Coupled multi-gas indicator model for predicting temperature of coal spontaneous combustion in goaf and its application
Dieses Papier schlägt ein neuartiges MEF-RG-Modell vor, das Gradient Boosting Decision Trees (GBDT) und Random Forest (RF) fusioniert, um die Selbstentzündungstemperaturen von Kohle in Bergwerksbrüchen unter Nutzung einer 255-dimensionalen Feature-Matrix aus Multi-Gas-Konzentrationen präzise vorherzusagen, wobei es im Vergleich zu bestehenden Modellen eine überlegene Leistung und ingenieurtechnische Anwendbarkeit demonstriert.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Tief unter der Erde, wo die Erde dunkel und die Luft unbewegt ist, hat Kohle eine stille, gefährliche Angewohnheit. Sie kann beginnen zu brennen, ohne dass ein einziger Funke nötig ist – ein langsames, sich selbst erhaltendes Feuer, das aus der eigenen Reaktion der Kohle mit Sauerstoff entsteht. Dieser Prozess, bekannt als Selbstentzündung, ist die häufigste Ursache für Brände in Kohleminen und bedroht die Sicherheit der Arbeiter sowie die Stabilität des gesamten Betriebs. Da dieses Feuer oft unsichtbar beginnt und von einem Flüstern der Hitze zu einem tosenden Inferno anschwillt, ist die kritischste Aufgabe für die Sicherheit im Bergbau, die Temperatur der Kohle zu kennen, bevor sie zu heiß wird. Jahrelang haben Ingenieure versucht, diese Temperatur vorherzusagen, indem sie die Gase beobachteten, die die Kohle beim Erhitzen freisetzt. Während sich die Kohle erwärmt, „atmet“ sie ein Gemisch aus Kohlenmonoxid, Kohlendioxid, Methan und anderen Gasen aus, deren Muster sich mit steigender Hitze verändern. Das Verhältnis zwischen diesen Gasen und der tatsächlichen Temperatur ist jedoch keine einfache gerade Linie; es ist ein komplexes, sich windendes Geflecht von Wechselwirkungen, das sich mit traditionellen Werkzeugen nur schwer kartieren ließ.
Ein Team von Forschern der Xi'an University of Science and Technology und Industriepartnern in China hat diese Herausforderung angenommen, indem sie eine neue Art von digitalem Gehirn entwickelten, um diese Gassignale zu lesen. Anstatt sich auf eine einzige Methode zu verlassen, um die Temperatur zu schätzen, kombinierten sie zwei leistungsstarke Arten von Algorithmen des maschinellen Lernens – einen, der viele kleine Entscheidungsbäume aufbaut, um Muster zu finden, und einen anderen, der aus seinen Fehlern lernt, um diese Muster zu verfeinern. Sie speisten dieses kombinierte System mit Daten aus massiven, kontrollierten Experimenten, bei denen Tonnen von Kohle in einer versiegelten Kammer erhitzt wurden, sowie mit Echtzeitmessungen aus einer aktiven Mine. Die Forscher betrachteten nicht nur die aktuellen Gaswerte; sie brachten dem Modell bei, sich an die Vergangenheit zu erinnern, indem sie analysierten, wie sich die Gaskonzentrationen über Minuten, Stunden und Tage hinweg veränderten und wie verschiedene Gase einander beeinflussten. Durch die Erstellung einer reichen Historie dieser Gasbewegungen konnte das Modell die subtilen Anzeichen der Erwärmung erkennen, lange bevor sie offensichtlich wurden.
Das Ergebnis ist ein Vorhersagewerkzeug, das die derzeit in der Industrie üblichen Standardmethoden übertrifft. Bei Tests mit realen Daten aus der Weijiadi-Kohlegrube sagte das neue Modell die Temperatur der Kohle mit bemerkenswerter Präzision voraus und wich vom wahren Wert im Durchschnitt um weniger als ein Grad Celsius ab. Im Gegensatz dazu lagen die älteren Modelle mit nur einer Methode oft um fast zwei Grad oder mehr daneben – ein Unterschied, der den Unterschied zwischen einer sicheren Schicht und einem katastrophalen Brand bedeuten kann. Die Studie bestätigt, dass es durch die Verschmelzung dieser beiden Lernansätze und die sorgfältige Gestaltung der Art und Weise, wie die Daten präsentiert werden, möglich ist, die verborgenen, nichtlinearen Verbindungen zwischen den Gasen und der Hitze zu erfassen. Dieser Ansatz rät nicht nur; er lernt den spezifischen Rhythmus, in dem die Kohle „atmet“ und sich erhitzt, und bietet so ein zuverlässigeres Frühwarnsystem. Obwohl das Modell eine erhebliche Rechenleistung und Zeit für das Training benötigt, zeigen die Forscher, dass seine Fähigkeit, die Zukunft eines Kohlebrandes zu sehen, der der Werkzeuge, die es ersetzt, weit überlegen ist, und ebnet so einen klareren Weg, um die Arbeiter unter Tage zu schützen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.