Method Article

Kömür Kendiliğinden Yanma Sıcaklığı Tahmininde Yapısal Optimizasyon İçin Derin Entegre Bir Model Üzerine Araştırma

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

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

Burada, ağ yapısını ve parametrelerini otomatik olarak optimize eden, böylece heterojen veri setleri ve çeşitli madencilik koşulları arasında doğruluğu, uyum sağlamayı ve genellemeyi artıran SSA optimize edilmiş CNN-LSTM-Attention çerçevesi kullanılarak kömürün kendiliğinden yanma sıcaklığını tahmin eden bir protokolü tanımlıyoruz.

Abstract

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

Burada, Sparrow Search Algorithm (SSA) ile optimize edilmiş konvolüsyon sinir ağları (CNN)-uzun kısa vadeli hafıza (LSTM)-Dikkat çerçevesine dayalı kömür spontan yanma sıcaklığı tahmini için bir protokol öneriyoruz. Bu protokol, sabit ağ mimarilerinin sınırlamalarını, sınırlı genellemeyi ve geleneksel yöntemlerde sıkça karşılaşılan düşük aktarılabilirliği ele alır. Çerçeve, CNN kullanarak mekânsal özellikleri çıkarır ve LSTM ağlarıyla zamansal bağımlılıkları yakalarken, dikkat mekanizması kritik sıcaklık evrelerini ve belirgin özellikleri vurgular. SSA, ağ derinliğini ve hiperparametreleri ortak olarak optimize ederek, farklı madencilik alanları ve deneysel koşullarda değişen veri karmaşıklıklarına dinamik uyum sağlamayı sağlar. Protokol, veri toplama, özellik ön işleme, model oluşturma, parametre optimizasyonu ve doğrulama adımlarından oluşur. Deneysel sonuçlar, önerilen modelin homojen veri setlerinde önemli ölçüde daha yüksek tahmin doğruluğu sağladığını ve heterojen veri setleri arasında sağlam genelleme performansını sürdürdüğünü göstererek, gerçek zamanlı kömür madeni sıcaklık izleme ve erken uyarı sistemleri için oldukça uygun hale gelmektedir.

Introduction

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

Kömür, Çin'in enerji yapısında hâlâ baskın bir rol oynamaktadır. Ancak, depolama, taşıma ve madencilik sırasında kendiliğinden ısınma meydana gelebilir ve bu da kendiliğinden yanmaya yol açabilir. Bu durum genellikle mayın yangınlarına yol açar ve maden güvenliğini ve işçilerin hayatlarını ciddi şekilde tehditeder 1,2,3,4. Bu nedenle, kömür madeni yangın risklerinin ve sıcaklık değişimlerinin doğru tahmini erken uyarı ve afet azaltma için gereklidir. Kömür spontan yanma sıcaklığı için tahmin yöntemleri, erken ampirik formüllerden gerçek izleme verilerine dayalı analiz yaklaşımlarına evrilmiştir 5,6,7. Erken çalışmalar, kömür oksidasyonunun ısı salınım mekanizmasını modellemek için esas olarak fiziksel modellere ve kimyasal kinetik denklemlere dayanıyordu. Ancak, model parametrelerinin karmaşıklığı ve sınırlı uygulanabilirliği nedeniyle, bu modeller pratik kullanımda önemli sınırlamalarlakarşı karşıya 8,9,10. Zeki algoritmaların gelişmesiyle birlikte, Random Forest (RF)11 ve Artificial Nöral Networks (ANN)12 gibi yöntemler yavaş yavaş tanıtıldı ve doğrusal olmayan eşlemeler oluşturularak tahmin yeteneklerini artırdı. Son yıllarda, derin öğrenmedeki gelişmeler, kömürün kendiliğinden yanma sıcaklığını tahmin etmek için yeni yaklaşımlar sunmuştur. Wang ve ark.13, çeşitli koşullar altında gaz emisyonlarını analiz ederek ön eşikler ve erken uyarı sistemi oluşturan akustik sıcaklık ölçüm teknolojisine dayalı bir tespit yöntemi önermiştir. Gevşek kömürün sıcaklığını ölçmek için geliştirilmiş bir matematiksel model geliştirdi. Grafik Sinir Ağları (GNN) ve Transformer mimarileri de tanıtıldı. Pan ve ark.3, gaz göstergeleri arasındaki etkileşimleri içeren Grafik Konvolüsyon Ağlar (GCN) tabanlı kömür spontan yanma sıcaklığı tahmin modeli sunmuştur; bu model, gaz göstergeleri arasındaki etkileşimleri kullanarak daha yüksek tahmin doğruluğu elde etmektedir.

