用于预测煤自燃温度的结构优化深度集成模型研究

摘要

本文介绍了一种利用SSA优化的CNN-LSTM-Attention框架预测煤自燃温度的实验方案，该框架可自动优化网络结构与参数，从而在异构数据集及不同采矿条件下提升预测的准确性、适应性与泛化能力。

摘要

本文提出了一种基于麻雀搜索算法（Sparrow Search Algorithm, SSA）优化的卷积神经网络（CNN）-长短期记忆网络（LSTM）-注意力机制框架的煤自燃温度预测方案。该方案克服了传统方法中存在的网络结构固定、泛化能力受限以及迁移性差等局限性。该框架利用卷积神经网络提取空间特征，通过长短期记忆网络捕捉时间依赖关系，同时引入注意力机制以突出关键温度阶段和显著特征。麻雀搜索算法对网络深度和超参数进行联合优化，从而实现对不同矿区和实验条件下数据复杂度变化的动态自适应。本方案包括数据采集、特征预处理、模型构建、参数优化及验证等步骤。实验结果表明，所提出的模型在同构数据集上具有显著更高的预测精度，并在异构数据集上保持了良好的泛化性能，适用于煤矿实时温度监测与早期预警系统。

引言

煤炭在中国的能源结构中仍占据主导地位。然而，在储存、运输和开采过程中，煤炭可能发生自热现象，进而引发自燃。这常常导致矿井火灾，严重威胁矿井安全和矿工生命^1,2,3,4。因此，准确预测煤矿火灾风险及其温度变化，对于实现早期预警和灾害防控至关重要。煤炭自燃温度的预测方法已从早期的经验公式发展为基于实际监测数据的分析方法^5,6,7。早期研究主要依赖物理模型和化学动力学方程来模拟煤炭氧化放热机制。然而，由于模型参数复杂且适用性有限，这些模型在实际应用中面临显著局限^8,9,10。随着智能算法的发展，随机森林（Random Forest, RF）¹¹和人工神经网络（Artificial Neural Networks, ANN）¹²等方法被逐步引入，通过构建非线性映射以提升预测能力。近年来，深度学习的进步为预测煤炭自燃温度提供了新途径。Wang 等人¹³提出了一种基于声学测温技术的检测方法，通过分析不同条件下的气体释放情况，建立初步阈值和早期预警系统，并构建了用于测量松散煤体温度的精细化数学模型。图神经网络（Graph Neural Networks, GNN）和 Transformer 架构也已被引入该领域。Pan 等人³提出了一种基于图卷积网络（Graph Convolutional Networks, GCN）的煤炭自燃温度预测模型，该模型融合了气体指标之间的相互作用，实现了更高的预测精度。

然而，现有方法在超参数选择和模型泛化能力方面仍存在局限性。为了提升性能，研究人员引入了诸如麻雀搜索算法（Sparrow Search Algorithm, SSA）等智能优化算法，用于调整学习率和批量大小等超参数。Wang 等人¹⁴提出了 SSA-CNN 模型，首次将群体智能算法与卷积神经网络结构相结合。该方法不仅提高了参数优化效率，还能有效捕捉煤自燃数据中的空间结构特征。Long 等人¹⁵和 Zou 等人¹⁶分别提出了基于贝叶斯优化-轻量梯度提升机（BO-Light Gradient-Boosting Machine, GBM）和粒子群优化-XGBoost（PSO-XGB）的煤自燃预测模型。这两种模型通过优化搜索策略，提升了收敛速度与预测精度，为煤自燃预测模型的优化提供了新思路。

尽管现有研究在煤自燃温度的智能预测方面取得了进展，但大多数工作仅局限于优化模型参数，而未在网络架构层面进行改进。因此，当前模型普遍存在以下局限性：第一，多数模型采用静态结构，在初始模型构建过程中，网络架构（如卷积层数量、LSTM层数量）和关键训练参数（如学习率、批量大小）被手动设定或按比例衰减，并在整个训练和预测过程中保持不变，缺乏根据数据复杂性动态调整的能力；第二，这些模型通常缺乏针对不同时段、温度范围和气体浓度尺度等变化条件的自适应调节机制，难以满足多条件预测的需求；第三，其泛化能力和可迁移性仍然不足，导致在不同区域数据集上的预测结果不稳定且准确性较低。尽管在参数层面已实现部分改进，但网络结构本身仍保持静态，未能实现结构与参数的联合动态优化，从而限制了整体性能的提升。

