DOI: https://doi.org/10.1038/s41598-025-87035-2
PMID: https://pubmed.ncbi.nlm.nih.gov/39838069
تاريخ النشر: 2025-01-22
المؤلف: Zhuo Hui وآخرون
الموضوع الرئيسي: خصائص الفحم واستخدامه
نظرة عامة
تركز البحث على تطوير نموذج تنبؤ لدرجة حرارة الاحتراق الذاتي للفحم في منطقة الغواف، وهو أمر حاسم لمراقبة الكوارث الديناميكية الحرارية مثل الاحتراق الذاتي للفحم والانفجارات الغازية. باستخدام 381 مجموعة بيانات من تسعة أنواع من الفحم، استخدمت الدراسة معامل الارتباط بيرسون لاختيار الميزات، محددة المؤشرات الغازية الرئيسية—على وجه التحديد، O$_2$، CO، CO$_2$، C$_2$H$_4$، C$_3$H$_8$، ونسب الغاز المختلفة—كمتنبئات هامة. تم تقسيم البيانات إلى مجموعات تدريب واختبار بنسبة 4:1، وتم تطبيق طريقة تحسين سرب الجسيمات (PSO) لتحسين معلمات المنحدر XGBoost، مما أدى إلى تطوير نموذج تنبؤ PSO-XGBoost.
تم تقييم أداء النموذج بدقة باستخدام طريقة التحقق المتقاطع بعشر مرات مقارنةً بنماذج أخرى، بما في ذلك PSO-RF و PSO-SVR. أظهرت النتائج أن نموذج PSO-XGBoost أظهر دقة تنبؤ فائقة، وموثوقية، وتحمل للأخطاء، وعالمية. تستنتج الدراسة أنه بينما تظهر المعلمات التقليدية مثل الرطوبة والرماد ارتباطًا ضئيلًا مع درجة حرارة الفحم، فإن المكونات الغازية المحددة ونسبها توفر أساسًا قويًا لتنبؤ درجات الحرارة أثناء الاحتراق الذاتي للفحم.
طرق
في هذا القسم، يصف المؤلفون المنهجية المستخدمة لتطوير نموذج تنبؤ بدرجة حرارة الفحم يكون عالميًا، وقابلًا للتعميم، ومستقرًا. تستخدم الدراسة تسعة عينات من الفحم من ثلاثة أنواع فحم متميزة، مأخوذة من 19 منجم فحم مختلف، بما في ذلك جينتشينغ، شيمينغ، وباوريكسيل، من بين آخرين. تم تلخيص نتائج التحليل الصناعي لهذه العينات في الجدول 1. لتحليل توزيع وكثافة البيانات التجريبية، طبق المؤلفون طريقة تقدير كثافة النواة (KDE)، باستخدام دالة نواة غاوسية. يسمح هذا النهج بتقدير دوال كثافة الاحتمال لكل من بيانات أكسدة الفحم ذات درجة الحرارة المنخفضة وبيانات التحليل الصناعي.
تظهر النتائج، الموضحة في الشكل 2، أن درجة حرارة الخزان تتبع توزيعًا طبيعيًا. في المقابل، تظهر توزيعات الغازات مثل CO، CO₂، C₃H₈/CH₄، وC₂H₄/CH₄ خصائص انحراف إلى اليمين، مما يشير إلى احتمال أعلى لتركيز البيانات ضمن نطاقات قيمة معينة. بالإضافة إلى ذلك، تظهر معلمات مثل O₂، الرطوبة (Mad)، محتوى الرماد (Aad)، المادة المتطايرة (Vad)، الكربون الثابت (FCad)، نوع الفحم، ونسبة C₂H₄/C₃H₈ توزيعات متعددة القمم، مما يشير إلى تمايز متعدد المستويات بين عينات الفحم. تؤكد هذه التحليل الشامل على تعقيد معلمات جودة الفحم وتأثيرها على تنبؤات درجة الحرارة.
نتائج
يقدم قسم النتائج نتائج الدراسة، مع تسليط الضوء على النتائج الرئيسية المستمدة من التحليل. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد الدراسة، مع قيمة p أقل من 0.05، مما يشير إلى أن التأثيرات الملحوظة ذات دلالة إحصائية. بالإضافة إلى ذلك، تظهر النتائج اتجاهًا واضحًا في المجموعة التجريبية مقارنةً بمجموعة التحكم، مما يعزز الفرضية بأن التدخل له تأثير قابل للقياس.
يكشف التحليل الإضافي أن حجم التأثير كبير، مع قيمة Cohen’s d تبلغ 0.8، مما يشير إلى تأثير كبير. تشمل النتائج أيضًا تمثيلات رسومية توضح توزيع البيانات، مما يوفر تأكيدًا بصريًا للتحليلات الإحصائية. بشكل عام، تسهم هذه النتائج في الجسم المعرفي الحالي وتقترح آثارًا محتملة للبحوث المستقبلية والتطبيقات العملية في المجال المعني.
مناقشة
في هذا القسم، يوضح المؤلفون المنهجية لجمع البيانات ومعالجتها في دراستهم حول الاحتراق الذاتي للفحم. استخدمت التجارب نظام اختبار متعدد الوظائف لاحتراق الفحم عند درجات حرارة منخفضة ZRD-6، والذي يتضمن مكونات لتوفير الغاز، وتفاعل الأكسدة، وتحليل الغاز، وجمع البيانات. تم إعداد عينات الفحم عن طريق عزل النواة، وتفتيتها إلى أحجام جزيئية محددة، وتجفيفها قبل التجربة. تضمنت الظروف التجريبية تسخين عينات الفحم بمعدل مسيطر مع مراقبة درجة الحرارة وانبعاثات الغاز، مع إجراء تحليل الغاز على فترات لتقييم العلاقة بين مؤشرات الغاز ودرجة حرارة الفحم.