Ancak, mevcut yöntemler hiperparametre seçimi ve model genellemesi konusunda hâlâ sınırlamalarla karşı karşıyadır. Performansı artırmak için araştırmacılar, öğrenme hızı ve parti büyüklüğü gibi hiperparametreleri ayarlamak için Serçe Arama Algoritması (SSA) gibi akıllı optimizasyon algoritmaları tanıttılar. Wang ve ark.14 , ilk kez bir sürü zekası algoritmasını konvolüsyon sinir ağı yapısıyla entegre eden SSA-CNN modelini önerdi. Bu yaklaşım, parametre optimizasyon verimliliğini artırmakla kalmaz, aynı zamanda kömür spontan yanma verilerindeki mekansal yapısal özellikleri de etkili bir şekilde yakalar. Long ve ark.15 ve Zou ve ark.16, sırasıyla BO-Light Gradient-Boosting Machine (GBM) ve parçacık sürüsü optimizasyonu-XGBoost (PSO-XGB) temelli kömür spontane yanma tahmin modelleri önermiştir. Her iki model de arama stratejisini optimize ederek yakınsamayı ve doğruluğu artırarak kömür spontan yanma tahmin modellerinin optimizasyonu için yeni yaklaşımlar sağladı.

Mevcut çalışmalar, kömürün kendiliğinden yanma sıcaklığının akıllıca tahminini ilerletmiş olsa da, çoğu çaba sadece model parametrelerini optimize etmekle sınırlı kalıyor ve ağ mimarisi düzeyinde iyileştirme yapılmıyor. Sonuç olarak, mevcut modeller genellikle aşağıdaki sınırlamaları sergiler: Birincisi, çoğu statik yapıları benimser; burada ağ mimarisi (örneğin, konvolüsyon katman sayısı, LSTM katmanları) ve anahtar eğitim parametreleri (örneğin, öğrenme hızı, toplu büyüklük) ilk model inşası sırasında manuel olarak ayarlanır veya orantılı olarak azalır ve eğitim ile tahmin sürecinde değişmeden kalır, veri karmaşıklığına dinamik uyum sağlama yeteneğinden yoksundur. İkinci olarak, modeller genellikle farklı zaman dilimleri, sıcaklık aralıkları ve gaz konsantrasyon ölçekleri gibi değişken koşullara uyum sağlamak için uyarlanabilir mekanizmalardan yoksundur; bu da çoklu koşullu tahmin taleplerini karşılamayı zorlaştırır. Üçüncü olarak, genelleştirmeleri ve aktarılabilirlikleri yetersiz kalır; bu da farklı bölgesel veri setlerinde istikrarsız ve yanlış tahminlere yol açar. Parametre düzeyinde bazı iyileştirmeler sağlanmış olsa da, ağ yapısı ortak dinamik optimizasyon olmadan sabit kalır, bu da genel performans artışlarını sınırlar.

Bu nedenle, bu çalışma, yukarıdaki zorlukları ele almak için kömür spontan yanma sıcaklığı tahmini için esnek ve yüksek hassasiyetli bir model geliştirmeyi amaçlamaktadır. Karşılaştırmalı deneyler sonucunda, CNN-LSTM-Attention mimarisi temel model olarak seçildi. Farklı kömür damarları için değişen ağ derinlik gereksinimlerini karşılamak amacıyla, geleneksel statik yapı "yapısal optimizasyon" yaklaşımıyla değiştirilmiştir. Bu yaklaşımda, konvolüsyon (CNN) ve tekrarlayan (LSTM) katmanların sayısı ile birlikte temel eğitim parametreleri sabit değildir; verilerdeki mekansal ve zamansal özelliklerin gücüne göre dinamik olarak ayarlanır.