因此，本研究旨在开发一种灵活且高精度的模型，用于预测煤自燃温度，以应对上述挑战。通过对比实验，选择CNN-LSTM-Attention架构作为基础模型。为适应不同煤层对网络深度的差异化需求，将传统的静态结构替换为 "结构优化" 该方法中，卷积层（CNN）和循环层（LSTM）的数量以及关键训练参数并非固定不变，而是根据数据中空间和时间特征的强弱动态调整。

方案

1. 煤炭自燃数据采集

1. 组装气流式煤程序化加热氧化系统，包括气体输送系统、温度控制单元和气体分析仪器。确保所有连接牢固，温度控制设置准确，气相色谱仪及其他分析设备均已完全校准。
2. 称取1000 g混合煤样（保持原始块状形态），采用四分法充分均质化样品，并将煤块均匀放置于加热腔内。保持厚度一致且分布均匀，以确保受热均匀。
3. 启动空气泵，通过流量计调节流速，使进入加热腔的气体流量稳定在100 mL/min。确保流量稳定性在±2 mL/min范围内。
4. 根据预设的升温程序启动加热系统，以1.0 °C/min的速率逐步升高炉温至200 °C。使用控制软件实时监测温度变化，确保升温速率符合设计要求。
5. 利用安装在煤样附近的温度传感器持续监测并记录温度变化，确保数据采集的准确性和连续性。
   注意：在程序化加热实验过程中，每10秒自动记录一次温度和气体浓度数据，使用已校准的温度传感器和气体分析仪，直至实验结束。
6. 通过气体输送系统将加热反应过程中产生的气体导入气相色谱仪。
   1. 按预设时间间隔（30 s）进行自动采样，测定氧气、一氧化碳和二氧化碳的浓度，并在每次实验前完成气相色谱基线校准。
   2. 保持100 mL/min（±2 mL/min）的传输管线流量，与反应腔出气流量匹配，并由质量流量控制器调节，以确保在30秒自动采样期间向气相色谱仪稳定输送气体。
7. 在模型训练前，应用标准化的数据预处理流程，以确保数据质量和一致性。
   1. 将所有特征归一化至零均值和单位方差，以消除量纲差异，促进模型收敛。
   2. 为抑制传感器噪声并稳定时间趋势，采用窗口大小为5的移动平均滤波器对时间序列数据进行平滑处理；若存在缺失值，使用邻近观测值的均值进行插补，以保持数据集的完整性。
   3. 此外，采用z分数阈值|z| > 3识别异常值，并将其从后续分析中剔除，以提高模型的鲁棒性。
      注意：实验共采集83个煤样的数据，记录了氧气、一氧化碳、二氧化碳、甲烷、乙烷和乙烯等气体浓度随煤温的变化情况。气流式煤程序化加热氧化系统的示意图见图1。

