CA-DPCNN prediction of mining-induced failure depth in coal seam floors
تقدم هذه الورقة شبكة عصبية مستمرة متكيفة ذات قيود مشتقة مسبقة (CA-DPCNN) تتنبأ بدقة بأعماق الفشل الناجم عن التعدين في أرضيات طبقات الفحم من خلال دمج الأولويات الهندسية واستراتيجية تطبيع غير مقصوصة، محققة دقة فائقة والتزاماً بالاتجاهات الفيزيائية مقارنة بالنماذج التقليدية، لا سيما عند الاستقراء خارج نطاق بيانات التدريب.
في أعماق ما تحت سطح الأرض، حيث يعمل عمال مناجم الفحم، لا تكون الأرضية الصخرية مجرد بلاطة ثابتة وغير متغيرة. فعندما يتم إزالة قسم كبير من الفحم، تتحرك الكتلة الهائلة من طبقات الصخور الموجودة فوقها، مما يتسبب في تشقق الأرضية وتصدعها وانهيارها. ويعد "عمق الانهيار" هذا قياساً حرجاً للمهندسين؛ فإذا قللوا من تقدير مدى عمق هذه الشقوق، فقد يتركون ركيزة من الفحم مقاومة للماء رقيقة للغاية، مما يخاطر بحدوث فيضان مفاجئ وكارثي من الخزانات الجوفية. وإذا بالغوا في تقدير العمق، فقد يتركون كمية كبيرة من الفحم خلفهم، مما يهدر مورداً قيماً دون داعٍ. ولعقود من الزمن، حاول العلماء التنبؤ بهذا العمق باستخدام صيغ تعتمد على ملاحظات سابقة، لكن هذه الأساليب غالباً ما تواجه صعوبات عندما تتغير الظروف أو عندما تحفر المناجم بعمق أكبر من أي سجلات سابقة. ويكمن التحدي في إنشاء أداة تنبؤ لا تتسم بالدقة فحسب، بل تتصرف أيضاً بشكل منطقي، وتحترم القواعد الفيزيائية للأرض حتى عندما تواجه بيانات لم ترها من قبل.
لقد طور فريق من الباحثين من جامعة لياونينغ التقنية وشركة "إينر مونغوليا باور إنفيستمنت إنرجي" نهجاً جديداً لحل هذه المشكلة، متجاوزين الصيغ البسيطة إلى نظام يتعلم من البيانات مع الالتزام الصارم بالمنطق الهندسي. لقد أنشأوا نموذجاً حاسوبياً متخصصاً يسمى CA-DPCNN. وبخلاف البرامج الحاسوبية القياسية التي تقوم ببساطة بحفظ الأمثلة الماضية، فقد بُني هذا النموذج مع مجموعة من "القواعد الإرشادية" المدمجة في عملية التعلم الخاصة به. وتعكس هذه القواعد ما يعرفه المهندسون بأنه حقيقي: على سبيل المثال، مع زيادة عمق التعدين، يزدما الضغط على الأرضية، وبالتالي يجب أن يزداد عمق الانهيار أيضاً. ويتم معاقبة النموذج إذا توقع خلاف ذلك. قام الباحثون بتدريب هذا النظام على 70 سجلاً متميزاً من مناجم مختلفة في جميع أنحاء الصين، تغطي نطاقاً من أعماق التعدين، وزوايا طبقات الفحم، وأحجام الحفر. ثم اختبروه على 21 سجلاً جديداً لم يسبق للنموذج رؤيتها، بما في ذلك أربع حالات كان فيها عمق التعدين أعمق بكثير من أي شيء في بيانات التدريب.
أظهرت النتائج أن هذا الأسلوب الجديد تفوق على التقنيات التقليدية. فعند اختباره مقابل السجلات غير المرئية، تنبأ نموذج CA-DPCNN بعمق الانهيار بمتوسط خطأ قدره 2.5 متر فقط، وهو تحسن ملحوظ عن الأساليب القديمة التي تراوحت أخطاؤها بين 3 إلى 7 أمتار. والأهم من ذلك، أظهر النموذج قدرة رائعة على البقاء متسقاً مع الواقع الفيزيائي. ففي فحص دقيق لأكثر من ألف نقطة محاكاة، اتبع النموذج الاتجاهات الهندسية المتوقعة في ما يقرب من 99% من الحالات. وبالمقابل، اتبع نموذج حاسوبي قياسي بدون هذه القواعد المدمجة الاتجاهات الصحيحة في حوالي 2.5% فقط من الحالات، وغالباً ما أنتج نتائج لا معنى لها فيزيائياً. ووجد الباحثون أن التحسن الأكثر أهمية جاء من القواعد المدمجة نفسها، والتي أجبرت النموذج على تعلم الاتجاه الصحيح للتغيير بدلاً من مجرد حفظ الأرقام.
