基于有限监测数据，利用物理信息神经网络（PINN）对地下煤增强燃烧过程中温度演化的三维全场重构

《Process Safety and Environmental Protection》：Three-dimensional full-field reconstruction of temperature evolution during underground coal enhanced combustion using a physics-informed neural network(PINN) with limited monitoring data

　　

摘要
地下煤强化燃烧（UCEC）提供了一种从深部煤层中回收地热的潜在途径。然而，耦合传热与反应过程在空间和时间上产生高度非线性的温度场。本文提出了一种温度场重建框架，将集合经验模态分解（CEEMDAN）与物理信息神经网络（PINN）相结合。CEEMDAN将温度信号中的高频波动与长期趋势分离，而PINN则嵌入了瞬态热传导、强制对流、Stefan流和氧化热源。与径向基函数插值、支持向量回归、线性回归和多层感知机相比，所提框架更好地保留了高温核心区、燃烧前锋和煤-岩界面等异质特征。重建的温度场经历了逐步加热、稳定燃烧和衰减阶段。高温区域集中在煤层上部，并沿注气管线迁移。高温燃烧区在第3天时体积达到最大值0.00839 m3，其x坐标质心从第0.5天的0.274 m迁移至第4天的0.699 m。在第6天后，估算的燃尽腔体积稳定在0.0206 m3。煤-顶板界面表现出比煤-底板界面强得多的热响应，在第3天时其平均绝对温度梯度和热通量分别达到10432℃/m和4961 W/m2。同时，总显热和高于200℃的可用显热分别达到0.0641 GJ和0.0367 GJ。热冲击危害指数进一步表明，高风险区域主要位于燃烧早期阶段的高温前锋和煤-顶板界面附近。该框架提供了一种从稀疏监测数据重建UCEC温度场的方法，并可用于识别潜在取热位置和热危害。

引言
随着化石燃料的大规模开采和消耗，全球变暖和环境污染等生态问题日益突出。在碳达峰和碳中和背景下，全球能源系统正经历深刻的清洁能源转型（Wu等，2026）。然而，风电和太阳能等绿色能源仍受制于技术不成熟和高成本，尚未实现大规模部署（Nacke等，2024；Liu等，2025a）。2025年，全球煤炭消费约占总一次能源消费的26%（Zhang等，2026a），预计到2026年将达到88.5亿吨（Li等，2026a）。这些数字表明，煤炭在未来一段时期内仍将在全球能源结构中发挥重要作用。因此，实现环境可持续的煤炭开采已成为煤炭工业转型的核心任务。

地下煤强化燃烧（UCEC）是一项重要的煤炭清洁利用技术（He等，2026a）。与传统开采相比，传统开采往往伴随着高成本、低煤炭生产力和环境污染等问题，而UCEC通过受控化学燃烧将煤中的高能组分转化为可燃气体，如CH?、H?和CO（Struga?a-Wilczek等，2021）。同时，它还引入水等换热介质，以回收化学反应的残余热量（Chen等，2025a）。这种方法能够有效开发深部碳资源，同时大幅减少地表扰动和废弃物排放。此外，UCEC还可以与地质CO?封存和储能技术等减排途径相结合，从而支持近零排放的煤炭开发。UCEC涉及强耦合的多物理场过程，包括水分蒸发、热解、放热氧化、气固多相流和热驱动浮力（Verma等，2015）。因此，准确表征温度场动态对于维持燃烧腔的长期稳定性和实现高资源回收至关重要（Shahbazi等，2025；Zhao等，2025）。

数值模拟已成为分析煤炭相关过程中温度演化的主要方法。Ji等（2025）开发了一种热-水-化学（THC）模型来分析煤层原位制氢（ISCH）过程中温度和压力的控制机制（Zhang等，2025a）。Guo等（2025）提出了一种新的地下煤气化系统，集成了超临界水热燃烧、超临界H?O/CO?气化和高压热解，并评估了其热力学性能。Cui等（2025a）在COMSOL Multiphysics中建立了深部地下煤气化的热-水-化学模型，研究了气体流量、氧浓度和压力对燃烧的影响。Yao等（2025）用FORTRAN开发并离散化了多物理场耦合数学模型，以考察气化过程中的瞬态温度变化。Wang等（2026a）建立了基于有限元的地下煤气化（UCG）多场耦合模型，分析了不同气化时刻温度场的空间影响，从而支持有效工艺调控。此外，还建立了太阳能驱动的高沥青煤原位热解模型，并开发了温度-化学耦合方法来估算高沥青煤的回收率。然而，数值模拟通常在理想化条件下进行，主要用于考察参数效应。在实际实验和工程应用中，环境限制、设备限制和操作不确定性可能导致模拟结果与观测结果之间存在显著偏差。随着计算技术的快速发展，数据驱动的机器学习方法在煤炭研究中得到了越来越广泛的应用。Wang等（2025a）使用广义回归神经网络（GRNN）和极端梯度提升（XGBoost）预测煤层中的氢吸附（Liu等，2026）。Kumari等（2021）训练了四种机器学习模型——XGBoost、GRNN、多层感知机（MLP）和支持向量回归（SVR）——以预测不同温度、压力和气体组成条件下煤中CO?/CH?的竞争性吸附。Han等（2026）应用长短期记忆网络（LSTM）、轻梯度提升回归（LGBR）和AutoGluon模型预测煤层火演化过程中的温度、热危害区域和CO?浓度，从而支持安全风险控制。Zhang和Li（2026）使用包括XGBoost和随机森林（RF）在内的机器学习方法预测了中国煤燃烧场所多环芳烃（PAHs）的空间分布。此外，还提出了一种两阶段PGI-SDMI方法，用于识别煤矿事故的因果特征并预测事故严重程度。尽管纯粹数据驱动的机器学习方法可以为多个参数提供准确预测，但其性能强烈依赖于数据质量和数据量。