2. 基于SSA结构优化的CNN-LSTM-attention模型构建

1. CNN-LSTM-注意力模型的构建
   1. 构建卷积神经网络（CNN）模块，以从温度和气体浓度的输入序列中自动提取空间特征。
      1. 堆叠 2-4 个一维卷积层（步长 = 1，填充 = "相同"，卷积核大小为3-7。每层之后应用归一化（BatchNorm或LayerNorm）、ReLU或GELU激活函数以及0.1-0.2的dropout。可选地，在前一或前两层中使用MaxPooling1D（pool = 2）进行去噪或下采样，但避免在最后一层使用池化操作，以保持时间分辨率。
      2. 使用一个1×1 个卷积操作，用于将通道维度投影到下游 LSTM 所需的维度。保持张量为三维形式 "时间 × 通道" 保持形状（不要展平），并直接输入到 LSTM 中，设置 return_sequences=True；将层数、通道数、卷积核大小、池化方式和 dropout 记录在配置文件中，以支持 SSA 搜索及结果可重复性。
   2. 将最终的Conv1D输出视为按时间顺序排列的特征向量序列，保留时间轴而不进行展平，并直接输入至LSTM。若先前的池化操作已缩短序列，则采用缩短后的长度；当通道维度与LSTM的预期输入不匹配时，应用一个1×1 个卷积或线性投影用于对齐。
   3. 使用64个隐藏单元、tanh激活函数，并设置return_sequences=True，以保留每个时间步的表示。在模型构建模块中实现此转换，并记录输入/输出张量的形状及关键参数设置，以确保可重复性和可追溯性。
   4. 在LSTM输出后立即插入一个时间注意力模块：该模块接收每个时间步的隐藏表示，并通过单隐藏层投影生成注意力权重向量。
   5. 将权重向量维度设置为64，该参数直接在注意力层的配置中指定。随后，沿时间轴对权重进行softmax归一化，以得到各个时间步的相对重要性。利用归一化后的权重计算上下文向量（加权和），该向量与序列表示相融合后输入回归头。
   6. 使用骨干网络对注意力模块进行端到端训练；若存在填充，应在softmax之前应用掩码以忽略无效步骤。
   7. 仅在消融实验中，将数据集按时间顺序划分为训练集（80%）和测试集（20%），并进行独立的五折交叉验证，以评估所提出模型的整体稳定性和泛化能力。
   8. 从项目根目录执行训练，所有相对路径均以该根目录为基准。启用早停机制，若验证误差在连续10个训练周期内未得到改善，则停止训练，并将最优权重保存至 ./checkpoints/best_model.h5。
   9. 为记录训练过程，CSV 日志记录器将每轮次的训练/验证损失及关键指标写入 training_log.csv 文件（列包括 epoch、train_loss、val_loss、metrics、timestamp）。每当验证性能提升时，更新最佳模型文件，以确保结果可复现，并支持后续分析。
      注意：卷积神经网络（CNN）通过局部连接和权重共享自动从输入数据中提取空间特征。浅层卷积核可捕捉细微的局部变化。空间特征表现为不同时刻多种气体（如氧气和一氧化碳）的浓度分布与分布模式，包括局部异常和浓度梯度。这些特征反映了煤炭自燃过程中气体之间的空间关联性，而CNN能够有效识别此类关联。¹⁷CNN 提取的特征序列被输入至 LSTM，LSTM 通过其门控机制对时间序列进行动态建模。诸如温度的逐渐升高、波动以及气体浓度的突变等时序特征及其先后顺序，反映了煤自燃过程中温度与气体反应的累积变化。LSTM 能有效捕捉这些模式，从而提升预测精度与模型稳定性。¹⁸在LSTM输出层引入注意力机制，为每个时间步的特征分配权重。该机制聚焦于煤自燃温度的关键阶段，增强有价值的信息，抑制噪声，从而提升预测性能。¹⁹ (图2).
2. 基于SSA的模型结构优化方法设计
   注意：本文提出的动态优化策略将模型结构设计与超参数优化相结合，整体上分为准备阶段、变形阶段和正式训练阶段。该方法实现了结构参数与超参数的协同调整，使模型在提升性能的同时保持结构灵活性，并增强对复杂运行条件的适应能力。
   1. 准备阶段
      1. 在基于SSA的搜索之前，将超参数/结构搜索空间定义为一个四元组：x_i= L_{卷积神经网络}, L_{长短期记忆网络}, L_r批量大小， L_{卷积神经网络} （卷积神经网络模块的数量）以及 L_{长短期记忆网络} （堆叠的LSTM层数）分别为整数值，从{1,2,3,4}和{1,2,3}中均匀采样。
