significativamente maior em conjuntos de dados homogêneos e mantém um desempenho robusto de generalização em conjuntos de dados heterogêneos, tornando-o bem adequado para monitoramento em tempo real da temperatura das minas de carvão e sistemas de alerta precoce.

Introduction

O carvão ainda desempenha um papel dominante na estrutura energética da China. No entanto, durante armazenamento, transporte e mineração, pode ocorrer aquecimento espontâneo, levando à combustão espontânea. Isso frequentemente causa incêndios nas minas, ameaçando seriamente a segurança e a vida dos trabalhadores 1,2,3,4. Portanto, a previsão precisa dos riscos de incêndio em minas de carvão e suas variações de temperatura é essencial para o alerta precoce e a mitigação de desastres. Os métodos de predição para a temperatura espontânea da combustão do carvão evoluíram de fórmulas empíricas iniciais para abordagens de análise baseadas em dados reais de ^{monitoramento 5,6,7}. Os primeiros estudos baseavam-se principalmente em modelos físicos e equações de cinética química para modelar o mecanismo de liberação de calor por oxidação do carvão. No entanto, devido à complexidade dos parâmetros do modelo e à aplicabilidade limitada, esses modelos enfrentam limitações significativas no uso^{prático 8,9,10}. Com o desenvolvimento de algoritmos inteligentes, métodos como Random Forest (RF)¹¹ e Artificial Neural Networks (ANN⁾¹² foram gradualmente introduzidos para aprimorar as capacidades de previsão por meio da construção de mapeamentos não lineares. Nos últimos anos, avanços em aprendizado profundo ofereceram novas abordagens para prever a temperatura espontânea da combustão do carvão. Wang et ^al.13 propuseram um método de detecção baseado em tecnologia de medição acústica de temperatura, analisando as emissões de gases sob várias condições para estabelecer limiares preliminares e um sistema de alerta precoce. Desenvolveu um modelo matemático refinado para medir a temperatura do carvão solto. Redes Neurais de Grafo (GNN) e arquiteturas Transformer também foram introduzidas. Pan et ^al.3 apresentaram um modelo de previsão da temperatura espontânea da combustão do carvão baseado em Redes Convolucionais de Grafos (GCN), que incorpora as interações entre indicadores de gás para alcançar maior precisão na previsão.

No entanto, métodos existentes ainda enfrentam limitações na seleção de hiperparâmetros e na generalização de modelos. Para melhorar o desempenho, pesquisadores introduziram algoritmos inteligentes de otimização, como o Algoritmo de Busca Sparrow (SSA), para ajustar hiperparâmetros como taxa de aprendizado e tamanho do lote. Wang et ^al.14 propuseram o modelo SSA-CNN, que, pela primeira vez, integra um algoritmo de inteligência em enxame com uma estrutura de rede neural convolucional. Essa abordagem não apenas melhora a eficiência da otimização de parâmetros, mas também captura efetivamente as características estruturais espaciais nos dados de combustão espontânea do carvão. Long et ^al.15 e Zou et ^al.16, respectivamente, propuseram modelos de predição de combustão espontânea de carvão baseados na BO-Light Gradient-Boosting Machine (GBM) e na otimização de enxame de partículas XGBoost (PSO-XGB). Ambos os modelos melhoraram a convergência e a precisão ao otimizar a estratégia de busca, fornecendo novas abordagens para a otimização de modelos de previsão de combustão espontânea do carvão.

Embora estudos existentes tenham avançado na previsão inteligente da temperatura espontânea de combustão do carvão, a maioria dos esforços tem se limitado à otimização dos parâmetros do modelo sem melhorias no nível da arquitetura da rede. Consequentemente, os modelos atuais comumente apresentam as seguintes limitações: Primeiro, a maioria adota estruturas estáticas, onde a arquitetura da rede (por exemplo, número de camadas convolucionais, camadas LSTM) e os principais parâmetros de treinamento (por exemplo, taxa de aprendizado, tamanho do lote) são definidos manualmente ou proporcionalmente degradados durante a construção inicial do modelo e permanecem inalterados durante o treinamento e previsão, não tendo capacidade de se adaptar dinamicamente à complexidade dos dados. Segundo, os modelos geralmente carecem de mecanismos adaptativos para ajustar a condições variadas, como diferentes períodos de tempo, faixas de temperatura e escalas de concentração de gás, tornando difícil atender às exigências da previsão multi-condição. Terceiro, sua generalização e transferibilidade permanecem inadequadas, resultando em previsões instáveis e imprecisas entre diferentes conjuntos de dados regionais. Embora algumas melhorias tenham sido alcançadas no nível dos parâmetros, a estrutura da rede permanece estática sem a otimização dinâmica conjunta da estrutura e dos parâmetros, limitando os ganhos de desempenho geral.