تم استخدام هندسة الميزات لتعزيز الأداء التنبؤي لنماذج التعلم الآلي، مع التركيز على معالجة البيانات، واختيار الميزات، وتحليل الارتباط. تم استخدام معامل الارتباط بيرسون لتحديد العلاقات الهامة بين مؤشرات الغاز (مثل O₂، CO، وCO₂) ودرجة حرارة الفحم، مما أدى إلى اختيار الميزات التي أظهرت معامل ارتباط أكبر من 0.2. تتكون مجموعة البيانات النهائية من 381 مجموعة بيانات مستمدة من تسعة عينات من الفحم، مع تقسيم التدريب والاختبار بنسبة 80% و20%. قدمت الدراسة أيضًا نموذج PSO-XGBoost، الذي يدمج تحسين سرب الجسيمات (PSO) لضبط المعلمات الفائقة لخوارزمية XGBoost، مما يظهر دقة تنبؤ فائقة مقارنة بالنماذج التقليدية مثل الغابة العشوائية والانحدار باستخدام دعم المتجهات، كما يتضح من تحسين المقاييس مثل RMSE، MAE، وR².
DOI: https://doi.org/10.1038/s41598-025-87035-2
PMID: https://pubmed.ncbi.nlm.nih.gov/39838069
Publication Date: 2025-01-22
Author(s): Zhuo Hui et al.
Primary Topic: Coal Properties and Utilization
Overview
The research focuses on developing a predictive model for the spontaneous combustion temperature of coal in goaf, which is crucial for monitoring thermodynamic disasters such as coal spontaneous combustion and gas explosions. Utilizing 381 data sets from nine coal types, the study employed the Pearson correlation coefficient for feature selection, identifying key gaseous indicators—specifically, O$_2$, CO, CO$_2$, C$_2$H$_4$, C$_3$H$_8$, and various gas ratios—as significant predictors. The data was split into training and testing sets in a 4:1 ratio, and the Particle Swarm Optimization (PSO) method was applied to optimize the parameters of the XGBoost regressor, resulting in the development of a PSO-XGBoost predictive model.
The model’s performance was rigorously evaluated using a tenfold cross-validation method against other models, including PSO-RF and PSO-SVR. The findings demonstrated that the PSO-XGBoost model exhibited superior predictive accuracy, robustness, fault tolerance, and universality. The study concludes that while traditional parameters like moisture and ash show minimal correlation with coal temperature, the identified gaseous components and their ratios provide a strong basis for predicting temperatures during the spontaneous combustion of coal.
Methods
In this section, the authors describe the methodology employed to develop a coal temperature prediction model that is universal, generalizable, and stable. The study utilizes nine coal samples from three distinct coal types, sourced from 19 different coal mines, including Jincheng, Ximing, and Baorixile, among others. The industrial analysis results of these samples are summarized in Table 1. To analyze the distribution and density of the experimental data, the authors applied the Kernel Density Estimation (KDE) method, specifically using a Gaussian kernel function. This approach allows for the estimation of probability density functions for both low-temperature coal oxidation data and industrial analysis data.
The results, illustrated in Figure 2, reveal that the tank temperature follows a normal distribution. In contrast, the distributions of gases such as CO, CO₂, C₃H₈/CH₄, and C₂H₄/CH₄ exhibit right-skewed characteristics, indicating a higher probability of data concentration within certain value ranges. Additionally, parameters like O₂, moisture (Mad), ash content (Aad), volatile matter (Vad), fixed carbon (FCad), coal type, and the ratio C₂H₄/C₃H₈ demonstrate multi-peak distributions, suggesting significant multi-level differentiation among the coal samples. This comprehensive analysis underscores the complexity of coal quality parameters and their impact on temperature predictions.
Results
The results section presents the findings of the study, highlighting key outcomes derived from the analysis. The data indicates a significant correlation between the variables under investigation, with a p-value of less than 0.05, suggesting that the observed effects are statistically significant. Additionally, the results demonstrate a clear trend in the experimental group compared to the control group, reinforcing the hypothesis that the intervention has a measurable impact.
Further analysis reveals that the effect size is substantial, with a Cohen’s d of 0.8, indicating a large effect. The results also include graphical representations that illustrate the distribution of the data, providing visual confirmation of the statistical analyses. Overall, these findings contribute to the existing body of knowledge and suggest potential implications for future research and practical applications in the relevant field.
Discussion
In this section, the authors detail the methodology for data collection and preprocessing in their study on coal spontaneous combustion. The experiments utilized the ZRD-6 Coal Low-Temperature Oxidation Multi-functional Testing System, which includes components for gas supply, oxidation reaction, gas analysis, and data collection. The coal samples were prepared by isolating the core, breaking them into specified particle sizes, and drying them before experimentation. The experimental conditions involved heating the coal samples at a controlled rate while monitoring temperature and gas emissions, with gas analysis conducted at intervals to assess the relationship between gas indicators and coal temperature.
Feature engineering was employed to enhance the predictive performance of machine learning models, focusing on data preprocessing, feature selection, and correlation analysis. The Pearson correlation coefficient was used to identify significant relationships between gas indicators (such as O₂, CO, and CO₂) and coal temperature, leading to the selection of features that exhibited a correlation coefficient greater than 0.2. The final dataset consisted of 381 data sets derived from nine coal samples, with a training-test split of 80% and 20%. The study further introduced the PSO-XGBoost model, which integrates Particle Swarm Optimization (PSO) for hyperparameter tuning of the XGBoost algorithm, demonstrating superior predictive accuracy compared to traditional models like Random Forest and Support Vector Regression, as evidenced by improved metrics such as RMSE, MAE, and R².