Методическая статья

Исследование глубоко интегрированной модели для структурной оптимизации в прогнозировании температуры спонтанного горения угля

DOI:

10.3791/69457

⸱

19 декабря 2025 г.

 ,  ,  ,  , 
1School of Emergency Management and Safety Engineering, China University of Mining and Technology (Beijing)

В этой статье

Краткое содержание

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

Здесь мы описываем протокол для прогнозирования температуры спонтанного сгорания угля с помощью оптимизированной для SSA фреймворка CNN-LSTM-Attention, которая автоматически оптимизирует структуру и параметры сети, тем самым повышая точность, адаптивность и обобщение между гетерогенными наборами данных и различными условиями добычи.

Аннотация

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

Здесь мы предлагаем протокол для прогнозирования температуры спонтанного горания угля, основанный на фреймворке Sparrow Search Algorithm (SSA), оптимизированных с использованием сверточных нейронных сетей (CNN), долгой кратковременной памяти (LSTM) и Attention. Этот протокол решает ограничения архитектур фиксированных сетей, ограниченную обобщённость и низкую передаваемость, часто встречающиеся в традиционных методах. Фреймворк извлекает пространственные особенности с помощью CNN и фиксирует временные зависимости с сетями LSTM, а механизм внимания выделяет критические температурные фазы и важные особенности. SSA совместно оптимизирует глубину сети и гиперпараметры, обеспечивая динамическую адаптацию к различным сложностям данных на различных площадках добычи и в экспериментальных условиях. Протокол включает сбора данных, предварительную обработку признаков, построение моделей, оптимизацию параметров и этапы валидации. Экспериментальные результаты показывают, что предлагаемая модель достигает значительно более высокой предсказательной точности на однородных наборах данных и поддерживает надёжную производительность обобщения на гетерогенных наборах данных, что делает её отлично подходящей для мониторинга температуры шахт в реальном времени и систем раннего предупреждения.

Введение

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

Уголь по-прежнему играет доминирующую роль в энергетической структуре Китая. Однако во время хранения, транспортировки и добычи может происходить спонтанное нагревание, что приводит к самовоспламению. Это часто приводит к пожарам на шахтах, серьёзно угрожая безопасности шахт и жизни рабочих1, 2, 3, 4. Поэтому точное прогнозирование риска пожаров на шахтах и их колебаний температуры крайне важно для раннего предупреждения и смягчения последствий катастроф. Методы прогнозирования температуры спонтанного сгорания угля эволюционировали от ранних эмпирических формул до методов анализа, основанных на фактических данных мониторинга 5,6,7. Ранние исследования в основном опирались на физические модели и уравнения химической кинетики для моделирования механизма тепловыделения при окислении угля. Однако из-за сложности параметров модели и ограниченной применимости эти модели сталкиваются с существенными ограничениями в практическомприменении 8,9,10. С развитием интеллектуальных алгоритмов постепенно внедряются такие методы, как Random Forest (RF)11 и Artificial Neural Networks (ANN)12, которые расширяют возможности прогнозирования за счёт построения нелинейных отображений. В последние годы достижения в области глубокого обучения открыли новые подходы к прогнозированию температуры спонтанного сгорания угля. Ван и др. 13 предложили метод обнаружения, основанный на технологии акустического измерения температуры, анализируя выбросы газов при различных условиях для установления предварительных порогов и системы раннего предупреждения. Была разработана усовершенствованная математическая модель измерения температуры рыхлого угля. Также были представлены архитектуры графовых нейронных сетей (GNN) и трансформеров. Пан и др.3 представили модель прогнозирования температуры спонтанного сгорания угля на основе графовых сверточных сетей (GCN), которая включает взаимодействия между газовыми индикаторами для достижения более высокой точности прогнозирования.