物理信息神经网络（PINN）已被提出以弥补数据可用性有限的不足（Raissi等，2019；Querlioz，2024；Wright等，2022）。PINN是一种基于神经网络的机器学习框架，将控制偏微分方程（PDEs）嵌入学习过程（Meng等，2023）。因此，其预测结果能更好地符合物理定律。与传统数值模拟相比，PINN具有更高的灵活性和无网格特性（Chen等，2025b）。与纯粹数据驱动的方法相比，PINN对大数据集的依赖较小，因为PDE约束允许模型从有限观测推断未观测点，同时保持基础物理行为（Zhang等，2024）。PINN已在多个工程和物理科学领域得到应用（Fu等，2026a；Fu等，2026b）。Wang等（2026a）提出了一种基于PINN的混合框架，用于在频率信息不完整条件下进行连续路面信号建模和路网级路面状况评估。Zhang等（2022）提出了一种基于物理的神经网络模型，用于在数据有限的情况下进行一维乙烯-空气预混火场景的温度推断和烟层参数估计。Liu等（2024）开发了一种物理驱动神经网络，用于识别未知的几何和材料参数。Wang等（2026b）建立了一种基于PINN的预测框架，利用稀疏合成数据重建三维高分辨率湍流燃烧。Chen等（2026）提出了一种具有物理约束自适应权重的PINN模型，用于预测具有热激活建筑系统（TABS）的建筑物内的空气温度。此外，PINN还被引入空气热弹性分析，准确预测了包括热屈曲、极限环振荡、准周期和混沌运动在内的多种载荷条件下的空气热弹性响应。尽管PINN在交通运输、燃烧、材料和流体力学领域取得了这些进展，但在煤炭研究中仍探索不足，特别是在地下煤气化、煤热解和UCEC等流化煤炭开采过程中。

为应对这些挑战，本研究将集合经验模态分解（CEEMDAN）与PINN相结合，用于UCEC温度场重建。该研究将信号处理技术与燃烧温度数据相结合，同时将热传导和对流相关的偏微分方程嵌入神经网络，构建了一个数据-物理双驱动的温度场重建框架。这为UCEC过程中的燃烧控制和能效提升提供了方案，并为UCEC的安全监测和风险预警提供了理论基础。

章节片段
实验材料准备
本实验所用煤样采集自中国新疆维吾尔自治区乌鲁木齐市，如图2（a）所示。工业分析结果列于表1。顶板和底板材料由水泥、河沙和石膏按指定比例混合而成。载体采用310S不锈钢，其外表面包裹隔热棉以模拟地下环境的保温条件。如图2（b）所示。

模态分解
CEEMDAN参数设置在初步参数筛选过程中确定。集成大小为100，噪声幅值为5%，在分解稳定性、噪声抑制和计算成本之间提供了适当的折中。保留的成分IMF1至IMF10以及残差成分被重组形成处理后的温度序列。该重组序列——而非每个IMF作为独立的网络特征——被用作温度输入或

结论
本研究使用缩放比例UCEC实验和结合CEEMDAN预处理及对流-Stefan传热约束的PINN框架重建了三维温度场。主要结论如下：

（1）温度场经历了加热、稳定和冷却阶段。最近点火点的温度传感器在0.5天内超过1386℃，而最远点需要约3.8天完成加热。燃烧前锋传播……

未引用参考文献：Liu等，（2025c）

CRediT作者贡献声明
Nie Baisheng：写作-审阅与编辑、监督、资源、项目管理、方法论、概念化。
Cui Xiao：写作-初稿、软件、方法论、调查、数据整理、概念化。
Zhao Dan：写作-审阅与编辑、软件、方法论、概念化。
He Hengyi：可视化、调查。
Cong Guochen：形式分析。
Zhou Haowen：软件。

利益冲突声明
作者声明没有已知的竞争性经济利益或个人关系可能影响本文报告的工作。

致谢
本研究得到了中央高校基本科研业务费项目（2024IAIS-ZD006）、煤炭安全监装及动力控制国家重点实验室2030重大项目（2011DA105287—MX2030-202101）以及国家自然科学基金（U24A2090）的支持。

Xiao Cui | Baisheng Nie | Dan Zhao | Hengyi He | Guochen Cong | Haowen Zhou