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

Protocol

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

1. Kömür kendiliğinden yanma veri toplama

  1. Gaz dağıtım sistemi, sıcaklık kontrol ünitesi ve gaz analiz cihazları dahil olmak üzere hava tipi kömür programlı ısıtma oksidasyon sistemini monte edin. Tüm bağlantıların güvenli olduğuna, sıcaklık kontrol ayarlarının doğru olduğundan ve gaz kromatografisi ile diğer analitik cihazların tam kalibre olduğundan emin olun.
  2. 1000 g karışık kömür örneği tartın (orijinal topak formunu koruyun), çeyrek bölme yöntemiyle numuneyi iyice homojenize edin ve kömür bloklarını ısıtma odasına eşit şekilde yerleştirin. Isıtmanın eşit olması için tutarlı kalınlık ve eşit dağılımı koruyun.
  3. Hava pompasını çalıştırın ve akış ölçeriyle akış hızını ayarlayarak ısıtma odasına 100 mL/dakika sabit gaz akışını koruyun. Akış stabilitesini ±2 mL/dakika içinde sağla.
  4. Isıtma sistemini önceden ayarlanmış sıcaklık rampası programına göre başlatın, fırın sıcaklığını kademeli olarak 1,0 °C/dakika ile 200 °C'ye kadar artırın. Isınma hızının tasarım spesifikasyonlarına uyduğundan emin olmak için gerçek zamanlı olarak sıcaklık değişikliklerini izlemek için kontrol yazılımını kullanın.
  5. Kömür örneğinin yakınına yerleştirilmiş sıcaklık sensörlerini kullanarak sıcaklık değişimlerini sürekli izleyip kaydedebilirsiniz; böylece doğru ve kesintisiz veri toplanmasını sağlayabilirsiniz.
    NOT: Programlanmış ısıtma deneyi sırasında, sıcaklık ve gaz konsantrasyonu verileri her 10 saniyede bir kalibre edilmiş sıcaklık sensörleri ve gaz analizörleri kullanılarak otomatik olarak kaydedildi ve deney tamamlanana kadar kullanıldı.
  6. Isıtma reaksiyonu sırasında oluşan gazları gaz taşıma sistemi üzerinden gaz kromatografine taşınır.
    1. Oksijen, karbon monoksit ve karbondioksit konsantrasyonlarını ölçmek için önceden belirlenmiş aralıklarla (30 s) otomatik örnekleme yapılması ve her deneyden önce GC temel kalibrasyonu yapılması sağlanır.
    2. 100 mL/dakika (±2 mL/dakika) transfer hattı akışını koruyun; bu akış odanın çıkışına uygun ve kütle akışı kontrolörü tarafından düzenlenerek 30 saniyelik otomatik örnekleme sırasında gaz kromatografisine istikrarlı teslimat sağlanır.
  7. Model eğitiminden önce, veri kalitesi ve tutarlılığını sağlamak için standartlaştırılmış veri ön işleme boru hattı uygulayın.
    1. Tüm özellikleri sıfır ortalama ve birim varyansına normalize ederek ölçek uyumsuzluklarını ortadan kaldırın ve model yakınsamasını kolaylaştırın.
    2. Sensör gürültüsünü bastırmak ve zamansal eğilimleri stabilize etmek için, zaman serisi verilerini yumuşatmak için pencere boyutu 5 olan hareketli ortalama filtresi uygulayın. Eksik değerleri, varsa, veri seti tamlığını korumak için komşu gözlemlerin ortalamasını kullanarak atletin.
    3. Ayrıca, |z| z-puan eşiği kullanarak istisna değerleri belirleyin > 3 ve model dayanıklılığını artırmak için sonraki analizlerden dışlanıyor.
      NOT: Deney, 83 kömür örneğinden veri topladı ve oksijen, karbon monoksit, karbondioksit, metan, etan ve etilen gibi gazların kömür sıcaklığına ilişkin konsantrasyonlarını kaydetti. Hava tipi kömür programlı ısıtma oksidasyon sisteminin şematik diyagramı Şekil 1'de gösterilmiştir.