Однако существующие методы всё ещё сталкиваются с ограничениями в выборе гиперпараметров и обобщении моделей. Для повышения производительности исследователи внедрили интеллектуальные алгоритмы оптимизации, такие как Sparrow Search Algorithm (SSA), для настройки гиперпараметров, таких как скорость обучения и размер пакета. Ванг и др.14 предложили модель SSA-CNN, которая впервые интегрирует алгоритм ройного интеллекта со структурой сверточной нейросети. Этот подход не только повышает эффективность оптимизации параметров, но и эффективно отражает пространственные структурные особенности в данных о спонтанном сгорании угля. Long et al.15 и Zou et al.16 соответственно предложили модели прогнозирования спонтанного сгорания угля на основе BO-Light Gradient-Boosting Machine (GBM) и оптимизации роя частиц XGBoost (PSO-XGB). Обе модели улучшили сходимость и точность за счёт оптимизации стратегии поиска, предлагая новые подходы к оптимизации моделей прогнозирования спонтанного сгорания угля.

Хотя существующие исследования продвинули интеллектуальное предсказание температуры спонтанного сгорания угля, большинство усилий ограничивались оптимизацией параметров модели без улучшений на уровне архитектуры сети. В результате современные модели обычно имеют следующие ограничения: во-первых, большинство используют статические структуры, где архитектура сети (например, количество сверточных слоёв, слоёв LSTM) и ключевые параметры обучения (например, скорость обучения, размер пакета) задаются вручную или пропорционально затухают при начальном построении модели и остаются неизменными на протяжении обучения и прогнозирования, не обладая способностью динамически адаптироваться к сложности данных. Во-вторых, модели обычно не имеют адаптивных механизмов для адаптации к изменяющимся условиям, таким как разные временные периоды, температурные диапазоны и шкалы концентрации газа, что затрудняет выполнение требований многоуровневого прогнозирования. В-третьих, их обобщение и переносимость остаются недостаточными, что приводит к нестабильным и неточным прогнозам в различных региональных наборах данных. Хотя на уровне параметров были достигнуты некоторые улучшения, сама структура сети остаётся статичной без совместной динамической оптимизации структуры и параметров, что ограничивает общие приросты производительности.

Поэтому данное исследование направлено на разработку гибкой и высокоточной модели прогнозирования температуры спонтанного сгорания угля, чтобы решить вышеуказанные задачи. В ходе сравнительных экспериментов была выбрана архитектура CNN-LSTM-Attention в качестве базовой модели. Для удовлетворения различных требований к глубине сети для различных угольных пластов традиционная статическая конструкция заменена подходом «структурной оптимизации». В этом подходе количество сверточных (CNN) и рекуррентных (LSTM) слоев, а также ключевые параметры обучения не фиксированы, а динамически корректируются в зависимости от силы пространственных и временных признаков данных.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Протокол