Portanto, este estudo visa desenvolver um modelo flexível e de alta precisão para a previsão da temperatura de combustão espontânea do carvão para enfrentar os desafios acima. Por meio de experimentos comparativos, a arquitetura CNN-LSTM-Attention foi selecionada como modelo base. Para acomodar os diferentes requisitos de profundidade da rede para diferentes camadas de carvão, a estrutura estática tradicional é substituída por uma abordagem de "otimização estrutural". Nessa abordagem, o número de camadas convolucional (CNN) e recorrente (LSTM), juntamente com os principais parâmetros de treinamento, não é fixo, mas é ajustado dinamicamente de acordo com a força das características espaciais e temporais nos dados.

Protocol

1. Coleta de dados de combustão espontânea de carvão

1. Montar o sistema de oxidação de aquecimento programado a carvão do tipo ar, incluindo o sistema de fornecimento de gás, a unidade de controle de temperatura e os instrumentos de análise de gás. Certifique-se de que todas as conexões estejam seguras, as configurações de controle de temperatura estejam precisas e que o cromatógrafo gasoso e outros dispositivos analíticos estejam totalmente calibrados.
2. Pese 1000 g de amostra de carvão mista (mantenha a forma original em pedaços), homogeneize completamente a amostra usando o método de quarteamento e coloque uniformemente os blocos de carvão dentro da câmara de aquecimento. Mantenha espessura e distribuição uniformes para garantir aquecimento uniforme.
3. Inicie a bomba de ar e ajuste a vazão usando o medidor de fluxo para manter um fluxo estável de gás de 100 mL/min para a câmara de aquecimento. Garanta a estabilidade do fluxo dentro de ±2 mL/min.
4. Inicie o sistema de aquecimento de acordo com o programa pré-definido de rampa de temperatura, aumentando gradualmente a temperatura do forno a uma taxa de 1,0 °C/min até 200 °C. Use o software de controle para monitorar as mudanças de temperatura em tempo real para garantir que a taxa de aquecimento atenda às especificações do projeto.
5. Use sensores de temperatura instalados próximos à amostra de carvão para monitorar e registrar continuamente variações de temperatura, garantindo uma coleta de dados precisa e ininterrupta.
   NOTA: Durante o experimento de aquecimento programado, os dados de temperatura e concentração de gás eram registrados automaticamente a cada 10 s usando sensores de temperatura calibrados e analisadores de gás até a conclusão do experimento.
6. Transporte os gases gerados durante a reação de aquecimento através do sistema de fornecimento de gás para o cromatógrafo gasoso.
   1. Realize amostragem automatizada em intervalos pré-definidos (30 s) para medir as concentrações de oxigênio, monóxido de carbono e dióxido de carbono, e realize a calibração de base do GC antes de cada experimento.
   2. Manter um fluxo na linha de transferência de 100 mL/min (±2 mL/min), ajustado à saída da câmara e regulado pelo controlador de fluxo de massa para garantir uma entrega estável ao cromatógrafo gasoso durante a autoamostragem de 30 s.
7. Antes do treinamento do modelo, aplique um pipeline padronizado de pré-processamento de dados para garantir a qualidade e consistência dos dados.
   1. Normalize todas as características para média zero e variância unitária para eliminar discrepâncias de escala e facilitar a convergência do modelo.
   2. Para suprimir o ruído do sensor e estabilizar tendências temporais, aplique um filtro de média móvel com janela de tamanho 5 para suavizar os dados das séries temporais. Impute valores faltantes, se estiverem presentes, usando a média das observações vizinhas para manter a completude do conjunto de dados.
   3. Além disso, identifique valores atípicos usando um limiar de pontuação z de |z| > 3 e excluí-los da análise subsequente para melhorar a robustez do modelo.
      NOTA: O experimento coletou dados de 83 amostras de carvão, registrando as concentrações de gases como oxigênio, monóxido de carbono, dióxido de carbono, metano, etano e etileno em relação à temperatura do carvão. Um diagrama esquemático do sistema de oxidação de aquecimento programado a carvão do tipo ar é mostrado na Figura 1.