2. SSA yapısal optimizasyonuna dayalı CNN-LSTM-dikkat modelinin inşası

  1. CNN-LSTM-dikkat modelinin inşası
    1. Sıcaklık ve gaz konsantrasyonlarının giriş dizilerinden otomatik olarak mekansal özellikleri çıkarmak için konvolüsyon sinir ağı (CNN) modülünü inşa edin.
      1. 2-4 adet 1D konvolüsyon katmanı yığın (adım = 1, dolgu = "aynı", çekirdek boyutu 3-7). Her katmandan sonra normalizasyon (BatchNorm veya LayerNorm), ReLU veya GELU aktivasyonu ve 0.1-0.2 çıkarma uygulanır. İsteğe bağlı olarak, ilk bir veya iki katmanda MaxPooling1D (havuz = 2) kullanılarak ses çıkarma/aşağı örnekleme için ve zamansal çözünürlüğü korumak için son katmanda havuzlamadan kaçının.
      2. Kanal boyutunu aşağı akış LSTM'nin beklediği şekilde yansıtmak için 1×1 konvolüsyonunu kullanın. Tensörü 3D "kanallar × zaman" şeklinde tutun (düzleştirmeyin) ve doğrudan LSTM'ye return_sequences=Doğru; SSA arama ve tekrarlanabilirliği sağlamak için katman sayısı, kanallar, çekirdek boyutu, havuzlama ve dropout kaydı bir yapılandırma dosyasında kaydedilebilir.
    2. Son Conv1D çıktısını zaman sıralı özellik vektörleri dizisi olarak ele alın, zamansal eksen düzleşmeden korunur ve doğrudan LSTM'ye beslenir. Önceki havuzlama diziyi kısalttıysa, azaltılmış uzunluk kullanın; kanal boyutu LSTM'nin beklentisiyle uyuşmuyorsa, hizalama için 1×1 konvolüsyon veya doğrusal projeksiyon uygulanır.
    3. LSTM'yi 64 gizli birim, tanh aktivasyonu ve return_sequences=True ile yapılandırın; her zaman adımında temsilleri koruyun. Bu dönüşümü model oluşturma modülünde uygulayın ve tekrarlanabilirlik ve izlenebilirliği sağlamak için giriş/çıkış tensör şekilleri ve anahtar ayarlarını kaydedin, böylece her zaman adımında temsiller korunur. Bu dönüşümü model yapım modülünde uygulayın ve tekrarlanabilirlik ve izlenebilirliği sağlamak için giriş/çıkış tensör şekilleri ile anahtar ayarlarını kaydedin.
    4. LSTM çıktısından hemen sonra zamansal bir dikkat bloğu ekleyin: blok, zaman adımı başına gizli temsilleri alır ve tek gizli katmanlı bir projeksiyon kullanarak dikkat ağırlık vektörü üretir.
    5. Ağırlık-vektörü boyutunu doğrudan dikkat katmanının konfigürasyonunda belirtilen 64'e ayarlayın. Sonra, zaman ekseni üzerindeki ağırlıkları softmax ile normalize edin ve her zaman adımının göreceli önemini elde edin. Normalize ağırlıkları kullanarak bir bağlam vektörü (ağırlıklı toplam) hesaplayın; bu vektör dizi temsili ile birleştirilir ve regresyon başına beslenir.
    6. Dikkat modülünü omurga ile uçtan uca eğitin; Eğer dolgu varsa, geçersiz adımları görmezden gelmek için softmax'ten önce bir maske uygulayın.
    7. Sadece ablasyon deneyleri için, veri seti kronolojik olarak eğitim (%80) ve test setleri (%20) olarak bölünürken, önerilen modelin genel kararlılığını ve genelleştirilmesini değerlendirmek için ayrı beş katlı çapraz doğrulama yapılacaktır.
    8. Tüm göreceli yollar o köke sabitlenerek proje kök dizininden eğitim yürütün. Erken durma uygulayın; doğrulama hatası ardışık 10 dönem boyunca düzelmezse, antrenman duraklamaları ve en iyi ağırlıklar ./checkpoints/best_model.h5 sayfasına kaydedilir.
    9. Süreci kaydetmek için, bir CSV loggeri training_log.csv için her dönem eğitim/doğrulama kayıplarını ve anahtar metrikleri yazar (epoch, train_loss, val_loss, metrikler, zaman damgası gibi sütunlar). Doğrulama geliştiğinde en iyi model dosyasını güncelleyin, tekrarlanabilirliği garanti edin ve sonraki analizleri destekleyin.