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

1. Сбор данных о спонтанном сгорании угля

  1. Собрать воздушную систему окисливания с программированием угля, включая систему подачи газа, блок контроля температуры и приборы для анализа газа. Убедитесь, что все соединения надёжны, настройки температурного контроля точные и газовый хроматограф и другие аналитические устройства полностью откалиброваны.
  2. Взвесьте 1000 г смешанного образца угля (сохраняйте исходную форму комка), тщательно гомогенизуйте образец методом четвертинга и равномерно разместите угольные блоки внутри нагревательной камеры. Поддерживайте равномерную толщину и равномерное распределение для равномерного нагрева.
  3. Запустите воздушный насос и регулируйте расход с помощью расходомера, чтобы поддерживать стабильный поток газа 100 мл/мин в нагревательную камеру. Обеспечивайте стабильность потока в пределах ±2 мл/мин.
  4. Запустить систему отопления в соответствии с заранее установленной программой повышения температуры, постепенно повышая температуру печи со скоростью 1,0 °C/мин до 200 °C. Используйте программное обеспечение управления для мониторинга изменений температуры в реальном времени, чтобы убедиться, что скорость нагрева соответствует проектным требованиям.
  5. Используйте температурные датчики, установленные рядом с пробом угля, чтобы непрерывно отслеживать и фиксировать колебания температуры, обеспечивая точный и непрерывный сбор данных.
    ПРИМЕЧАНИЕ: Во время запрограммированного эксперимента по нагреву данные о температуре и концентрации газа автоматически записывались каждые 10 секунд с использованием откалиброванных датчиков температуры и газоанализаторов до завершения эксперимента.
  6. Транспортировать газы, образующиеся в ходе реакции нагрева, через систему подачи газа в газовый хроматограф.
    1. Проводите автоматизированный отбор проб с заранее определёнными интервалами (30 с) для измерения концентраций кислорода, угарного газа и углекислого газа, а также выполняйте калибровку базовой линии GC перед каждым экспериментом.
    2. Поддерживать поток в линии передачи в 100 мл/мин (±2 мл/мин), согласованный с отходом из камеры и регулируемый регулятором массового потока для обеспечения стабильной подачи на газовый хроматограф во время 30-секундной автопробизации.
  7. Перед обучением модели примените стандартизированный конвейер предварительной обработки данных, чтобы обеспечить качество и согласованность данных.
    1. Нормализовать все признаки до нулевой средней и единичной дисперсии для устранения расхождений масштабов и облегчения сходимости моделей.
    2. Для подавления шума датчиков и стабилизации временных трендов применяйте фильтр скользящего среднего с окном 5 для сглаживания данных временных рядов. Присвоить отсутствующие значения, если они присутствуют, используя среднее соседних наблюдений для поддержания полноты набора данных.
    3. Кроме того, определите выбросы с помощью порога z-балла |z| > 3 и исключить их из последующего анализа для повышения устойчивости модели.
      ПРИМЕЧАНИЕ: Эксперимент собрал данные из 83 образцов угля, зафиксировав концентрации газов, таких как кислород, угарный газ, углекислый газ, метан, этан и этилен в зависимости от температуры угля. Схематическая схема системы нагрева, программируемой углём, показана на рисунке 1.