2. Construção de um modelo de atenção CNN-LSTM baseado na otimização estrutural SSA

1. Construção do modelo de atenção CNN-LSTM
   1. Construa o módulo de rede neural convolucional (CNN) para extrair automaticamente características espaciais das sequências de entrada de temperatura e concentrações de gás.
      1. Empilhe 2-4 camadas de convolução 1D (passo = 1, preenchimento = "igual", tamanho do núcleo 3-7). Após cada camada, aplique normalização (BatchNorm ou LayerNorm), ativação ReLU ou GELU, e dropout 0.1-0.2. Opcionalmente, use MaxPooling1D (pool = 2) nas primeiras camadas para redução de ruído/downsampling, e evite o pooling na camada final para preservar a resolução temporal.
      2. Use uma convolução 1×1 para projetar a dimensão do canal para o que o LSTM a jusante espera. Mantenha o tensor em formato 3D de "tempo × canais" (não achate) e alimente-o diretamente para o LSTM com return_sequences=Verdadeiro; registro da contagem de camadas, canais, tamanho do kernel, pooling e dropout em um arquivo de configuração para habilitar busca SSA e reprodutibilidade.
   2. Trate a saída final do Conv1D como uma sequência ordenada no tempo de vetores de características, preservando o eixo temporal sem achatamento, e alimente-a diretamente no LSTM. Se o agrupamento prévio encurtou a sequência, use o comprimento reduzido; quando a dimensão do canal não corresponde à expectativa do LSTM, aplice-se uma convolução 1×1 ou projeção linear para alinhamento.
   3. Configure o LSTM com 64 unidades ocultas, ativação tanh e return_sequences=True para manter representações em cada passo de tempo. Implemente essa conversão no módulo de construção do modelo e registre as formas dos tensores de entrada/saída e as configurações de chave para garantir reprodutibilidade e rastreabilidade, mantendo assim representações em cada passo de tempo. Implemente essa conversão no módulo de construção do modelo e nos formatos de tensor de entrada/saída logarítmicos e configurações de chave para garantir reprodutibilidade e rastreabilidade.
   4. Insira um bloco de atenção temporal imediatamente após a saída do LSTM: o bloco assume as representações ocultas por passo de tempo e usa uma projeção de camada oculta única para produzir um vetor de peso de atenção.
   5. Defina a dimensão do vetor peso para 64, especificada diretamente na configuração da camada de atenção. Depois, normalize os pesos ao longo do eixo de tempo com um softmax, obtendo a importância relativa de cada passo de tempo. Use os pesos normalizados para calcular um vetor de contexto (soma ponderada), que é fundido com a representação da sequência e alimentado para a cabeça de regressão.
   6. Treine o módulo de atenção de ponta a ponta com a espinha dorsal; Se houver preenchimento de proteção, aplique uma máscara antes do softmax para ignorar passos inválidos.
   7. Apenas para os experimentos de ablação, divida-se o conjunto de dados cronologicamente em conjuntos de treinamento (80%) e conjuntos de teste (20%), enquanto realiza uma validação cruzada separada de cinco pontos para avaliar a estabilidade geral e a generalização do modelo proposto.
   8. Execute o treinamento a partir do diretório raiz do projeto, com todos os caminhos relativos ancorados nessa raiz. Aplique parada precoce de modo que, se o erro de validação não melhorar por 10 épocas consecutivas, o treinamento parar e os melhores pesos sejam salvos em ./checkpoints/best_model.h5.
   9. Para registrar o processo, um registrador de CSV grava perdas de treinamento/validação por época e métricas-chave para training_log.csv (colunas como época, train_loss, val_loss, métricas, carimbo de tempo). Atualize o arquivo do melhor modelo sempre que a validação melhorar, garantindo reprodutibilidade e apoiando análises subsequentes.