      NOT: CNN, yerel bağlantı ve ağırlık paylaşımı yoluyla giriş verilerinden mekansal özellikleri otomatik olarak çıkarır. Sığ konvolüsyon çekirdekler ince yerel varyasyonları yakalar. Mekansal özellikler, farklı gazların (oksijen ve karbon monoksit gibi) aynı anda konsantrasyon dağılımı ve desenleri olarak ortaya çıkar; yerel anomaliler ve konsantrasyon gradyanları dahil. Bunlar, CNN'lerin etkili şekilde tanımlayabildiği kömür kendiliğinden yanma sürecindeki gazların mekânsal korelasyonlarınıyansıtır. CNN tarafından çıkarılan özellik dizisi, zaman serisini geçitleme mekanizmalarıyla dinamik olarak modelleyen bir LSTM'ye aktarılır. Zamansal özellikler, örneğin kademeli sıcaklık artışı, dalgalanmalar ve gaz konsantrasyonundaki ani değişiklikler ile bunların ardışık sırası, kömürün kendiliğinden yanması sırasında oluşan kümülatif sıcaklık ve gaz reaksiyonlarını yansıtır. LSTM bu kalıpları etkili bir şekilde yakalar, tahmin doğruluğunu ve model kararlılığınıartırır 18. LSTM çıkış katmanında, her zaman adımında özelliklere ağırlık atamak için bir dikkat mekanizması getirilir. Bu yöntem, kömürün kendiliğinden yanma sıcaklığının kritik aşamalarına odaklanır, değerli bilgileri güçlendirir, gürültüyü bastırır ve tahmin performansınıartırır 19 (Şekil 2).
  2. SSA'ya dayalı model yapısı optimizasyon yönteminin tasarımı
    NOT: Burada önerilen dinamik optimizasyon stratejisi, model yapısı tasarımını hiperparametre optimizasyonu ile bütünleştirir ve genel olarak hazırlık aşaması, deformasyon aşaması ve resmi eğitim aşamasına ayrılır. Bu yöntem, yapısal parametreler ve hiperparametrelerin işbirlikçi olarak ayarlanmasını sağlar; modelin yapısal esnekliği korumasını sağlarken karmaşık çalışma koşullarına performansı ve uyum sağlamayı sağlar.
    1. Hazırlık aşaması
      1. SSA tabanlı aramadan önce, hiperparametre/yapı arama alanı 4-tuple olarak tanımlanır: xi= Lcnn, Llstm, Lr, batch_size, Lcnn (CNN blok sayısı) ve Llstm (üst üste yığılmış LSTM katman sayısı) tam sayılı değerlidir ve sırasıyla {1,2,3,4} ve {1,2,3} üzerinden eşit şekilde örneklenir.
      2. Optimize edici gerçek değerli vektörler önerdiği için, tam sayı olmayan teklifleri Python'un round() kuralı (eşit-çift) kullanarak en yakın tam sayıya eşleyin ve ardından [1,4] veya [1,3]'e krampa yapın. Öğrenme hızını lr, [1 x 10-2, 1 x 10-1] aralığından log-uniform olarak çizin. Menzil dışı teklifleri en yakın sınıra kısıtlayın. batch_size, {32, 64, 96, 128} parçasından ayrı bir seçimdir.
      3. Aksi belirtilmedikçe, bu hazırlık aşamasında çapraz parametre kısıtlamaları koymayın. Tekrarlanabilirlik için, Python, NumPy, derin öğrenme çerçevesi ve ortam değişkeni PYTHONHASHSEED'e ortak rastgele tohum (42) uygulayın.
      4. SSA aramasını 30 nüfus büyüklüğüyle başlatın ve 80 kez devam edin.
        NOT: Bu ayarlar, yukarıdaki yuvarlama/kırpma kurallarıyla birlikte, sonraki tüm deneyler için kullanılan arama alanının hazırlanmasını tanımlamıştır.
    2. Deformasyon evresi
      1. Rastgele bir başlangıç parametre seti oluşturulur, C1,L 1,I 1,b 1 olarak gösterilir. Ağı eğitmeden önce, tam sayı boyutlarını en yakın tam sayıya yuvarlayıp tüm değerleri sınırlarına doğru kesin.
      2. Doğrulama Ortalama Kare Hatası (MSE) olarak tek bir eğitim/doğrulama çalışması kullanın; Mevcut sonucu kaydedip sakla.
      3. Konumu güncelleyerek yeni bir parametre kombinasyonu oluşturun: C2, L 2, I 2, b2. Tek bir eğitim iterasyonu çalıştırın ve onun uygunluğunu depolanan değerle karşılaştırın.
