False-Alarm-Controlled Evaluation of Gas Indices and Deep Learning for Early Detection of Coal Spontaneous Combustion

في أعماق الأرض، حيث تكمن طبقات الفحم تحت أطنان من الصخور، يمكن لخطر بطيء وغير مرئي أن يبدأ. فالفحم لا يظل ساكناً فحسب؛ بل يتنفس. فمع مرور الوقت، يتفاعل مع الأكسجين الموجود في الهواء، وهي عملية تسمى الأكسدة التي تولد حرارة. عادةً ما تتشتت هذه الحرارة في الصخور المحيطة وتيارات الهواء، ولكن في بعض الأحيان، تتراكم الحرارة بسرعة أكبر مما يمكنها الهروب به، مما يؤدي إلى تسخين الفحم نفسه حتى يشتعل دون وجود شرارة. هذه الظاهرة، المعروفة باسم الاحتراق الذاتي، تعد واحدة من أقدم المخاطر وأكثرها استمراراً في التعدين. ويمكنها أن تحول منجماً منتجاً إلى منطقة كارثية مغلقة، مطلقة غازات سامة وانبعاثات لغازات الاحتباس الحراري التي تستمر لعقود. ولأن الحريق يبدأ ببطء ودون دخان أو لهب مرئي، يعتمد عمال المناجم كلياً على الهواء نفسه ليخبرهم بأن خطباً ما قد حدث. وعلى مدى أكثر من قرن، كانت الطريقة القياسية "للاستماع" إلى هذا الهواء هي قياس غازات محددة ومقارنتها باستخدام نسب رياضية بسيطة. وأشهر هذه الحسابات هو ما يسمى بـ "مؤشر غراهام"، الذي يقارن كمية أول أكسيد الكربون في الهواء بكمية الأكسجين التي استُنفدت. وإذا ارتفوت هذه النسبة بشكل كبير، فمن المفترض أن يشير ذلك إلى وجود حريق.

ومع ذلك، تشير دراسة جديدة أجراها أولاس سينار من جامعة تشانقالي أونسيك مارت إلى أن هذه الطريقة المتبعة منذ زمن طويل قد تكون معيبة جوهرياً عند استخدامها كنظام إنذار تلقائي. لا تبحث الدراسة فقط فيما إذا كانت هذه الطرق يمكنها رصد حريق عندما يكون مشتعلاً بالفعل، بل تطرح سؤالاً أكثر صعوبة: كم مرة تصرخ هذه الأنظمة بوجود "حريق" بينما لا يوجد سوى هواء هادئ؟ في عالم مراقبة السلامة، يكون الإنذار الذي يرن باستمرار أسوأ من عدم وجود إنذار على الإطلاق، لأن العمال سيتعلمون في النهاية تجاهله. وقد طور "سينار" طريقة جديدة لاختبار أنظمة التحذير هذه تجبرها على إثبات قدرتها على التمييز بين التهديد الحقيقي والإنذار الكاذب. ومن خلال إجراء آلاف عمليات المحاكاة الحاسوبية لهواء المنجم، ثم اختبار هذه الطرق مقابل سجلات حقيقية من ثلاثة مناجم فحم مختلفة، وجدت الدراسة أن "مؤشر غراهام" التقليدي يفشل تماماً تحت هذه الظروف الصارمة. وفي الواقع، تكشف الدراسة أن المؤشر غالباً ما يتصرف بعكس ما ينبغي له فعله تماماً: فهو يصدر أعلى مستويات الإنذار عندما لا يوجد حريق، ويظل صامتاً عندما يكون هناك حريق فعلي.

يكمن جوهر المشكلة في الرياضيات الكامنة وراء هذا المؤشر. إذ يقسم "مؤشر غراهام" كمية أول أكسيد الكربون على "نقص الأكسجين"، وهو ببساطة الفرق بين الكمية الطبيعية للأكسجين في الهواء النقي والكمية الموجودة حالياً في المنجم. وفي الأنفاق جيدة التهوية حيث يتدفق الهواء النقي بحرية، يكون نقص الأكسجين ضئيلاً جداً، وغالباً ما يقترب من الصفر. وعندما تقسم رقماً على رقم يقترب من الصفر، فإن أي خطأ طفيف في القياس يتسبب في انفجار النتيجة إلى قيمة ضخمة ولا معنى لها. الأمر يشبه محاولة قياس تغير طفيف في محيط شاسع من خلال النظر إلى قطرة واحدة؛ تصبح الرياضيات غير مستقرة. وفي عمليات المحاكاة، أدت عدم الاستقرار هذه إلى جعل المؤشر يقفز بشكل متكرر إلى مستويات الإنذار خلال فترات طبيعية تماماً وخالية من الحرائق. وعندما طبق الباحثون هذا الاختبار على بيانات مناجم حقيقية، كان الفشل أكثر دراماتيكية؛ ففي سبع من أصل ثلاث عشرة حالة لم تشهد حريقاً في مناطق جيدة التهوية، ارتفع المؤشر إلى قيم وصلت إلى 44، وهو أعلى بكثير من حد الإنذار القياسي البالغ 1.0. وفي المقابل، في حريقين مؤكدين كانا يحدثان خلف جدران مغلقة، لم يرتفع المؤشر أبداً فوق 0.50. لقد كان النظام يصرخ في الأوقات الخاطئة ويظل صامتاً في الأوقات الصحيحة.