      NOTA: A CNN extrai automaticamente características espaciais dos dados de entrada por meio de conectividade local e compartilhamento de pesos. Núcleos convolucionais superficiais capturam variações locais sutis. Características espaciais se manifestam como a distribuição de concentração e os padrões de diferentes gases (como oxigênio e monóxido de carbono) ao mesmo tempo, incluindo anomalias locais e gradientes de concentração. Essas refletem as correlações espaciais dos gases durante o processo de combustão espontânea do carvão, que as CNNs conseguem identificar^{efetivamente 17}. A sequência de características extraída pela CNN é alimentada em um LSTM, que modela dinamicamente as séries temporais por meio de seus mecanismos de gate. Características temporais como aumento gradual da temperatura, flutuações e mudanças súbitas na concentração de gás, e sua ordem sequencial, refletem a temperatura acumulada e as reações gasosas durante a combustão espontânea do carvão. O LSTM captura efetivamente esses padrões, aprimorando a precisão das previsões e a estabilidade do^{modelo 18}. Um mecanismo de atenção é introduzido na camada de saída LSTM para atribuir pesos às características a cada passo de tempo. Isso foca em estágios críticos da temperatura espontânea da combustão do carvão, fortalece informações valiosas, suprime o ruído e melhora o desempenho da previsão¹⁹ (Figura 2).
2. Projeto de um método de otimização de estrutura de modelo baseado em SSA
   NOTA: A estratégia de otimização dinâmica proposta aqui integra o design da estrutura do modelo com a otimização de hiperparâmetros e é dividida no geral em estágio de preparação, estágio de deformação e estágio formal de treinamento. Esse método alcança ajuste colaborativo dos parâmetros estruturais e hiperparâmetros, permitindo que o modelo mantenha a flexibilidade estrutural enquanto melhora o desempenho e a adaptabilidade a condições operacionais complexas.
   1. Fase de preparação
      1. Antes da busca baseada em SSA, defina o espaço de busca hiperparâmetro/estrutura como uma 4-tupla: x_i= L_cnn, L_lstm, L_r, batch_size, L_cnn (número de blocos CNN) e L_lstm (número de camadas LSTM empilhadas) são valores inteiros e amostrados uniformemente a partir de {1,2,3,4} e {1,2,3}, respectivamente.
      2. Como o otimizador propõe vetores de valores reais, mapeie propostas não inteiras para o inteiro mais próximo usando a regra round() do Python (empate para par) e então corte para [1,4] ou [1,3]. Desenhe a taxa de aprendizado lré log-uniforme a partir do intervalo [1 x ^10-2, 1 x ^10-1]. Corte propostas fora do alcance para o limite mais próximo. batch_size é uma escolha discreta de {32, 64, 96, 128}.
      3. A menos que seja indicado o contrário, não imponha restrições cruzadas de parâmetros durante essa etapa de preparação. Para reprodutibilidade, aplique uma seed aleatória comum (42) a Python, NumPy, o framework de deep learning e a variável de ambiente PYTHONHASHSEED.
      4. Inicialize a busca SSA com um tamanho populacional de 30 e execute por 80 iterações.
         NOTA: Essas configurações, juntamente com as regras de arredondamento/recorte acima, definiram a preparação do espaço de busca usado para todos os experimentos subsequentes.
   2. Fase de deformação
      1. Gerar aleatoriamente um conjunto inicial de parâmetros, denotado como C_1,L 1,I_{1,b 1.} Antes de treinar a rede, arredonda as dimensões inteiras para o inteiro mais próximo e corte todos os valores aos seus limites.
      2. Use uma única execução de treinamento/validação para calcular o Erro Quadrático Médio (MSE) de validação como aptidão; Registre e armazene o resultado atual.
      3. Atualize a posição para gerar uma nova combinação de parâmetros C_2,L 2,I_{2,b 2}. Execute uma única iteração de treinamento e compare sua aptidão com o valor armazenado.