      4. Yeni kombinasyon öncekinden daha iyi performans gösterirse, orijinal sonucu değiştirin ve mevcut konumu C2, L2, I2, b2 olarak ayarlayın. Eğer performans daha kötü olursa, etkisiz kombinasyonları tekrar tekrar seçmekten kaçınmak için bir işaret belirleyin ve mevcut oyuncuyu elinde tutar.
      5. 2.2.2.2-2.2.2.4 adımlarını birden fazla yineleme için tekrarlayın, böylece daha fazla iyileşme gözlemlenmeyecek kadar optimal Cn,L n,I n,b n kombinasyonu elde edilir.
      6. C n,L n,I n,b n son yapısal parametreler olarak kaydedil ve resmi eğitime başla.
    3. Eğitim aşaması
      NOT: En iyi kondisyona sahip CNN ve LSTM katman sayıları, test setinde tam eğitim ve değerlendirme için nihai ağ konfigürasyonu olarak seçilir (Şekil 3).
      1. Model yapıları ve hiperparametreler için arama aralığı ayarlanır; 2-6 CNN katmanı, 1-4 LSTM katmanı, 1 × 10-5 ile 1 × 10-2 arasında öğrenme oranı aralığı, 32, 64 veya 128 parti boyutları ve maksimum 100 eğitim dönemi vardır. SSA yinelemeleri sırasında bu parametreleri birlikte optimize edin.
      2. Serçe Arama Algoritması (SSA) popülasyonunu başlatın; popülasyon büyüklüğü 30, en fazla yineleme sayısı ise 100 olarak belirlenir. Her bireyin CNN derinliği, LSTM derinliği, öğrenme oranı ve parti boyutu dahil olmak üzere bir aday model konfigürasyonunu temsil ettiğinden emin olun.
      3. Her iterasyonda, SSA popülasyonunu keşfedenler (%20), takipçiler (%70) ve nöbetçiler (%10) olarak böl. SSA pozisyon güncelleme kurallarına göre, keşifçiler küresel keşif yapar, takipçiler yerel sömürü yapar ve sentineller algoritmanın yerel optimada hapsedilmesini engeller. Her iterasyondan sonra tüm bireylerin konum vektörlerini güncelleyin.
      4. Her aday modelin öngörücü performansını değerlendirmek için doğrulama kümesindeki ortalama kare hatasını (MSE) uygunluk fonksiyonu olarak kullanın. Arama yönünü uygunluk değerlerine göre dinamik olarak ayarlayın, böylece SSA'nın yavaş yavaş optimal yapıya ve hiperparametre konfigürasyonuna yaklaşmasını sağlar.
      5. SSA yinelemelerini tamamladıktan sonra, optimal CNN derinliği, LSTM derinliği, öğrenme hızı ve parti boyutunu çıkarın. Bu optimal parametrelerle modeli tam eğitim setinde yeniden eğitin ve nihai eğitilen model ağırlıklarını final_model.h5" olarak kaydedin.
        NOT: Optimizasyon algoritmaları sanayi alanlarında yaygın olarak uygulanmakta olup, üretimplanlaması 22, kalitekontrol 23, ekipman bakımı24, kaynaktahsisi 25 ve süreç parametre optimizasyonu26 gibi alanlarda yaygın olarak kullanılmaktadır. Bu çalışmada benimsenen serçe arama algoritması (SSA), serçe popülasyonlarının beslenme davranışını simüle eden akıllı bir optimizasyon algoritmasıdır. Keşifçiler, takipçiler ve nöbetçilerin işbirlikçi mekanizması aracılığıyla verimli optimizasyonsağlar 27. Algoritma, popülasyondaki en iyi bireyi küresel keşif yapacak keşif olarak belirlerken, kalan bireyler yerel sömürü yürüten takipçi olarak hareket eder ve nöbetçiler yerel optima28'den kaçınmak için ayarlanır. SSA, hızlı yakınsama hızı ve basit parametre ayarları ile arama ve istismar yeteneklerini dengelemek için uyarlanabilir bir strateji kullanır29. Bu makalede önerilen kömür spontan yanma sıcaklığı tahmin modelinde, SSA "yapısal optimizasyon" kavramının temel yöntemi olarak hizmet eder; CNN-LSTM-Attention model mimarisi ve ana hiperparametreleri otomatik olarak optimize ederek heterojen veri setlerinde tahmin doğruluğunu ve genelleştirmeyi artırır.