تضمن جزء حاسم من الدراسة كيفية تعامل النموذج مع المواقف التي يكون فيها المنجم أعمق من أي منجم تم التدريب عليه. ففي العديد من الأنظمة الحاسوبية، إذا ورد رقم أكبر من أكبر رقم يعرفه النظام، فإن النظام يقوم ببساطة بقطعه عند الحد الأقصى، متظاهراً فعلياً بأن العمق الإضافي غير موجود. ووجد الباحثون أن عملية "القطع" هذه تسببت في جعل النموذج يقلل من تقدير الخطر في المناجم العميقة. ومن خلال السماح للنموذج بقبول هذه الأرقام الأكبر دون قطعها، انخفض الخطأ في التنبؤ بالمناجم الأكثر عمقاً بنسبة تقارب النصف. وهذا يشير إلى أن النموذج يمكنه التنبؤ بأمان في مناطق غير معروفة، بشرما سُمح له برؤية النطاق الكامل للمدخلات. وتخلص الدراسة إلى أنه من خلال الجمع بين التعلم القائم على البيانات والقيود الفيزيائية الصارمة، يمكن للمهندسين الحصول على تنبؤات أكثر موثوقية لسلامة المناجم، حتى مع توجههم نحو أعماق أكبر في القشرة الأرضية حيث ندرة البيانات.
ملخص تقني: تنبؤ شبكة CA-DPCNN لعمق الفشل الناجم عن التعدين في أرضيات طبقات الفحم
بيان المشكلة يعد التنبؤ الدقيق لعمق الفشل الناجم عن التعدين في أرضيات طبقات الفحم أمراً بالغ الأهمية لتصميم أعمدة الفحم المقاومة للماء، وتقييم سلامة التعدين فوق طبقات المياه الجوفية المحصورة، والتحكم في مخاطر مياه المناجم. ومع ذلك، تواجه النماذج الحالية تحديين رئيسيين: (1) غالباً ما تعاني من نقص في مجموعات البيانات الميدانية، حيث قد تحقق النموذج خطأ ملاءمة منخفضاً ولكنها تظهر اتجاهات اشتقاق محلية تتعارض مع التوقعات الهندسية الراسخة (مثل الرتابة أو الانحناء)؛ و(2) تفشل بشكل متكرر في الحفاظ على المعلومات أو الحفاظ على المصداقية الفيزيائية عندما تقترب أعماق التعدين من نطاق التدريب المرصود أو تتجاوزه. تفتقر النماذج التقليدية القائمة على البيانات، والتي يتم تدريبها أساساً على خطأ ملاءمة العينات، إلى آليات لفرض هذه الأولويات الهندسية، كما أن استراتيجيات الاستقراء القياسية غالباً ما تقوم بقص المدخلات المعيرة (clipping)، مما يؤدي إلى تقدير ناقص منهجي في سيناريوهات التعدين العميق.
المنهجية يقترح المؤلفون الشبكة العصبية المستمرة ذات القيود التكيفية للاشتقاق والأولويات (CA-DPCNN)، وهي إطار عمل للتعلم الآلي المستند إلى الفيزياء، مصمم لمعالجة هذه القيود.
البنية: يستخدم النموذج شبكة تغذية أمامية كاملة الاتصال (4-64-32-1) مع دالة تنشيط (Tanh) في الطبقات الخفية وطبقة مخرجات (Softplus) لضمان التنبؤات غير السالبة. المدخلات هي عمق التعدين (H)، وزاوية ميل طبقة الفحم (θ)، وسُمك التعدين (M)، وطول ميل وجه العمل (L).
قيود أولويات الاشتقاق: على عكس الشبكات العصبية القياسية، تدمج CA-DDPCNN التوقعات الهندسية كجزاءات ناعمة في دالة الخسارة. وتحديداً، تفرض:
أولويات غير سالبة من الدرجة الأولى لعمق التعدين، وسُمك التعدين، وطول ميل وجه العمل (مما يشير إلى أن عمق الفشل يجب أن يزداد أو يظل ثابتاً مع زيادة هذه العوامل).
أولوية غير سالبة من الدرجة الأولى لزاوية الميل (تم الإبقاء عليها كأولوية تجريبية أضعف).
أولوية غير موجبة من الدرجة الثانية لطول ميل وجه العمل (مما يشير إلى التقعر).
التوزين التكيفي المستمر: الابتكار الرئيسي هو ربط أوزان الجزاءات بعمق التعدين الفعلي (Hreal). فبدلاً من الأوزان الثابتة، تتغير شدة القيود لعمق التعدين والسُمك وطول الميل بسلاسة عبر دوال لوجستية متمركزة عند 750 متراً. وهذا يسمح لقوة القيد بالتكيف عبر نطاق العمق المرصود، بينما يظل وزن زاوية الميل ثابتاً.