ولحل هذه المشكلة، قدمت الدراسة بروتوكولاً جديداً يعامل كل طريقة تحذير، سواء كانت صيغة رياضية بسيطة أو برنامجاً حاسوبياً معقداً، كدرجة مستمرة بدلاً من كونها مفتاحاً ثابتاً. ثم سأل الباحثون: "إذا ضبطنا حساسية هذا النظام بحيث لا يطلق إنذاراً كاذباً إلا بنسبة 10 بالمائة من الوقت، فكم عدد الحرائق الحقيقية التي سيكتشفها؟". هذا النهج يضع الجميع على قدم المساواة، ويجبر كل طريقة على إثبات جدارتها تحت نفس القواعد الصارمة. وعندما أجروا هذا الاختبار على البيانات المحاكات، فشل "مؤشر غراهام" في اكتشاف أي حريق عند أي إعداد حافظ على انخفاض الإنذارات الكاذبة؛ فقد كان ببساطة كاشفاً غير موثوق. كما اختبرت الدراسة نماذج حاسوبية متقدمة تُعرف بشبكات التعلم العميق، والمصممة لتعلم الأنماط من كميات هائلة من البيانات. تم تدريب هذه النماذج على بيانات هواء المحاكاة، ثم اختُبرت على سجلات المناجم الحقيقية دون أي تعديل إضافي. وأظهرت النتائج أنه بينما استطاعت هذه النماذج المعقدة اكتشاف بعض الحرائق، إلا أنها لم تكن أفضل أداءً بشكل ملحوظ من نهج أبسط بكثير، وهو مراقبة مستوى أول أكسيد الكربون وحده.

وفي الاختبار الواقعي، اكتشف حد بسيط لمستشعر أول أكسيد الكربون جميع الحرائق الثلاثة المؤكدة، مما وفر تحذيراً قبل متوسط 345 ساعة من تأكيد الحريق رسمياً بواسطة مستشعرات الحرارة. واكتشفت نماذج الكمبيوتر المعقدة اثنين من الحرائق الثلاثة، مع فترات زمنية مماثلة للتحذير. وتخلص الدراسة إلى أن التعقيد المضاف لنماذج التعلم العميق لم يترجم إلى أداء أفضل في السلامة في هذا السياء المحدد. إن إشارة تطور الحريق قوية جداً في مستويات أول أكسيد الكربون، لذا فإن الفحص البسيط غالباً ما يكون كافياً، بشرط ضبط النظام لتجنب الإنذارات الكاذبة. ولم يكن فشل المؤشر التقليدي ناتجاً عن نقص في الفهم الكيميائي، بل عن ضعف عددي يجعله عديم الفائدة كإنذار مستقل في المناطق جيدة التهوية. ويقترح الباحثون ضرورة ابتعاد الصناعة عن الاعتماد على هذه النسب غير المستقرة للتحذيرات التلقائية، وبدلاً من ذلك، يوصون باستخدام التركيز الخام لأول أكسيد الكربون، ربما مع قاعدة بسيطة لتجاهل البيانات إذا كانت مستويات الأكسجين مرتفعة جداً بحيث تجعل الحساب غير ذي معنى.

كما تسلط الدراسة الضوء على قصور في كيفية عرض أبحاث السلامة غالباً. فالعديد من الأوراق البحثية السابقة تدعي دقة عالية لنماذجها من خلال قياس مدى جودة تنبؤها بمستويات الغاز أو من خلال اختبارها فقط في الأيام التي كان يُعرف فيها وقوع حريق. هذا النهج يخفي حقيقة أن النظام قد يطلق جرس الإنذار كل يوم عندما لا يوجد حريق. ومن خلال الإصرار على قياس معدل الإنذارات الكاذبة جنباً إلى جنب مع معدل الاكتشاف، تظهر هذه الورقة أن الطريقة قد تبدو مثالية على الورق بينما هي عديمة الفائدة في الممارسة العملية. وتعتمد النتائج على مزيج من عمليات المحاكاة الحاسوبية ومجموعة صغيرة من سجلات المناجم الحقيقية، مما يعني أن النتائج محددة بالظروف التي تم اختبارها. ولا تدعي الدراسة أن التعلم العميق عديم الفائدة لسلامة التعدين، بل تشير إلى أنه في هذه المهمة المحددة، يتفوق فحص مستشعر بسيط ومضبوط جيداً على نسبة معقدة معرضة للأخطاء الرياضية. والهدف النهائي هو ضمان أنه عندما يدق إنذار في منجم، فإنه يكون إشارة تستدعي الانتباه الفوري، وليس مجرد ضجيج تم تجاهله لسنوات.