2. Построение CNN-LSTM-модели внимания на основе структурной оптимизации SSA

  1. Построение модели внимания CNN-LSTM
    1. Создать модуль сверточной нейронной сети (CNN) для автоматического извлечения пространственных особенностей из входных последовательностей температуры и концентрации газов.
      1. Сложите 2-4 одномерных свёрточных слоя (шаг = 1, заполнение = «одинаковый», размер ядра 3-7). После каждого слоя применяйте нормализацию (BatchNorm или LayerNorm), активацию ReLU или GELU и выпадание 0,1-0,2. По желанию используйте MaxPooling1D (пул = 2) в первых одном-двух слоях для дешума/понижения дискретизации, и избегайте пула в последнем слое для сохранения временного разрешения.
      2. Используйте свёртку 1×1, чтобы проецировать размер канала на то, что ожидает нижний LSTM. Сохраняйте тензор в трёхмерной форме «время × каналы» (не сплющийте) и подавайте его напрямую на LSTM с return_sequences=True; Количество слоев записи, каналы, размер ядра, пул и выпадание в конфигурационном файле для обеспечения поиска и воспроизводимости SSA.
    2. Рассматривайте итоговый выход Conv1D как упорядочённую по времени последовательность векторов признаков, сохраняя временную ось без выравнивания, и направляйте её напрямую в LSTM. Если предварительное пулирование сократило последовательность, используйте уменьшенную длину; если размер канала не соответствует ожиданию LSTM, применяется свёртка 1×1 или линейная проекция для выравнивания.
    3. Настройте LSTM с 64 скрытыми единицами, активацией tanh и return_sequences=True, чтобы сохранять представления на каждом шаге времени. Реализуйте это преобразование в модуле построения модели и фиксируйте формы входно-выходных тензоров и настройки ключа для обеспечения воспроизводимости и прослеживаемости, сохраняя представления на каждом шаге времени. Реализуйте это преобразование в модуле построения модели и ведите формы тензоров ввода/выхода и настройки ключей для обеспечения воспроизводимости и прослеживаемости.
    4. Вставьте блок временного внимания сразу после выхода LSTM: блок принимает скрытые представления по шагу времени и использует проекцию с одним скрытым слоем для создания вектора веса внимания.
    5. Установите размерность веса-вектор на 64, указанную непосредственно в конфигурации слоя внимания. Затем нормализуйте веса по оси времени с помощью softmax, чтобы получить относительную важность каждого шага времени. Используйте нормализованные веса для вычисления контекстного вектора (взвешенной суммы), который объединяется с представлением последовательности и подаётся в регрессионную головку.
    6. Тренируйте модуль внимания от конца до конца с основой; Если наполнение существует, наложите маску перед софтмаксом, чтобы игнорировать некорректные шаги.
    7. Только для абляционных экспериментов набора данных разделите в хронологическом порядке на обучающие (80%) и тестовые наборы (20%), проведя отдельную пятикратную перекрестную валидацию для оценки общей стабильности и обобщения предлагаемой модели.
    8. Выполняйте обучение из корневого каталога проекта, привязывая все относительные пути к этому корню. Примените раннюю остановку так, чтобы если ошибка валидации не улучшается в течение 10 последовательных эпох, тренировки останавливаются, и лучшие веса сохраняются на ./контрольные точки/best_model.h5.
    9. Для записи процесса CSV-логгер записывает потери обучения/валидации по эпохам и ключевые метрики для training_log.csv (столбцы, такие как эпоха, train_loss, val_loss, метрики, временная метка). Обновляйте файл лучшей модели при улучшении валидации, обеспечивая воспроизводимость и поддерживая последующий анализ.
