面向深部煤层强化燃烧的高温时空演化可解释深度学习与预测建模

《Process Safety and Environmental Protection》：Explainable deep learning for spatiotemporal high-temperature evolution and predictive modeling in coal seam enhanced combustion

本文提出了一种融合卷积神经网络-长短期记忆网络-注意力机制（CNN-LSTM-Attention）的深度学习模型，用于预测深部煤层强化燃烧过程中的温度时空演化。该模型在13个输入特征（包括气体浓度和煤质参数）基础上，实现了R2达0.987的预测精度，并采用SHAP（SHapley Additive exPlanations）方法揭示CO2浓度和CO/CO2比值等关键驱动因子，为原位热提取系统的热安全管理提供了兼具高精度与可解释性的技术框架。

　　

Highlight

煤层强化燃烧过程中表面温度场分析

图7展示了燃烧过程中表面温度的空间演化规律。在0-50分钟内，核心高温区主要集中于管道上方，呈近似椭圆形分布并从中心向外逐渐递减。这种现象可归因于管道内流体受热后密度变化：流体被加热时密度降低，其浮力超过自身重量从而产生上升流。高温流体在管道中心区域聚集，形成局部高温核心区，而周边区域因热对流作用温度梯度逐渐平缓。

结论

通过管道煤柱强化燃烧实验，本研究揭示了温度时空演化规律和气体释放模式，并开发了基于CNN-LSTM-Attention（卷积神经网络-长短期记忆网络-注意力机制）的温度预测模型。结合SHAP（沙普利加性解释）可解释性分析方法，对模型预测结果进行了全局解释。结果表明，该模型在多重评估指标上均优于BP（反向传播）神经网络、Transformer（转换器）等十种对比模型，显著提升了预测精度并增强了模型可解释性。