      4. Se a nova combinação tiver desempenho melhor que a anterior, substitua o resultado original e defina a posição atual para C_{2,L 2,I 2,b 2.} Se tiver um desempenho pior, estabeleça um marcador para evitar selecionar repetidamente combinações ineficazes enquanto mantém o titular.
      5. Repita os passos 2.2.2.2-2.2.2.4 por múltiplas iterações até que nenhuma melhora adicional seja observada, obtendo assim a combinação ótima C _{n,L n,I n,b n.}
      6. Guarde C _{n,L n,I} n,b_n como parâmetros estruturais finais e comece o treinamento formal.
   3. Fase de treinamento
      NOTA: As contagens das camadas CNN e LSTM com a melhor aptidão são selecionadas como configuração final da rede para treinamento completo e avaliação no conjunto de teste (Figura 3).
      1. Defina o alcance de busca por estruturas e hiperparâmetros de modelo, incluindo 2-6 camadas CNN, 1-4 camadas LSTM, uma faixa de taxa de aprendizado de 1 × ^10-5 a 1 × ^10-2, tamanhos de lote de 32, 64 ou 128, e um máximo de 100 épocas de treinamento. Otimize esses parâmetros em conjunto durante as iterações do SSA.
      2. Inicialize a população do Algoritmo de Busca Sparrow (SSA) definindo o tamanho da população para 30 e o número máximo de iterações para 100. Certifique-se de que cada indivíduo represente uma configuração de modelo candidato, incluindo profundidade CNN, profundidade LSTM, taxa de aprendizado e tamanho do lote.
      3. Em cada iteração, divida a população da SSA em descobridores (20%), seguidores (70%) e sentinelas (10%). De acordo com as regras de atualização de posição da SSA, os descobridores realizam exploração global, os seguidores realizam exploração local, e os sentinelas impedem que o algoritmo fique preso em ótimos locais. Atualize os vetores de posição de todos os indivíduos após cada iteração.
      4. Use o erro quadrático médio (MSE) no conjunto de validação como função de aptidão para avaliar o desempenho preditivo de cada modelo candidato. Ajuste dinamicamente a direção da busca com base nos valores de aptidão, permitindo que a SSA converja gradualmente para a estrutura ótima e a configuração dos hiperparâmetros.
      5. Após concluir as iterações do SSA, produza a profundidade ótima de CNN, profundidade LSTM, taxa de aprendizado e tamanho do lote. Retreine o modelo no conjunto completo de treinamento usando esses parâmetros ótimos e salve os pesos finais treinados do modelo em final_model.h5".
         NOTA: Os algoritmos de otimização são amplamente aplicados em áreas^{industriais 20,21}, comumente usados em escalonamento^{de produção 22}, controle^{de qualidade 23}, manutenção^{de equipamentos 24}, alocação^{de recursos 25} e otimização de parâmetros^{de processo 26}, entre outros. O algoritmo de busca por pardais (SSA) adotado neste estudo é um algoritmo inteligente de otimização que simula o comportamento de forrageamento das populações de pardais. Ele alcança otimização eficiente por meio do mecanismo colaborativo de descobridores, seguidores e^{sentinelas 27}. O algoritmo designa o melhor indivíduo da população como o descobridor para realizar a exploração global, enquanto os demais indivíduos atuam como seguidores conduzindo a exploração local, e sentinelas são configurados para evitar ótimos locais²⁸. A SSA emprega uma estratégia adaptativa para equilibrar capacidades de exploração e exploração, apresentando velocidade rápida de convergência e configurações simples^{de parâmetros 29}. No modelo de previsão da temperatura de combustão espontânea do carvão proposto neste artigo, a SSA serve como o método central do conceito de "otimização estrutural", otimizando automaticamente a arquitetura do modelo CNN-LSTM-Attention e os hiperparâmetros chave para melhorar a precisão da previsão e a generalização entre conjuntos de dados heterogêneos.