      ПРИМЕЧАНИЕ: CNN автоматически извлекает пространственные признаки из входных данных через локальную связность и распределение веса. Неглубокие сверточные ядра фиксируют тонкие локальные вариации. Пространственные особенности проявляются в виде распределения концентраций и паттернов различных газов (таких как кислород и угарный газ) в один момент, включая локальные аномалии и градиенты концентрации. Они отражают пространственные корреляции газов в процессе спонтанного сгорания угля, которые CNN могут эффективноопределить 17. Последовательность признаков, извлеченная CNN, подаётся в LSTM, который динамически моделирует временные ряды через свои механизмы гейтинга. Временные особенности, такие как постепенное повышение температуры, колебания и резкие изменения концентрации газа, а также их последовательный порядок, отражают накопленную температуру и реакции газа во время самогорания угля. LSTM эффективно фиксирует эти закономерности, повышая точность прогнозирования и стабильностьмодели 18. На выходном слое LSTM вводится механизм внимания, позволяющий назначить веса признакам на каждом шаге времени. Он сосредоточен на критических стадиях температуры спонтанного сгорания угля, укрепляет ценную информацию, подавляет шум и улучшает показателипрогнозирования 19 (рисунок 2).
  2. Проектирование метода оптимизации структуры модели на основе SSA
    ПРИМЕЧАНИЕ: Предлагаемая здесь стратегия динамической оптимизации интегрирует проектирование структуры модели с гиперпараметрической оптимизацией и в целом делится на этап подготовки, этап деформации и формальный этап обучения. Этот метод обеспечивает совместную корректировку параметров конструкции и гиперпараметров, позволяя модели сохранять гибкость конструкции при одновременном повышении производительности и адаптации к сложным условиям эксплуатации.
    1. Этап подготовки
      1. Перед поиском на основе SSA определите пространство поиска гиперпараметров/структуры как 4-кортеж: xi= Lcnn, Llstm, Lr, batch_size, Lcnn (количество блоков CNN) и Llstm (количество слоёв LSTM) имеют целое значение и выбираются равномерно из {1,2,3,4} и {1,2,3} соответственно.
      2. Поскольку оптимизатор предлагает векторы с вещественным значением, отображьте нецелочисленные предложения в ближайшее целое число с помощью правила round() из Python (равенство к чётным), а затем обрезать в [1,4] или [1,3]. Нарисовайте скорость обучения lr— это логарифмично-логичное по интервалу [1 x 10-2, 1 x 10-1]. Отрежьте предложения, выходящие за пределы зоны действия, до ближайшей границы. batch_size является дискретным выбором из {32, 64, 96, 128}.
      3. Если не указано иное, не накладывайте межпараметрические ограничения на этом этапе подготовки. Для воспроизводимости примените общее случайное семя (42) к Python, NumPy, фреймворку глубокого обучения и переменную среды PYTHONHASHSEED.
      4. Инициируйте поиск SSA с размером популяции 30 и проведите 80 итераций.
        ПРИМЕЧАНИЕ: Эти настройки вместе с правилами округления/обрезки, описанными выше, определяли подготовку пространства поиска, используемого для всех последующих экспериментов.
    2. Фаза деформации
      1. Случайным образом генерируйте начальный набор параметров, обозначаемый как C 1,L1,I 1,b 1. Перед обучением сети округлите целочисленные размерности до ближайшего целочисленного и обрежайте все значения в их пределах.
      2. Используйте один обучающий/валидационный запуск для вычисления валидационной средней квадратической ошибки (MSE) в качестве приспособленности; Записывать и хранить текущий результат.
      3. Обновите позицию для генерации новой комбинации параметров C 2,L2,I 2,b 2. Проведите одну тренировочную итерацию и сравните её приспособленность с накопленным значением.