استراتيجية الاستقراء المعدلة: أثناء الاستدلال، يحتفظ النموذج بقيم المدخلات المعيرة خارج النطاق [0,1] بدلاً من قصها. وتعمل هذه الاستراتيجية على الحفاظ على المعلومات من أعماق التعدين التي تتجاوز الحد الأقصى لمجموعة التدريب.
التدريب والتقييم: تم تدريب النموذج على 70 سجلاً من 61 مجموعة من المناجم، مع تخصيص 21 سجلاً للتقييم المتسلسل المستبعد. تم استخدام مجموعة (ensemble) من 30 تهيئة عشوائية لتقييم الاستقرار. تمت مقارنة الأداء مع شبكات الانتشار العكسي (BPNN)، والانحدار الخطي المتعدد (MLR)، وانحدار متجه الدعم (SVR)، والصيغ التجريبية القياسية.
المساهمات الرئيسية
دمج أولويات الشكل: تثبت الدراسة أن ترميز قيود الرتابة والانحناء مباشرة في دالة الخسارة يحسن بشكل كبير من الاتساق الفيزيائي للتنبؤات، لا سيما في ظل ندرة البيانات.
التوزين المشروط بالعمق: يسمح إدخال أوزان الجزاء المتغيرة باستمرار والمعتمدة على عمق التعدين للنموذج بالموازنة بين ملاءمة البيانات والقيود الفيزيائية بشكل أكثر فعالية من نهج الأوزان الثابتة، مما يضمن انتقالات سلسة في قوة القيد.
الحفاظ على الاستقراء: يتحقق البحث من استراتيجية استقراء معدلة حيث تُستخدم المدخلات المعيرة غير المقصوصة أثناء الاستدلال. تمنع هذه الطريقة فقدان المعلومات الناتج عن القص في سيناريوهات التعدين العميق حيث تقع المدخلات خارج توزيع مجموعة التدريب.
النتائج
دقة التنبؤ: في مجموعة الاختبار المستبعدة المكونة من 21 سجلاً، حققت مجموعة CA-DPCNN قيمة جذر متوسط مربع الخطأ (RMSE) قدرها 3.321 م، ومتوسط الخطأ المطلق (MAE) قدره 2.533 م، ومتوسط الخطأ النسبي المطلق (MAPE) بنسبة 13.084%، ومعامل التحديد (R2) قدره 0.839. كانت هذه المقاييس متفوقة على BPNN وMLR وSVR والصيغة التجريبية القياسية تحت نفس تقسيم البيانات.
تحليل الاستئصال (Ablation Analysis): أظهرت المقارنات مع نموذج Softplus-MLP (بدون أولويات) ونموذج DPCNN ذو الوزن الثابت أن أولويات الاشتقاق هي المصدر الرئيسي لتقليل الخطأ (تقليل RMSE بنحو 7.09 م مقارنة بالنموذج غير المقيد). حافظ التوزين المستمر على انخفاض الخطأ الذي حققه النموذج ذو الوزن الثابت مع توفير آلية قيد أكثر قابلية للتدقيق.
الاتساق الفيزيائي: في نطاق تدقيق مدعوم بالبيانات يضم 1,024 نقطة، حققت CA-DPCNN معدل استيفاء مشترك لجميع الأولويات بنسبة 98.94% ± 0.94%، مقارنة بـ 2.46% فقط للنموذج غير المقيد Softplus-MLP.
أداء الاستقراء: بالنسبة لأربعة سجلات لأعماق تعدين (900-1,056 م) تتجاوز الحد الأقصى للتدريب (810 م)، قللت استراتيجية المعيرة غير المقصوصة من RMSE من 9.806 م إلى 5.644 م (انخفاض بنسبة 42.45%)، مما عالج بفعالية فقدان المعلومات الناتج عن القص.
الأهمية تزعم الورقة أن CA-DPCNN تنجح في الجمع بين انخفاض خطأ التنبؤ والاستجابات التي تتبع الاتجاهات الهندسية المقررة بدقة. ومن خلال دمج أولويات الاشتقاق والتوزين التكيفي، يعالج النموذج التحدي المزدوج المتمثل في الحفاظ على المصداقية الفيزيائية مع مجموعات البيانات الصغيرة والحفاظ على المعلومات عند الاستقراء إلى ظروف التعدين الأكثر عمقاً. تشير النتائج إلى أن هذا النهج يقدم بديلاً قوياً للصيغ التجريبية التقليدية ونماذج التعلم الآلي القياسية لتقييم عمق فشل الأرضية، خاصة في السيناريوهات التي تتضمن تعديناً عميقاً حيث تكون البيانات المرصودة محدودة. ويشير المؤلفون إلى أنه بينما تظهر استراتيجية الاستقراء المعدلة نتائج واعدة، فإن التقييم الأوسع يتطلب المزيد من سجلات التعدين العميق.