3. Validação de modelos e avaliação de transferibilidade

1. Validação da eficácia do modelo
   1. Projete um experimento de ablação usando dados experimentais de combustão espontânea de carvão para verificar as contribuições individuais dos módulos CNN, LSTM e Atenção. Divida o conjunto de dados aleatoriamente em conjuntos de treinamento (80%) e conjuntos de teste (20%) usando uma semente aleatória fixa de 42 para garantir a reprodutibilidade.
      NOTA: Use uma estação de trabalho equipada com uma GPU NVIDIA RTX 4090 e execute todos os experimentos com Python 3.8 e TensorFlow 2.6 (as informações do IDE de desenvolvimento estão listadas na Tabela de Materiais).
   2. Defina a função objetivo para significar o erro quadrático (MSE) e aplique o aprimorado Algoritmo de Busca Sparrow (SSA) para otimizar conjuntamente os hiperparâmetros-chave da arquitetura CNN-LSTM-Attention, incluindo profundidades da rede, taxa de aprendizado e tamanho do lote. Para garantir justiça, treine todos os modelos de referência no mesmo conjunto de dados usando épocas de treinamento, taxas de aprendizado e tamanhos de lote idênticos, e avalie no mesmo conjunto de testes.
   3. Com base em uma estrutura fixa de modelo CNN-LSTM-Atenção, empregar cinco métodos clássicos de otimização de parâmetros — Algoritmo Genético (GA), Otimização do Lobo Cinzento (GWO), Otimização em Enxame de Partículas (PSO), Algoritmo de Otimização de Baleias (WOA) e Algoritmo de Busca de Pardais (SSA) — para otimizar o modelo, seguido de uma avaliação abrangente integrando a otimização estrutural.
   4. Calcule as métricas de desempenho para cada modelo no conjunto de teste e visualize os resultados usando gráficos comparativos.
      1. Relate o estudo de ablação (Tabela 1), o desempenho preditivo dos sete modelos (Tabela 2) e o desempenho comparativo dos algoritmos de otimização (Tabela 3).
      2. Para as figuras, plote as previsões do modelo com base nas observações e defina os rótulos das legendas para "Previsível" e "Medido". Garanta fontes consistentes, esquemas de cores e unidades de eixo em todas as figuras. Para as tabelas, mantenha a tipografia, ordem das colunas, unidades e casas decimais consistentes.
2. Validação da transferibilidade do modelo
   1. Construção do conjunto de dados de validação de transferência
      1. Use um conjunto de dados de validação de transferência com 83 amostras de carvão de seis locais de mineração, totalizando 12.450 registros de características temperatura-gás. Para cada local, divida os dados em conjuntos de treinamento (80%) e de teste (20%), mantendo uma representação equilibrada entre diversas condições geológicas.
         NOTA: Para avaliar o impacto da "otimização estrutural" no desempenho de generalização do modelo, este estudo construiu um conjunto de dados abrangente de características de temperatura espontânea de combustão do carvão, abrangendo múltiplos sítios de mineração e diversas condições geológicas. O conjunto de dados integra dados de monitoramento de campo de minas representativas como a Mina Qinglong (camadas de carvão quase horizontais), a Mina Xiao Ji Han (camadas espessas de carvão) e a Mina Zhangjiamao (camadas de carvão enterradas rasas), bem como dados experimentais de camadas de carvão propensas à autoignição da classe I-II sob diversas condições geológicas, incluindo a camada de carvão nº 4 (alto teor volátil), a camada de carvão 72 da Mina Yuan Dian No. 2 (telhado composto), e a Mina Hongqingliang (características propensas à oxidação).
   2. Análise de heterogeneidade de conjuntos de dados cruzados
      1. Registros agregados por mina para CO, CO₂, CH₄, C₂H₆, C_{2 H 4} e temperatura do carvão; Mantenha meu ID e carimbos de data.
      2. Harmonize as unidades (ppm ou %) e alinhe os timestamps; lidar com os valores ausentes conforme especificado no passo 2.1.
      3. Calcule min, Q1, mediana, Q3, max e IQR para cada variável × minha; Marcar outliers pela regra 1,5×IQR.
      4. Quantifique a heterogeneidade entre minas calculando diferenças de dobras para Q3 e max; casos de destaque ≈ duas ordens de magnitude (especialmente CO/_{CO 2}).
      5. Plote gráficos de caixa e bigode pelo meu (um painel por variável; eixo y comum por variável; mostre outliers como pontos; rotule quartis).
      6. Exporte como Figura 4.
      7. Selecione quatro modelos de bom desempenho no conjunto de dados laboratorial — XGBoost, BP, TCN e Transformer — para comparação, a fim de validar a transferibilidade do modelo proposto.

Results

A estabilidade do modelo foi validada usando quatro conjuntos de dados independentes, demonstrando desempenho preditivo consistente em diferentes condições geológicas. Esta seção apresenta resultados representativos e avaliações de desempenho dos experimentos de combustão espontânea do carvão e do modelo proposto SSA-CNN-LSTM-Attention. Primeiro, as variações em múltiplos indicadores de gás coletadas durante os experimentos programados de oxidação por aquecimento são analisadas para revel...