      4. Если новая комбинация работает лучше предыдущей, замените исходный результат и установите текущую позицию на C2, L2,I 2,b 2. Если результат ухудшится, установите маркер, чтобы избежать повторного выбора неэффективных комбинаций, при этом сохраняя действующую команду.
      5. Повторяйте шаги 2.2.2.2-2.2.2.4 для нескольких итераций, пока не будет обнаружено дальнейших улучшений, таким образом получая оптимальную комбинацию C n,L n,I n,b n.
      6. Сохраните Cn,L n,I n,b n в качестве окончательных структурных параметров и начните формальное обучение.
    3. Этап обучения
      ПРИМЕЧАНИЕ: Подсчёты слоёв CNN и LSTM с наилучшей приспособленностью выбираются в качестве окончательной сетевой конфигурации для полного обучения и оценки на тестовом наборе (рисунок 3).
      1. Установите диапазон поиска для структур моделей и гиперпараметров, включая 2-6 слоёв CNN, 1-4 слоя LSTM, диапазон скорости обучения от 1 × 10-5 до 1 × 10-2, размеры пакетов 32, 64 или 128 и максимум 100 обучающих эпох. Оптимизируйте эти параметры совместно во время итераций SSA.
      2. Инициализируйте популяцию алгоритма поиска Sparrow (SSA), установив размер популяции на 30 и максимальное количество итераций на 100. Убедитесь, что каждый человек представляет кандидатную конфигурацию модели, включая глубину CNN, глубину LSTM, скорость обучения и размер пакета.
      3. В каждой итерации разделите популяцию SSA на открывающих (20%), последователей (70%) и стражей (10%). Согласно правилам обновления позиции SSA, открыватели проводят глобальные исследования, последователи — локальную эксплуатацию, а стражи предотвращают заточение алгоритма в локальных оптимах. Обновляйте векторы позиций всех индивидов после каждой итерации.
      4. Используйте среднюю квадратичную ошибку (MSE) на валидационном наборе как функцию приспособленности для оценки предсказательной эффективности каждой кандидат-модели. Динамически корректируйте направление поиска на основе значений приспособленности, позволяя SSA постепенно сближаться к оптимальной структуре и конфигурации гиперпараметров.
      5. После завершения итераций SSA выводите оптимальную глубину CNN, глубину LSTM, скорость обучения и размер пакета. Переобучите модель на полном обучающем наборе с использованием этих оптимальных параметров и сохраняйте итоговые обученные веса модели до final_model.h5".
        ПРИМЕЧАНИЕ: Алгоритмы оптимизации широко применяются в промышленныхобластях 20, 21, широко применяются в планировании производства22, контроле качества23, обслуживанииоборудования 24, распределенииресурсов 25 и оптимизации параметровпроцессов 26, среди прочих. Алгоритм поиска воробьёв (SSA), использованный в данном исследовании, представляет собой интеллектуальный алгоритм оптимизации, моделирующий кормовое поведение популяций воробьёв. Она достигает эффективной оптимизации благодаря совместному механизму открывателей, последователей истражей 27. Алгоритм назначает лучшего индивида в популяции в качестве первооткрывателя для проведения глобальных исследований, в то время как оставшиеся особи выступают в роли последователей, проводящих локальную эксплуатацию, а стражи настроены избегать локальногооптимума 28. SSA использует адаптивную стратегию для баланса возможностей разведки и эксплуатации, отличаясь высокой скоростью сходимости и простыми настройкамипараметров 29. В модели прогнозирования температуры спонтанного горения угля, предложенной в этой статье, SSA служит основным методом концепции «структурной оптимизации», автоматически оптимизируя архитектуру модели CNN-LSTM-Attention и ключевые гиперпараметры для повышения точности прогнозирования и обобщения на гетерогенных наборах данных.

