Интеграция сверточной нейросетевой модели в состав хроматографического газоанализатора для непрерывного скрининга

Проведено исследование интеграции сверочной нейросетевой модели в состав хроматографического газоанализатора с целью проведения непрерывного скрининга. Использование сверточной нейронной сети позволяет определить с высокой точностью покомпонентный и массовый составы газа, а также упростить конструкцию хроматографического газоанализатора. Безопасность при подземном способе добычи в угольных и калийных шахтах, а также своевременность обнаружения вскрытия газового кармана и выброса в рабочую зону являются важными факторами при выборе оборудования и модернизации существующих решений. С целью устранения ограничения на частоту измерений хроматографического анализатора и оптимизации конструкции предложено заменить разделительные колонки искусственной нейронной сетью, выполняющей анализ газа по изображению спектра. Определено, что для эффективной обработки изображения газового спектра целесообразно использовать сверточную модель нейронной сети с архитектурой ResNet-34. Для обучения нейросетевой модели использованы данные, полученные с сертифицированных хроматографов непосредственно на месте проведения буровых работ, а также в лабораторных условиях. Валидация модели выполнена также на реальных данных путем последовательного снятия показаний сертифицированного хроматографа и хроматографа с нейронной сетью. Точность классификации спектра по метрике accuracy составила 88,80%, а чувствительность – 82,50%, что подтверждает достоверность результатов разделения газовой смеси. Результаты проверки точности покомпонентного разделения показали, что относительная погрешность при определении суммарного содержания углеводородных газов, а также отдельно метана, в многокомпонентном составе газа составила не более 6%.

Штанг А. А., Дедов С. И., Грипас В. К. Интеграция сверточной нейросетевой модели в состав хроматографического газоанализатора для непрерывного скрининга // Горный информационно-аналитический бюллетень. – 2025. – № 1-1. – С. 221–233. DOI: 10.25018/0236_1493_2025_11_0_221.

Штанг Александр Александрович¹ — канд. техн. наук, доцент, доцент, e-mail: shtang@corp.nstu.ru, ORCID ID: 0000-0001-9772-1784,
Дедов Сергей Игоревич¹ — канд. техн. наук, доцент, e-mail: dedov@corp.nstu.ru, ORCID ID: 0000-0003-4750-3927,
Грипас Владислав Константинович¹ — аспирант, e-mail: gripas.2017@stud.nstu.ru, ORCID ID: 0009-0002-3451-4176,
¹ Новосибирский государственный технический университет.

Дедов С.И., e-mail: dedov@corp.nstu.ru.

1. Koturbash T., Bicz A., Bicz W. New instrument for measuring velocity of sound and quantitative characterization of binary gas mixtures composition // Measurement Automation Monitoring. 2016, vol. 65, no. 8, pp. 254—258.

2. Agarkov A. Analysis of the emergency at the mining enterprises and evaluation of the method of remote selection of samples of mine air when conducting mine-rescue work // Fire and technosphere safety: Problems and ways of improvement. 2019, no. 2(3), pp. 10—20.

3. Агарков А. В. Об аварийности в угольных шахтах и применении системы дистанционного контроля состава шахтной среды при проведении горноспасательных работ / Инновационные технологии разработки месторождений полезных ископаемых. Сборник научных трудов кафедры разработки месторождений полезных ископаемых (№ 5). — Донецк: ГОУ ВПО «ДОННТУ», 2019. — С. 294—313. — [Электронный ресурс]. Режим доступа: http://ed.donntu.org/books/19/ cd8966.pdf. (дата обращения: 15.02.2024).

4. Matyushin D. D., Buryak A. K. Gas chromatographic retention index prediction using multimodal machine learning // IEEE Access. 2020, vol. 8, pp. 2169—3536. DOI: 10.1109/ACCESS.2020.3045047.

5. Noritaka U., Tatsuya T. Gas detection via machine learning // World Academy of Science, Engineering and Technology. International Journal of Computer and Information Engineering. 2020, vol. 2, pp. 61—65. DOI: 10.5281/zenodo.1075908.

6. Zixuan G., Yingjie F. GCMSFormer: A fully automatic method for the resolution of overlapping peaks in gas chromatography — Mass spectrometry // Analytical Chemistry. 2024, vol. 96, no. 15, pp. 5878—5886. DOI: 10.1021/acs.analchem.3c05772.

7. Matyushin D. D., Yu A. S. A deep convolutional neural network for the estimation of gas chromatographic retention indices // Journal of Chromatography A. 2019, vol. 1607, article 460395. DOI: 10.1016/j.chroma.2019.460395.