      2. 由于优化器生成的是实数向量，需使用 Python 的 round() 规则（四舍六入五成双）将非整数建议值映射到最接近的整数，然后裁剪至 [1,4] 或 [1,3] 范围内。绘制学习率 学习率是从区间 [1 × 10^-2，1 × 10^-1]. 将超出范围的建议值裁剪至最近的边界。batch_size 是从 {32, 64, 96, 128} 中选择的离散值。
      3. 除非另有说明，此准备步骤中不要施加跨参数约束。为确保可重复性，需对 Python、NumPy、深度学习框架以及环境变量 PYTHONHASHSEED 应用相同的随机种子（42）。
      4. 以30的种群规模初始化麻雀搜索算法（SSA），并运行80次迭代。
         注意：这些设置与上述舍入/裁剪规则共同定义了后续所有实验所用搜索空间的构建方式。
   2. 变形阶段
      1. 随机生成一组初始参数，记为 C₁,L₁,I₁,b₁在训练网络之前，将整数维度四舍五入至最接近的整数，并将所有数值裁剪至其边界范围内。
      2. 使用单次训练/验证运行计算验证集的均方误差（MSE）作为适应度值；记录并保存当前结果。
      3. 更新位置以生成新的参数组合 C₂,L₂,I₂,b₂运行一次单步训练迭代，并将其适应度与存储值进行比较。
      4. 如果新组合的性能优于先前组合，则替换原始结果并将当前位置设置为 C₂,L₂,I₂,b₂若性能更差，则设置标记以避免重复选择无效组合，同时保留当前最优解。
      5. 重复步骤 2.2.2.2–2.2.2.4，进行多轮迭代，直至未观察到进一步改进，从而获得最优组合 C_n,L_n,I_n,b_n.
      6. 保存 C_n,L_n,I_n,b_n 作为最终的结构参数，并开始正式训练。
   3. 训练阶段
      注意：选择适应度最优的卷积神经网络（CNN）和长短期记忆（LSTM）网络层数作为最终网络结构，用于在测试集上进行完整训练与评估（图3).
      1. 设置模型结构和超参数的搜索范围，包括 2-6 个 CNN 层、1-4 个 LSTM 层、学习率范围为 1 × 10^-5 至 1 × 10^-2，批量大小为32、64或128，最大训练轮数为100。在SSA迭代过程中联合优化这些参数。
      2. 通过将种群数量设为30、最大迭代次数设为100，初始化麻雀搜索算法（SSA）种群。确保每个个体代表一种候选模型配置，包括CNN深度、LSTM深度、学习率和批量大小。
      3. 在每次迭代中，将麻雀搜索算法（SSA）种群划分为发现者（20%）、跟随者（70%）和警戒者（10%）。根据SSA的位置更新规则，发现者执行全局探索，跟随者进行局部开发，警戒者防止算法陷入局部最优。每次迭代后更新所有个体的位置向量。
      4. 使用验证集上的均方误差（MSE）作为适应度函数，评估每个候选模型的预测性能。根据适应度值动态调整搜索方向，使麻雀搜索算法（SSA）逐步收敛至最优的网络结构与超参数配置。
      5. 完成麻雀搜索算法（SSA）迭代后，输出最优的卷积神经网络（CNN）深度、长短期记忆网络（LSTM）深度、学习率和批量大小。使用这些最优参数在完整训练集上重新训练模型，并将最终训练好的模型权重保存至 final_model.h5 文件中。".
         注意：优化算法在工业领域中得到广泛应用^20,21，常用于生产调度²²，质量控制²³，设备维护²⁴资源分配²⁵以及工艺参数优化²⁶，以及其他方法。本研究采用的麻雀搜索算法（SSA）是一种模拟麻雀种群觅食行为的智能优化算法，通过发现者、跟随者和警戒者之间的协同机制实现高效优化。²⁷该算法将种群中的最优个体指定为发现者，负责执行全局探索，其余个体作为跟随者进行局部开发，同时设置警戒者以避免陷入局部最优。²⁸SSA 采用自适应策略来平衡探索与开发能力，具有收敛速度快、参数设置简单的特点。²⁹在本文提出的煤自燃温度预测模型中，SSA作为核心优化方法 "结构优化" 概念，通过自动优化卷积神经网络-长短期记忆-注意力（CNN-LSTM-Attention）模型架构及关键超参数，以提升在异构数据集上的预测准确性和泛化能力。