3. Валидация модели и оценка переносимости

  1. Валидация эффективности модели
    1. Разработать абляционный эксперимент с использованием данных экспериментов спонтанного горения угля для подтверждения индивидуальных вкладов модулей CNN, LSTM и Attention. Разделите набор данных случайным образом на обучающие (80%) и тестовые наборы (20%) с использованием фиксированного случайного седа 42 для обеспечения воспроизводимости.
      ПРИМЕЧАНИЕ: Используйте рабочую станцию с видеокартой NVIDIA RTX 4090 и запускайте все эксперименты с Python 3.8 и TensorFlow 2.6 (информация о разработке IDE указана в таблице материалов).
    2. Установите целевой функцию в среднюю квадратическую ошибку (MSE) и примените улучшенный алгоритм поиска Sparrow Search (SSA) для совместной оптимизации ключевых гиперпараметров архитектуры CNN-LSTM-Attention, включая глубину сети, скорость обучения и размер пакета. Для обеспечения справедливости обучайте все базовые модели на одном наборе данных, используя одинаковые эпохи обучения, скорости обучения и размеры пакетов, и оценивайте на одном и том же наборе тестов.
    3. Основываясь на фиксированной структуре модели CNN-LSTM-Attention, используйте пять классических методов оптимизации параметров — генетический алгоритм (GA), оптимизацию серого волка (GWO), оптимизацию роя частиц (PSO), алгоритм оптимизации китов (WOA) и алгоритм поиска воробьёв (SSA) — для оптимизации модели, после чего следует комплексная оценка с интеграцией структурной оптимизации.
    4. Рассчитайте показатели производительности для каждой модели на тестовом наборе и визуализируйте результаты с помощью сравнительных диаграмм.
      1. Сообщите об исследовании абляции (Таблица 1), прогнозной эффективности семи моделей (Таблица 2) и сравнительной эффективности алгоритмов оптимизации (Таблица 3).
      2. Для рисунков постройте модели прогнозов на основе наблюдений и установите легенды на «Предсказанно» и «Измерено». Обеспечьте согласованность шрифтов, цветовых схем и осевых единиц на всех фигурах. Для таблиц поддерживайте согласованность шрифта, порядка столбцов, единиц и десятичных знаков.
  2. Валидация переносимости модели
    1. Построение набора данных для проверки передачи
      1. Используйте набор данных для передачи и валидации из 83 образцов угля с шести горнодобывающих участков, всего 12 450 записей по температурно-газовым объектам. Для каждого участка разделите данные на наборы для обучения (80%) и тестовых (20%), сохраняя сбалансированное представление в различных геологических условиях.
        ПРИМЕЧАНИЕ: Чтобы оценить влияние «структурной оптимизации» на результаты обобщения модели, в этом исследовании был создан комплексный набор данных по температуре спонтанного сгорания угля, охватывающий несколько горных участков и различные геологические условия. Набор данных интегрирует данные полевых мониторингов с представительных шахт, таких как шахта Цинлун (почти горизонтальные угольные пласты), шахта Сяо Цзи Хань (толстые угольные пласты) и шахта Чжанцзямао (мелководные угольные пласты), а также экспериментальные данные с пластов угля класса I-II с подверженным самовоспламенению при различных геологических условиях, включая угольный пласт No 4 (высокое летучее содержание), угольный пласт No2 шахты Юань Дянь No2 (композитная крыша), и шахта Хунцинлян (характерные свойства, подверженные окислению).
    2. Анализ гетерогенности наборов данных между шахтами
      1. Агрегатные данные на шахту для CO,CO 2,CH 4, C2H 6, C2H4 и температуры угля; Сохраните свой ID и временные метки.
      2. Гармонизировать единицы (ppm или %) и выравнивать временные метки; Обрабатывайте отсутствующие значения, как указано на шаге 2.1.
      3. Вычислите min, Q1, медиану, Q3, max и IQR для каждой переменной × mine; отмечать выбросы по правилу 1,5×IQR.
      4. Количественно оценить гетерогенность кросс-майнинга путём вычисления разностей складок для Q3 и max; Выделяйте случаи ≈ двух порядков величины (особенно CO/CO 2).
      5. Постройте схемы с коробкой и усами, которые у меня (одна панель на переменную; общая ось y на переменную; выбросы отображаются как точки; квартили маркировки).
      6. Экспорт как рисунок 4.
      7. Выберите четыре хорошо работающие модели в лабораторном наборе данных — XGBoost, BP, TCN и Transformer — для сравнения, чтобы подтвердить переносимость предлагаемой модели.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Результаты