8. Leiyu C., Shaobo L. Review of image classification algorithms based on convolutional neural networks // Remote Sensing. 2021, vol. 13, no. 22, article 4712. DOI: 10.3390/rs13224712.

9. Bengio Y., Glorot X. Understanding the difficulty of training deep feed forward neural networks / Proceedings of the International Conference on Artificial Intelligence and Statistics. 2010, vol. 8, pp. 249—256.

10. Ayub A. K., Laghari A. Machine learning in computer vision: A review // EAI Endorsed Transactions on Scalable Information Systems. 2021, vol. 8, pp. 1—11. DOI: 10.4108/eai.21-4-2021.169418.

11. Yuanpu G., Dan Z. SemiAMR: semi-supervised automatic modulation recognition with corrected pseudo-label and consistency regularization // IEEE Transactions on Cognitive Communications and Networking. 2024, vol. 10, pp. 107—121. DOI:10.1155/2023/2683780.

12. Zewen L., Fan L. A survey of convolutional neural networks: Analysis, applications, and prospects // IEEE Transactions on Neural Networks and Learning Systems. 2022, vol. 13, pp. 6999—7019. DOI: 10.1109/TNNLS.2021.3084827.

13. Anamika D., Verma G. K. Convolutional neural network: a review of models, methodologies and applications to object detection // Progress in Artificial Intelligence. 2019, vol. 9, pp. 25—112. DOI: 10.1007/s13748-019-00203-0.

14. Grace W. Convolutional neural networks as a model of the visual system: Past, present, and future // Journal of Cognitive Neuroscience. 2021, vol. 33, pp. 2017—2031. DOI: 10.1162/jocn_a_01544.

15. Yong Y. Xiaosheng S. A review of recurrent neural networks: LSTM cells and network architectures // Neural Computation. 2019, vol. 31, pp. 1235—1270. DOI: 10.1162/neco_a_01199.

16. Hansika H., Christoph B., Kasun B. Recurrent neural networks for time series forecasting: current status and future directions // International Journal of Forecasting. 2021, vol. 37, pp. 388—427. DOI: 10.1016/j.ijforecast.2020.06.008.

17. Szegedy C., Liu W. Going deeper with convolutions // IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2015, vol. 3, pp. 1—10. DOI: 10.1109/CVPR.2015.7298594.

18. Simonyan K., Zisserman A. Very deep convolutional networks for large-scale image recognition / International Conference on Learning Representations. 2014, pp. 1—12. DOI: 10.48550/arXiv.1409.1556.

19. Glorot X., Bengio Y. Understanding the difficulty of training deep feedforward neural networks / Proceedings of the Thirteenth International Conference on Artificial Intelligence and Statistics (PMLR). 2010, vol. 9, pp. 249—256.

20. He K., Zhang X., Ren S., Sun J. Delving deep into rectifiers: Surpassing human-level performance on imagenet classification / IEEE International Conference on Computer Vision (ICCV). 2015, pp. 1026—34. DOI: 10.48550/arXiv.1502.01852.

21. Ioffe S., Szegedy C. Batch normalization: Accelerating deep network training by reducing internal covariate shift / International Conference on Machine Learning. 2015, pp. 1—11. DOI: 10.48550/ arXiv.1502.03167.

22. Srivastava R. K., Greff K., Schmidhuber J. Highway networks. Режим доступа: https://arxiv. org/abs/1502.03167 (дата обращения 15.02.2024).

23. Kaiming H., Xiangyu Z., Shaoqing R., Jian S. Deep residual learning for image recognition // IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2016, pp. 1—12. DOI: 10.1109/cvpr.2016.90.

24. Ramachandran P., Zoph B., Le Q. V. Searching for Activation Functions. Режим доступа: https://arxiv.org/abs/1710.05941 (дата обращения 15.02.2024).

25. Федеральные нормы и правила в области промышленной безопасности «Правила безопасности в угольных шахтах». Серия 05. Вып. 40. — М.: ЗАО «НТЦ ПБ», 2014. — 200 с.

26. Положение об аэрогазовом контроле в угольных шахтах. Серия 05. Вып. 23. — М.: ЗАО «НТЦ ПБ», 2012. — 110 с.

27. Анализ аварий и горноспасательных работ на предприятиях, обслуживаемых подразделениями ГВГСС за 2018 год. — Донецк, 2019. — 76 с.