Discussion

Use blocos de carvão intactos; Realize apenas a limpeza da superfície após a amostragem e faça a dupla vedação imediatamente para evitar exposição prolongada. Mantenha a linha de gás estanque com controle de fluxo constante (MFC), execute o aquecimento programado exatamente conforme especificado no protocolo e calibre o GC com padrões certificados. Adquira sinais de temperatura e gás em intervalos fixos e sincronize carimbos de tempo (veja protocolo). Do ponto de vista computacional, cor...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Válvula de amostragem de gás de 6 portas, 2 posições com atuador universal	VICI Valco	EUDA-2C6UWT	conexões de 1/16"; portas de 0,75 mm; RS-232; Distância de 2"
Barco de amostra de alumina	MTI Corporation	EQ-CA-L50W40H20	>99,5% Al2O3; 50 e vezes; 40 e vezes; 20 mm
Software de cromatografia	Tecnologias Agilent	OpenLab CDS	Aquisição/processamento de dados
Amostras de carvão (coletadas em campo)	Coletado internamente/em campo	N/A	Fonte detalhada em Métodos
CUDA / cuDNN	NVIDIA	https://developer.nvidia.com/cuda-zone	CUDA 11.x; cuDNN correspondente
Mainframe DAQ	Keysight	DAQ970A	DMM de dígitos 6½ USB/LAN
Dessecante (indicando)	Drierita W.A. Hammond	23001	sulfato de cálcio; 8 malhas; 1 lb
Bomba de ar com diafragma	KNF	https://www.knf.com	Suprimento contínuo de ar; Fluxo ajustável
Jaleco de laboratório FR	Baluarte	KEL2 (série)	Em conformidade com a NFPA 2112
Cromatógrafo gasoso	Tecnologias Agilent	G3540A (Sistema 8890 GC)	sistema GC; EPC; Até 2 entradas / 4 detectores
Luvas resistentes ao calor	Ansell	43-113	Intermitente até ~350 ° C
Ar de alta pureza	Air Liquide / Airgas	https://www.airgas.com/solutions/specialty-gases/pure-gases/alphagaz	≥ Pureza de 99,99%
IDE	JetBrains / Microsoft	https://www.jetbrains.com/pycharm/ ; https://code.visualstudio.com/download	PyCharm / VS Code
Filtros inline	Swagelok	https://www.swagelok.com/downloads/webcatalogs/en/ms-01-92.pdf	Elementos SS sinterizados 0.5– 15 & micro; m
Termopares do tipo K	OMEGA	https://www.omega.com	Tipo K (NiCr– NiSi)
Controlador de fluxo mássico (0– 200 sccm)	Alicat Scientific	MC-200SCCM-D	série MC; ± (0,8% RDG + 0,2% FS)
Gases de calibração multicomponentes	Messer	https://specialtygases.messergroup.com/standard-gas-mixtures	Concentração personalizada; Certificado
Sistema Operacional	Microsoft	https://www.microsoft.com/en-us/software-download/windows11	Windows 11
Sistema Operacional	Canônico	https://ubuntu.com/download/desktop	Ubuntu LTS (22.04/24.04)
Tubos de PTFE/PFA	Swagelok	https://products.swagelok.com/en/all-products/hoses-flexible-tubing/ptfe-pfa-core-hose/c/716?clp=true	Resistente a produtos químicos; 1/16– 1/4 em OD
Python	Fundação de Software Python	https://www.python.org/downloads/	Versão 3.8
Barco de amostra de quartzo	MTI Corporation	EQ-QB-1017 (tamanho de exemplo)	~1200 ° Temperatura de trabalho C
Óculos de segurança	3M	93506P1-DC (exemplo)	Spray químico; Opções anti-embaça
Tubo sem costura de aço inoxidável	Swagelok	https://www.swagelok.com/downloads/webcatalogs/en/ms-01-181.pdf	316/316L; 1/16– 1/4 em OD
Conexões e tubos de aço inoxidável Ferrules	Swagelok	https://products.swagelok.com/en/all-products/fittings/tube-fittings-adapters/c/154?clp=true	316/316L; Ferrule dupla
Controlador de temperatura	Euroterm	3216	PID de laço único; Rampas/alarmes programáveis
TensorFlow	Google	https://www.tensorflow.org	Versão 2.6
Módulo termopar USB	NI (Instrumentos Nacionais)	781314-01 (USB-TC01)	K/J/T; Software de registro
Medidor de fluxo de área variável (Visi-Float)	Instrumentos Dwyer	VFA-2-EC-SS (0.2– 2 SCFH Air)	Faixa de baixo fluxo; Leitura direta
GPU de estação de trabalho	NVIDIA	900-1G136-2530-000 (Edição dos Fundadores)	GeForce RTX 4090, 24 GB GDDR6X (FE)