近日，bet365备用网址
低碳炼铁与固废资源利用团队在期刊《Energy Conversion and Management》上发表了题为“Accurate coal ignition temperature prediction through interpretable deep transfer learning with small-sample feature-level adaptive noise augmentation”的创新研究文章。2023级硕士研究生张洋为该论文的第一作者，魏汝飞教授为通讯作者，安徽工业大学为唯一完成单位。Energy Conversion and Management是国际能源科学领域的顶级期刊之一，2025年影响因子为10.9，中科院SCI期刊一区Top期刊。
煤炭在全球能源结构中始终占据核心地位，其燃烧特性直接影响能源利用效率。煤炭的着火温度是反映燃烧性能的一个关键指标，它关系到煤粉燃烧器设计、燃料配比优化等多个环节。准确预测着火温度，有助于工业炉窑（如高炉等）优化配煤方案以降低成本，为煤粉燃烧器设计提供依据以保障稳定点火，还能指导实际运行中实时调整燃烧参数，从而提升燃烧效率、减少排放。然而，传统测定方法耗时费力，难以适应工业上快速评估的需求。以机器学习为代表的人工智能技术虽能实现准确预测，但其预测性能严重依赖大规模标注数据。因此，如何在数据有限的条件下实现对煤炭着火温度的准确预测，已成为当前一项重要的课题。
（基于可解释性深度迁移学习和小样本特征级自适应噪声增强的煤着火温度精确预测的流程）
（跨域深度迁移学习框架和嵌套交叉验证机制）
为解决这一难题，团队创新性地提出了一个可解释的深度迁移学习框架。该框架首先在一个包含数千样本的大型煤炭总热值数据集上进行预训练，让模型学习煤炭基础特性之间的深层关联；随后，将这些学到的先验知识迁移至小样本的着火温度预测任务中，实现跨任务知识复用。针对样本量少容易导致模型过拟合、稳定性差，以及不同数据划分方式会造成预测结果波动较大的问题，团队自主研发了一种特征级自适应噪声增强机制。该机制通过在模型训练过程中动态注入与数据分布相匹配的自适应噪声，有效提升了模型在面对不同数据划分时的稳定性，显著增强了其泛化能力和鲁棒性。
（特征级自适应噪声增强机制对模型性能的影响）
为解决模型可解释性问题，团队引入了SHapley Additive exPlanations分析框架，系统揭示了氢氧元素比等关键特征对煤炭着火温度的影响规律。通过三维可视化技术，研究进一步呈现出多特征之间复杂的协同作用关系。值得关注的是，模型分析所得规律与已有文献中的燃烧机理研究结论一致，这不仅验证了预测结果的可靠性，更使模型具备了清晰的物理意义，为深入理解煤炭燃烧过程提供了新的视角。
（基于SHapley Additive exPlanations的三维可视化分析）
这项研究为能源材料领域普遍存在的小样本预测难题，提供了一种有效的解决方案与新思路。其所建立的方法学范式具备强大的跨任务推广潜力，未来可进一步应用于生物质等替代燃料的燃烧特性研究中，为我国构建清洁低碳、安全高效的能源体系注入新的智能动力。
论文链接://doi.org/10.1016/j.enconman.2025.120643
(撰稿：魏汝飞 审核：罗梦婷 夏云进 赵卓)