3. 模型验证与可迁移性评估

1. 模型有效性验证
   1. 使用煤炭自燃实验数据设计消融实验，以验证卷积神经网络（CNN）、长短期记忆网络（LSTM）和注意力（Attention）模块各自的贡献。采用固定的随机种子42，将数据集随机划分为训练集（80%）和测试集（20%），以确保结果可重复。
      注意：使用配备 NVIDIA RTX 4090 GPU 的工作站，并在 Python 3.8 和 TensorFlow 2.6 环境下运行所有实验（开发 IDE 信息见下文） 材料清单).
   2. 将目标函数设为均方误差（MSE），并采用改进的麻雀搜索算法（SSA）对CNN-LSTM-Attention架构的关键超参数进行联合优化，包括网络深度、学习率和批量大小。为确保公平性，所有基线模型均在相同数据集上训练，采用相同的训练轮数、学习率和批量大小，并在相同的测试集上进行评估。
   3. 基于固定的卷积神经网络-长短期记忆-注意力（CNN-LSTM-Attention）模型结构，采用五种经典参数优化方法——遗传算法（GA）、灰狼优化算法（GWO）、粒子群优化算法（PSO）、鲸鱼优化算法（WOA）和麻雀搜索算法（SSA）对模型进行优化，随后结合结构优化进行综合评估。
   4. 在测试集上计算每个模型的性能指标，并使用对比图表对结果进行可视化。
      1. 报告消融实验（表1），七种模型的预测性能（表 2），以及优化算法的比较性能（表3).
      2. 对于图表，将模型预测值与观测值进行对比绘制，并设置图例标签为 "预测" 以及 "测量的"确保所有图示中的字体、配色方案和坐标轴单位保持一致。对于表格，应保持字体、列的顺序、单位和小数位数的一致性。
2. 模型可迁移性验证
   1. 构建迁移验证数据集
      1. 使用来自六个矿区的83个煤样组成的迁移验证数据集，共计12,450条温度-气体特征记录。针对每个矿区，将数据划分为训练集（80%）和测试集（20%），并在不同地质条件下保持均衡的样本分布。
         注意：为了评估 "结构优化" 为评估模型的泛化性能，本研究构建了一个涵盖多个矿区及不同地质条件的综合性煤自燃温度特征数据集。该数据集整合了来自典型矿井的现场监测数据，如青龙矿（近水平煤层）、小纪汗矿（厚煤层）和张家峁矿（浅埋煤层），以及在不同地质条件下Ⅰ-Ⅱ类易自燃煤层的实验数据，包括4号煤层（高挥发分含量）、原店二矿72号煤层（复合顶板）和红庆梁矿（易氧化特性）。
   2. 跨矿井数据集异质性分析
      1. 按矿井汇总 CO、CO₂, CH₄，C₂H₆, C₂H₄，以及煤温；保留矿井编号和时间戳。
      2. 统一单位（ppm 或 %）并校准时间戳；按照步骤 2.1 中的规定处理缺失值。
      3. 计算每个变量的最小值、第一四分位数（Q1）、中位数、第三四分位数（Q3）、最大值及四分位距（IQR） × 矿井；通过1.5倍四分位距法标记异常值×IQR 规则。
      4. 通过计算Q3和最大值的倍数差异来量化跨矿井异质性；突出显示相关情况 ≈ 两个数量级（尤其是 CO/CO₂).
      5. 按矿井绘制箱线图（每个变量一个图面板；每个变量共用y轴；将离群值显示为点；标注四分位数）。
      6. 导出为 图4.
      7. 在实验室数据集中选择四种表现良好的模型——XGBoost、BP、TCN 和 Transformer——进行对比，以验证所提出模型的可迁移性。

结果

采用四个独立数据集验证了模型的稳定性，结果表明该模型在不同地质条件下均表现出一致的预测性能。本节展示了煤自燃实验以及所提出的SSA-CNN-LSTM-Attention模型的代表性结果与性能评估。首先，分析程序控温氧化实验过程中采集的多种气体指标变化，以揭示不同温度阶段下气体浓度的动态变化规律。结果分为四个部分：（1）消融实验，用于评估CNN、LSTM、Attention和SSA各组件对模型性能的贡献；（2）模型对比实验，将所提出方法与BP、XGBoost、Transformer、GCN和TCN-GCN进行比较，在相同训练条件下分析其拟合精度与误差分布；（3）优化算法对比实验，评估GA、GWO、PSO、WOA和SSA在参数优化与结构优化策略下的性能表现；（4）可迁移性验证，测试模型在来自不同煤矿的数据集上的预测精度与稳定性。所有结果均基于本实验方案中描述的实验流程与数据处理方法，评估指标包括均方误差（MSE）、均方根误差（RMSE）、平均绝对误差（MAE）、决定系数（R²）和平均绝对百分比误差（MAPE）。

讨论

使用完整的煤块样品；采样后仅进行表面清洁，并立即双重密封，避免长时间暴露。保持气体管路气密，并通过质量流量控制器（MFC）实现恒流控制，严格按照方案中规定的程序进行加热，并使用有证标准物质对气相色谱仪（GC）进行校准。以固定时间间隔采集温度和气体信号，并同步时间戳（见方案）。从计算角度出发，需固定并记录实验环境（操作系统、Python、深度学习框架、CUDA等），设置随机种子和确定性选项，并锁定依赖项版本。按开采地点采用分层固定划分方式；仅在训练集上拟合预处理方法，并将其不变地应用于测试集；遵循统一的训练与评估流程。遵循上述要点可保留分阶段的O₂/CO/CO₂/CH₄ 特征信号，提高结果的可重复性和可迁移性。

在实验中，通过检漏和吹扫管路来消除 O₂ 基线漂移或室温下 CO/CO₂ 浓度升高的问题；随后重新运行空白样品，并使用有证标准物质重新校准。通过使用带有独立验证的质子流量控制器（MFC）以及运行固定 PID 升温程序，以稳定气流和温度。保持热电偶放置位置以及...