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

Устойчивость модели была проверена с использованием четырёх независимых наборов данных, демонстрирующих согласованную прогнозную эффективность при различных геологических условиях. В этом разделе представлены репрезентативные результаты и оценки эффективности экспериментов по спонтанному сгоранию угля и предлагаемой модели SSA-CNN-LSTM-Attention. Во-первых, анализируются вариации множества газовых индикаторов, собранных в ходе программируемых экспериментов по окислению нагрева, чтобы выяв...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Обсуждение

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

Используйте целые угольные блоки; После отбора проб проводите только поверхностную очистку и сразу же двойную герметизацию, чтобы избежать длительного воздействия. Поддерживайте газовую трубу герметичной с постоянным управлением потоком (MFC), выполняйте запрограммированное отопление точно так, как указано в протоколе, и калибруйте ГК по сертифицированным стандартам. Получать температурные и газовые сигналы с фиксированными интервалами и синхронизировать временные метки (см. протокол). С...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Раскрытие информации

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

Авторам нечего раскрывать.

Благодарности

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

Эта работа была поддержана Национальным фондом естественных наук Китая (грант No 52274206) для проекта по динамическим нарушениям и характеристикам сдвигового ползущего в глубокой твёрдой породе и критическом поведении по закону силы, а также Молодежным фондом Национального фонда естественных наук Китая (грант No 51904144) для изучения диффузионных эффектов при миграции угольных пластов.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
6-портовый, двухпозиционный газовый клапан с универсальным приводомVICI ValcoEUDA-2C6UWTфитинги 1/16"; порты 0,75 мм; RS-232; 2" противостояние
Лодка для образцов глиноземаКорпорация MTIEQ-CA-L50W40H20>99,5% Al2O3; 50 и больше раз; 40 с лишним раз; 20 мм
Программное обеспечение для хроматографииAgilent TechnologiesOpenLab CDSСбор/обработка данных
Образцы угля (сбор в полевых условиях)Сбор внутри компании/в полевых условияхН/ДИсточник подробно описан в разделе Методы
CUDA / cuDNNNVIDIAhttps://developer.nvidia.com/cuda-zoneCUDA 11.x; сопоставление cuDNN
Мэйнфрейм DAQKeysightDAQ970A6½-цифра DMM; USB/LAN
Осушитель (указание)У.А. Хаммонд Дриерит23001Сульфат кальция; 8 mesh; 1 фунт
Воздушный насос диафрагмыKNFhttps://www.knf.comНепрерывная подача воздуха; регулируемый поток
Лабораторный халат FRБульваркKEL2 (серия)Соответствует требованиям NFPA 2112
Газовый хроматографAgilent TechnologiesG3540A (система 8890 GC)систему GC; EPC; до 2 входов / 4 детектора
Термостойкие перчаткиАнселл43-113Прерывистый до ~350 и градусов; C
Воздух высокой чистотыAir Liquide / Airgashttps://www.airgas.com/solutions/specialty-gases/pure-gases/alphagaz≥ Чистота 99,99%
IDEJetBrains / Microsofthttps://www.jetbrains.com/pycharm/ ; https://code.visualstudio.com/downloadPyCharm / VS Code
Встроенные фильтрыСвагелокhttps://www.swagelok.com/downloads/webcatalogs/en/ms-01-92.pdfСинтерованные элементы СС 0,5 и тире; 15 и микро; m
Термопары типа KOMEGAhttps://www.omega.comТип K (NiCr– NiSi)
Контроллер массового потока (0– 200 sccm)Alicat ScientificMC-200SCCM-Dсерия MC; ± (0,8% rdg + 0,2% FS)
Многокомпонентные калибровочные газыМессерhttps://specialtygases.messergroup.com/standard-gas-mixturesИндивидуальная концентрация; Сертификат
Операционная системаMicrosofthttps://www.microsoft.com/en-us/software-download/windows11Windows 11
Операционная системаКаноническийhttps://ubuntu.com/download/desktopUbuntu LTS (22.04/24.04)
Трубка PTFE/PFAСвагелокhttps://products.swagelok.com/en/all-products/hoses-flexible-tubing/ptfe-pfa-core-hose/c/716?clp=trueХимически устойчивы; 1/16– 1/4 в OD
PythonФонд программного обеспечения Pythonhttps://www.python.org/downloads/Версия 3.8
Кварцевая образцовая лодкаКорпорация MTIEQ-QB-1017 (размер примера)~1200 &°; Рабочая температура C
Защитные очки3M93506P1-DC (пример)Химический всплеск; Антитуманные варианты
Бесшовные трубы из нержавеющей сталиСвагелокhttps://www.swagelok.com/downloads/webcatalogs/en/ms-01-181.pdf316/316L; 1/16– 1/4 в OD
Фитинги и фитинги из нержавеющей стали ФеррулыСвагелокhttps://products.swagelok.com/en/all-products/fittings/tube-fittings-adapters/c/154?clp=true316/316L; Двойной феррул
Регулятор температурыEurotherm3216Одноконтурный PID; Программируемые рампы/сигнализации
TensorFlowGooglehttps://www.tensorflow.orgВерсия 2.6
USB-термопарный модульNI (Национальные инструменты)781314-01 (USB-TC01)K/J/T; Программное обеспечение логирования
Расходомер с переменной площадью (Visi-Float)Инструменты ДвайераVFA-2-EC-SS (0.2– 2 SCFH Air)Диапазон низкого потока; Прямое чтение
GPU рабочей станцииNVIDIA900-1G136-2530-000 (Издание основателей)GeForce RTX 4090, 24 ГБ GDDR6X (FE)

Ссылки

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

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Перепечатки и разрешения

Запросить разрешение на повторное использование текста или иллюстраций этой статьи JoVE

Запросить разрешение

Теги

Похожие статьи