⚡ الهندسة الكهربائية

Coupled multi-gas indicator model for predicting temperature of coal spontaneous combustion in goaf and its application

تقترح هذه الورقة نموذج MEF-RG مبتكر يدمج بين أشجار القرار لتعزيز التدرج (GBDT) والغابة العشوائية (RF) للتنبؤ بدقة بدرجات حرارة الاشتعال الذاتي للفحم في تجاويف المناجم، وذلك من خلال الاستفادة من مصفوفة سمات ذات 255 بُعداً مستمدة من تركيزات غازات متعددة، مما يظهر أداءً فائقاً وقابلية تطبيق هندسية مقارنة بالنماذج الحالية.

المؤلفون الأصليون: Kai Wang, Xudong Chen, Jun Deng, GuoMin Qiao, Hongguang Pan, Guangxing Bai, Xin Li

نُشر 2026-09-25

📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Kai Wang, Xudong Chen, Jun Deng, GuoMin Qiao, Hongguang Pan, Guangxing Bai, Xin Li

البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

في أعماق الأرض، حيث الظلام دامس والهواء ساكن، يمتلك الفحم عادةً هادئة وخطيرة؛ إذ يمكنه أن يبدأ بالاحتراق دون شرارة واحدة، في حريق بطيء ومستدام ذاتياً ناتج عن تفاعل الفحم مع الأكسجين. هذه العملية، المعروفة بالاحتراق الذاتي، هي السبب الرئيسي للحرائق في مناجم الفحم، مما يهدد سلامة العمال واستقرار العملية برمتها. ولأن هذا الحريق غالباً ما يبدأ بشكل غير مرئي، لينمو من همس حراري إلى جحيم مستعر، فإن المهمة الأكثر حرجاً لسلامة المناجم هي معرفة درجة حرارة الفحم قبل أن يسخن بشدة. لسنوات، حاول المهندسون التنبؤ بدرجة الحرارة هذه عبر مراقبة الغازات التي يطلقها الفحم أثناء تسخنه. فبينما يسخن الفحم، فإنه يزفر مزيجاً من أول أكسيد الكربون، وثاني أكسيد الكربون، والميثان، وغازات أخرى في أنماط تتغير مع ارتفاع الحرارة. ومع ذلك، فإن العلاقة بين هذه الغازات ودرجة الحرارة الفعلية ليست خطاً مستقيماً بسيطاً، بل هي شبكة معقدة ومتعرجة من التفاعلات التي ثبتت صعوبة رسم خرائطها بالأدوات التقليدية.

لقد تصدى فريق من الباحثين من جامعة شيان للعلوم والتكنولوجيا وشركاء صناعيين في الصين لهذا التحدي عبر بناء نوع جديد من "الدماغ الرقمي" لقراءة إشارات الغاز هذه. وبدلاً من الاعتماد على طريقة واحدة لتخمين درجة الحرارة، قاموا بدمج نوعين قويين من خوارمازميات تعلم الآلة: أحدهما يبني العديد من أشجار القرار الصغيرة لإيجاد الأنماط، والآخر يتعلم من أخطائه لصقل تلك الأنماط. وقد غدوا هذا النظام المدمج ببيانات من تجارب محكومة ضخمة، حيث تُرِك أطنان من الفحم لتسخن في غرفة مغلقة، جنباً إلى جنب مع قياسات من واقع عملي في منجم نشط. لم يكتفِ الباحثون بالنظر إلى المستويات الحالية للغاز فحسب، بل علموا النموذج كيف يتذكر الماضي، عبر تحليل كيفية تغير تركيزات الغاز عبر الدقائق والساعات والأيام، وكيف تؤثر الغازات المختلفة على بعضها البعض. ومن خلال إنشاء تاريخ غني لحركات الغاز هذه، استطاع النموذج رؤية العلامات الخفية لارتفاع الحرارة قبل وقت طويل من أن تصبح واضحة.

والنتيجة هي أداة تنبؤ تتفوق على الأساليب القياسية المستخدمة حالياً في الصناعة. فعند اختبارها مقابل بيانات حقيقية من منجم "ويجادي" للفحم، تنبأ النموذج الجديد بدرجة حرارة الفحم بدقة مذهلة، حيث لم يخطئ القيمة الحقيقية بأكثر من درجة مئوية واحدة في المتوسط. وفي المقابل، كانت النماذج القديمة ذات الطريقة الواحدة تخطئ الهدف بمقدار درجتين أو أكثر، وهو فرق قد يعني الفرق بين نوبة عمل آمنة وحريق كارثي. وتؤكد الدراسة أنه من خلال دمج هذين النهجين في التعلم وهندسة طريقة تقديم البيانات بعناية، يمكن التقاط الروابط غير الخطية الخفية بين الغازات والحرارة. إن هذا النهج لا يقوم بمجرد التخمين، بل يتعلم الإيقاع المحدد لكيفية "تنفس" الفحم وتسخنه، مما يوفر نظام إنذار مبكر أكثر موثوقية. وبينما يتطلب النموذج قدرة حوسبية ووقتاً كبيراً للتدريب، إلا أن الباحثين يثبتون أن قدرته على رؤية مستقبل حريق المنجم تتفوق بمراحل على الأدوات التي يستبدلها، مما يوفر مساراً أكثر وضوحاً للحفاظ على سلامة العمال تحت الأرض.

أبحاث مشابهة