材料

本文使用的材料清单

姓名	公司	目录编号	评论
6通2位气体取样阀，带通用驱动器	VICI Valco	EUDA-2C6UWT	1/16" 接头；0.75 mm 接口；RS-232；2" 间距
氧化铝样品舟	MTI Corporation	EQ-CA-L50W40H20	>99.5% Al2O3；50×40×20 mm
色谱分析软件	安捷伦科技	OpenLab CDS	数据采集/处理
煤样（野外采集）	内部/野外采集	N/A	方法中详述来源
CUDA / cuDNN	NVIDIA	https://developer.nvidia.com/cuda-zone	CUDA 11.x；匹配的 cuDNN
数据采集主控机	Keysight	DAQ970A	6½数字万用表；USB/局域网
干燥剂（指示型）	W.A. Hammond Drierite	23001	硫酸钙；8 目；1 磅
隔膜空气泵	KNF	https://www.knf.com	持续供气；可调节气流
FR 实验室外套	堡垒	KEL2（系列）	符合 NFPA 2112 标准
气相色谱仪	安捷伦科技	G3540A（8890 GC 系统）	气相色谱系统；电子压力控制；最多2个进样口/4个检测器
耐热手套	安塞尔	43-113	间歇性，最高可达约 350 °C
高纯度空气	液化空气集团 / Airgas	https://www.airgas.com/solutions/specialty-gases/pure-gases/alphagaz	≥99.99% 纯度
IDE	JetBrains / Microsoft	https://www.jetbrains.com/pycharm/ ; https://code.visualstudio.com/download	PyCharm / VS Code
内联滤光片	Swagelok	https://www.swagelok.com/downloads/webcatalogs/en/ms-01-92.pdf	烧结不锈钢元件 0.5–15 µm
K型热电偶	OMEGA	https://www.omega.com	K型（NiCr）–NiSi
质量流量控制器（0–200 sccm	Alicat Scientific	MC-200SCCM-D	MC系列； ±(0.8% 读数 + 0.2% 满量程)
多组分校准气体	Messer	https://specialtygases.messergroup.com/standard-gas-mixtures	自定义浓度；证书
操作系统	微软	https://www.microsoft.com/zh-cn/software-download/windows11	Windows 11
操作系统	经典方法	https://ubuntu.com/download/desktop	Ubuntu LTS（22.04/24.04）
PTFE/PFA 管	Swagelok	https://products.swagelok.com/zh/all-products/hoses-flexible-tubing/ptfe-pfa-core-hose/c/716?clp=true	耐化学腐蚀；1/16–1/4 光密度
Python	Python 软件基金会	https://www.python.org/downloads/	版本 3.8
石英样品舟	MTI Corporation	EQ-QB-1017（示例尺寸）	~1200 °C 工作温度
护目镜	3M	93506P1-DC（示例）	化学飞溅；防雾选项
不锈钢无缝管	Swagelok	https://www.swagelok.com/downloads/webcatalogs/en/ms-01-181.pdf	316/316L；1/16–1/4 光密度
不锈钢管接头 &和套圈	Swagelok	https://products.swagelok.com/zh/all-products/fittings/tube-fittings-adapters/c/154?clp=true	316/316L；双卡套
温度控制器	Eurotherm	3216	单回路 PID；可编程斜坡/报警
TensorFlow	谷歌	https://www.tensorflow.org	版本 2.6
USB热电偶模块	NI（国家仪器公司）	781314-01（USB-TC01）	K/J/T；记录软件
可变面积流量计（Visi-Float）	Dwyer Instruments	VFA-2-EC-SS（0.2–2 标准立方英尺/小时 空气)	低流量范围；直接读数
工作站显卡	NVIDIA	900-1G136-2530-000（创始人版）	NVIDIA GeForce RTX 4090，24 GB GDDR6X（FE）