3. Model doğrulama ve aktarılabilirlik değerlendirmesi

  1. Model etkinliği doğrulaması
    1. CNN, LSTM ve Attention modüllerinin bireysel katkılarını doğrulamak için kömür spontan yanma deney verilerini kullanarak bir ablasyon deneyi tasarlayın. Veri setini, tekrarlanabilirliği sağlamak için sabit rastgele tohum kullanarak eğitim (%80) ve test setleri (%20) olarak rastgele olarak ayırın.
      NOT: NVIDIA RTX 4090 GPU ile donatılmış bir iş istasyonu kullanın ve tüm deneyleri Python 3.8 ve TensorFlow 2.6 ile çalıştırın (geliştirme IDE bilgileri Materyaller Tablosu'nda listelenmiştir).
    2. Hedef fonksiyonu kare hata (MSE) olarak ayarlayın ve geliştirilmiş Sparrow Arama Algoritması'nı (SSA) uygulayarak CNN-LSTM-Attention mimarisinin ağ derinlikleri, öğrenme hızı ve parti büyüklüğü gibi temel hiperparametreleri birlikte optimize edin. Adalet sağlamak için, tüm temel modelleri aynı veri setinde aynı eğitim dönemleri, öğrenme oranları ve parti boyutları kullanarak eğitin ve aynı test seti üzerinde değerlendirin.
    3. Sabit bir CNN-LSTM-Dikkat model yapısına dayanarak, modeli optimize etmek için beş klasik parametre optimizasyon yöntemi - Genetik Algoritma (GA), Gri Kurt Optimizasyonu (GWO), Parçacık Sürüsü Optimizasyonu (PSO), Balina Optimizasyon Algoritması (WOA) ve Serçe Arama Algoritması (SSA) - kullanılır, ardından yapısal optimizasyonu entegre eden kapsamlı bir değerlendirme yapılır.
    4. Test setindeki her model için performans metriklerini hesaplayın ve sonuçları karşılaştırma grafikleriyle görselleştirin.
      1. Ablasyon çalışmasını (Tablo 1), yedi modelin öngörücü performansını (Tablo 2) ve optimizasyon algoritmalarının karşılaştırmalı performansını (Tablo 3) raporlayın.
      2. Şekiller için, tahminleri gözlemlere karşı grafik modeli çizin ve efsane etiketlerini "Tahmin Edilen" ve "Ölçülen" olarak ayarlayın. Tüm şekillerde tutarlı yazı tipleri, renk şemaları ve eksen birimleri sağlandığından iyi emin olun. Tablolar için yazı tipi, sütun sırası, birimler ve ondalık basamaklar tutarlı tutulur.
  2. Model aktarılabilirlik doğrulaması
    1. Transfer doğrulama veri setinin oluşturulması
      1. Altı madencilik sahasından toplam 12.450 sıcaklık-gaz özellik kaydı içeren 83 kömür örneği içeren bir transfer-doğrulama veri seti kullanın. Her site için verileri eğitim (%80) ve test (%20) setlerine ayırın ve çeşitli jeolojik koşullarda dengeli temsil sağlanın.
        NOT: "Yapısal optimizasyon"un modelin genelleme performansı üzerindeki etkisini değerlendirmek için, bu çalışma birden fazla madencilik alanını ve çeşitli jeolojik koşulları kapsayan kapsamlı bir kömür spontan yanma sıcaklığı özellik veri seti oluşturdu. Veri seti, Qinglong Madeni (neredeyse yatay kömür damarları), Xiao Ji Han Madeni (kalın kömür damarları) ve Zhangjiamao Madeni (sığ gömülü kömür damarları) gibi temsilli madenlerden alınan saha izleme verilerini, ayrıca No. 4 kömür yatağı (yüksek uçucu içerikli), Yuan Dian No. 2 Madeni'nin 72 kömür damarı (bileşik çatı) dahil olmak üzere çeşitli jeolojik koşullarda I-II sınıfı kendi kendine ateşlenen kömür damarlarından deneysel verileri bir araya getirir. ve Hongqingliang Madeni (oksidasyona meyilli özellikler).
    2. Çapraz veri seti heterojenliği analizi
      1. CO, CO2, CH4, C2H6, C2H4 ve kömür sıcaklığı için toplam maden başına kayıtlar; Kimliğimi ve zaman damgalarını sakla.
      2. Birimleri (ppm veya %) uyumlu hale getirin ve zaman damgalarını hizalasın; Eksik değerleri adım 2.1'de belirtildiği gibi yönetin.
      3. Her değişken için minimum, Q1, median, Q3, maksimum ve IQR × hesaplayın; 1.5×IQR kuralı ile istisna olanıları işaretle.
      4. Çapraz madenilik heterojenliği, Q3 ve max için katlanma farkları hesaplayarak nicelikle ölçülür; iki büyüklük mertebesi ≈ vakaları öne çıkarır (özellikle CO/CO 2).
      5. Kutu ve bıyık grafiklerini benimkilere göre çizin (değişken başına bir panel; değişken başına ortak y ekseni; istisna değerleri nokta olarak göster; dörtlükleri etiketle).
      6. Şekil 4 olarak ihracat ediliyor.
      7. Önerilen modelin aktarılabilirliğini doğrulamak için laboratuvar veri setinde dört iyi performans gösteren model—XGBoost, BP, TCN ve Transformer—seçin.

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

Results

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

Model kararlılığı, farklı jeolojik koşullarda tutarlı tahmin performansını gösteren dört bağımsız veri seti kullanılarak doğrulandı. Bu bölüm, kömür kendiliğinden yanma deneylerinin ve önerilen SSA-CNN-LSTM-Attention modelinin temsil eden sonuçlarını ve performans değerlendirmelerini sunmaktadır. İlk olarak, programlanmış ısıtma oksidasyon deneyleri sırasında toplanan çoklu gaz göstergelerindeki değişimler, farklı sıcaklık aşamalarındaki gaz konsantrasyonlarının dinamik desenlerini ortaya...

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

Discussion

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

Sağlam kömür blokları kullanın; örnekleme sonrası sadece yüzey temizliği yapın ve uzun süreli maruz kalmadan kaçınmak için hemen çift kez sızdırın. Gaz hattını sürekli akış kontrolü (MFC) ile sızıntı geçirmez tutun, programlanmış ısıtmayı protokolde belirtildiği gibi gerçekleştirin ve GC'yi sertifikalı standartlarla kalibre edin. Sabit aralıklarla sıcaklık ve gaz sinyalleri alın ve zaman damgalarını senkronize edin (protokole bakınız). Hesaplama açısından, ortamı (OS, Python, derin öğren...

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

Disclosures

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

Yazarların açıklayacak hiçbir şeyi yok.

Acknowledgements

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

Bu çalışma, Çin Ulusal Doğa Bilimleri Vakfı (Grant No. 52274206) tarafından derin sert kayaların dinamik bozulma ve kesme sürünmesi özellikleri ve kritik güç hukuku davranışı üzerine proje için, ayrıca kömür damarı gazı göçü sırasında difüzyon etkileri üzerine çalışmalar için Çin Ulusal Doğa Bilimleri Vakfı Gençlik Fonu (Grant No. 51904144) tarafından desteklenmiştir.

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

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
6 portlu, 2 pozisyonlu gaz örnekleme vanası evrensel aktüatör ileVICI ValcoEUDA-2C6UWT1/16" donanım; 0,75 mm portlar; RS-232; 2" mesafe
Alümina örnek teknesiMTI CorporationEQ-CA-L50W40H20>%99,5 Al2O3; 50& Times; 40& kez; 20 mm
Kromatografi yazılımıAgilent TeknolojileriOpenLab CDSVeri toplama/işleme
Kömür örnekleri (sahada toplanmış)Kurum içinde/sahada toplananYokKaynak, Yöntemler bölümünde detaylandırılmıştır
CUDA / cuDNNNVIDIAhttps://developer.nvidia.com/cuda-zoneCUDA 11.x; cuDNN uyumlu
DAQ ana bilgisayarıKeysightDAQ970A6½-haneli DMM; USB/LAN
Kurutucu (işaret ediyor)W.A. Hammond Drierite23001Kalsiyum sülfat; 8 ağ; 1 lb
Diyafram hava pompasıKNFhttps://www.knf.comSürekli hava tedarik; ayarlanabilir akış
FR laboratuvar önlüğüBulwarkKEL2 (seri)NFPA 2112 uyumlu
Gaz kromatografiAgilent TeknolojileriG3540A (8890 GC Sistemi)GC sistemi; EPC; 2 girişe / 4 dedektöre kadar
Isıya dayanıklı eldivenlerAnsell43-113~350 derece ve dereceye kadar aralıklı; C
Yüksek saflıkta havaHava Sıvısı / Airgashttps://www.airgas.com/solutions/specialty-gases/pure-gases/alphagaz≥ %99,99 saflık
IDEJetBrains / Microsofthttps://www.jetbrains.com/pycharm/ ; https://code.visualstudio.com/downloadPyCharm / VS Kodu
Hat içi filtrelerSwagelokhttps://www.swagelok.com/downloads/webcatalogs/en/ms-01-92.pdfSinterlenmiş SS öğeleri 0.5&ntir; 15 µ m
K-tipi termokupllarOMEGAhttps://www.omega.comTip K (NiCr– NiSi)
Kütle akışı kontrolörü (0– 200 sccm)Alicat ScientificMC-200SCCM-DMC-serisi; ± (%0,8 rdg + %0,2 FS)
Çok bileşenli kalibrasyon gazlarıMesserhttps://specialtygases.messergroup.com/standard-gas-mixturesÖzel konsantrasyon; sertifika
İşletim SistemiMicrosofthttps://www.microsoft.com/en-us/software-download/windows11Windows 11
İşletim SistemiKanonikhttps://ubuntu.com/download/desktopUbuntu LTS (22.04/24.04)
PTFE/PFA boruSwagelokhttps://products.swagelok.com/en/all-products/hoses-flexible-tubing/ptfe-pfa-core-hose/c/716?clp=trueKimyasal olarak dirençli; 1/16– 1/4 OD
PythonPython Yazılım Vakfıhttps://www.python.org/downloads/Sürüm 3.8
Kuvars örnek tekneMTI CorporationEQ-QB-1017 (örnek boyutu)~1200 ve derece; C çalışma sıcaklığı
Emniyet gözlükleri3M93506P1-DC (örnek)Kimyasal sıçrama; Sis önleyici seçenekler
Paslanmaz çelik dikişsiz boruSwagelokhttps://www.swagelok.com/downloads/webcatalogs/en/ms-01-181.pdf316/316L; 1/16– 1/4 OD
Paslanmaz çelik boru bağlantı parçaları & FerrullarSwagelokhttps://products.swagelok.com/en/all-products/fittings/tube-fittings-adapters/c/154?clp=true316/316L; çift ferrule
Sıcaklık kontrolörüEurotherm3216Tek döngülü PID; Programlanabilir rampalar/alarmlar
TensorFlowGooglehttps://www.tensorflow.orgSürüm 2.6
USB termokupl modülüNI (Ulusal Enstrümanlar)781314-01 (USB-TC01)K/J/T; Kayıt yazılımı
Değişken alan akışölçeri (Visi-Float)Dwyer InstrumentsVFA-2-EC-SS (0.2&ntir; 2 SCFH Air)Düşük akış menzili; Doğrudan okuma
İş istasyonu GPUNVIDIA900-1G136-2530-000 (Kurucu Baskısı)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