⚡ electrical engineering

Research on Resistance Prediction Model for Coal Mining Face Supports Based on Machine Learning

Este artículo propone un modelo de red neuronal BP optimizado mediante un algoritmo híbrido de inmunidad y enjambre de partículas (IA-PSO-BP) para superar las limitaciones de los métodos de predicción tradicionales, logrando un pronóstico de soporte y resistencia de alta precisión para mantos de carbón poco profundos en el norte de Shaanxi con un coeficiente de correlación de 0,966.

Autores originales: Yang Lei, Miao Yanping, Li Guowei, Zhang Kun, Xu Baojun, Hou Pengfei, Zhang Pengfei

Publicado 2026-08-19

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Yang Lei, Miao Yanping, Li Guowei, Zhang Kun, Xu Baojun, Hou Pengfei, Zhang Pengfei

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Bajo la superficie de la tierra, donde la roca es delgada y las vetas de carbón se encuentran cerca de la parte superior, las operaciones mineras enfrentan un desafío único y peligroso. A diferencia de las minas profundas, donde el peso de la tierra se distribuye de manera lenta y predecible, las vetas de carbón poco profundas en regiones como el norte de China experimentan cambios repentinos y violentos de presión. Este fenómeno, conocido como presión minera, puede causar que el techo de un túnel colapse sin previo aviso, amenazando las vidas de los trabajadores y la estabilidad de la maquinaria pesada. Durante décadas, los ingenieros han intentado predecir estos cambios utilizando fórmulas matemáticas basadas en la mecánica de rocas, pero el terreno a menudo se comporta de maneras demasiado complejas y cambiantes para que las ecuaciones simples puedan capturarlas. Cuando la presión aumenta bruscamente, puede aplastar las estructuras de soporte, provocando accidentes que históricamente han representado la mayoría de las fatalidades en la minería de carbón. La necesidad de un sistema que pueda anticipar estas peligrosas oleadas con alta precisión no es solo un objetivo técnico; es una cuestión de seguridad y supervivencia para las miles de personas que trabajan bajo tierra cada día.

Para abordar esto, un equipo de investigadores de una importante empresa minera y una universidad en Shaanxi ha desarrollado una nueva forma de pronosticar estos cambios de presión utilizando un tipo de aprendizaje computacional conocido como aprendizaje automático. En lugar de depender únicamente de leyes físicas fijas, construyeron un modelo digital que aprende del comportamiento real de la mina. Se centraron en un frente de trabajo específico, un túnel largo donde se extrae el carbón, el cual está equipado con cientos de soportes hidráulicos: columnas masivas impulsadas por pistones que sostienen el techo. Estos soportes están dotados de sensores que miden constantemente la presión que soportan. Los investigadores recolectaron más de dos millones de puntos de datos de estos sensores durante un período de cinco meses, creando un registro detallado de cómo el suelo empuja y tira de la estructura de la mina. Sin embargo, los datos brutos de las profundidades de la tierra suelen ser desordenados, conteniendo lagunas donde los sensores fallaron o picos causados por fallos en el equipo en lugar de cambios geológicos reales. El equipo primero limpió estos datos, eliminando los errores obvios y rellenando las piezas faltantes observando los patrones de los soportes cercanos y momentos previos en el tiempo, asegurando que la computadora tuviera una imagen completa y precisa de la cual aprender.

El núcleo de su trabajo consistió en enseñar a un programa informático a reconocer los complejos patrones no lineales de la presión minera. Comenzaron con una red neuronal estándar, un sistema de computación modelado según el cerebro humano que es bueno encontrando patrones, pero sabían que este sistema por sí solo a menudo se queda estancado adivinando la misma respuesta incorrecta una y otra vez. Para solucionar esto, lo combinaron con otros dos sistemas inteligentes. Un sistema, inspirado en cómo las aves vuelan en bandadas, ayuda a la computadora a buscar la mejor solución posible compartiendo información a través de un grupo de "partículas" virtuales. El segundo sistema imita al sistema inmunológico humano, el cual es excelente para reconocer amenazas y recordarlas para combatirlas más rápido la próxima vez. Al combinar estos tres enfoques, crearon un modelo híbrido que podía explorar una vasta gama de posibilidades sin quedar atrapado en callejones sin salida locales, permitiéndole encontrar la verdadera mejor forma global para predecir la presión.

Los investigadores probaron este nuevo modelo contra métodos más antiguos y simples utilizando tres conjuntos diferentes de datos, que iban desde muestras pequeñas hasta un conjunto de datos masivo que cubría casi cinco meses de actividad minera. En cada prueba, el nuevo modelo híbrido superó a los demás. Mientras que los métodos tradicionales tenían dificultades para predecir los picos repentinos y agudos de presión que ocurren cuando el techo se desplaza, el nuevo modelo rastreaba estos picos peligrosos con una precisión notable. En el conjunto de datos más grande, las predicciones del modelo coincidieron tan estrechamente con las mediciones reales que la correlación fue casi perfecta, alcanzando una puntuación de 0.966. Esto significa que la computadora podía pronosticar con precisión tanto los períodos tranquilos y constantes de presión como las oleadas periódicas y violentas que señalan un posible colapso del techo. El modelo funcionó de manera constante en diferentes secciones de la mina, demostrando que podía generalizar su aprendizaje a nuevas situaciones en lugar de simplemente memorizar el pasado.

El estudio concluye que este nuevo enfoque ofrece una base técnica confiable para prevenir desastres de techo en vetas de carbón poco profundas. Al predecir con precisión cuándo y dónde aumentará la presión, los operadores mineros pueden tomar medidas proactivas, como reforzar los soportes o evacuar áreas antes de que ocurra un colapso. Aunque el modelo fue probado en una sola mina y eventualmente podría mejorarse incluyendo más factores geológicos como la profundidad de la veta de carbón, los resultados demuestran un salto significativo en la tecnología de seguridad. Muestra que, al combinar el poder de reconocimiento de patrones del aprendizaje automático con las estrategias adaptativas de los sistemas biológicos, los ingenieros pueden finalmente domar las fuerzas impredecibles de la tierra, convirtiendo un riesgo de seguridad importante en una variable manejable y predecible.

Resumen Técnico: Investigación sobre un Modelo de Predicción de Resistencia para Soportes de Frente en la Minería de Carbón Basado en Aprendizaje Automático

Planteamiento del Problema
La minería de carbón en vetas de poca profundidad en el norte de Shaanxi, China, presenta desafíos geológicos únicos caracterizados por manifestaciones complejas de la presión de la mina y una alta frecuencia de accidentes en el techo. Los métodos de predicción tradicionales, que van desde estadísticas empíricas hasta cálculos teóricos (por ejemplo, la "teoría de la transmisión de la viga de roca"), tienen dificultades para manejar la naturaleza no lineal, variante en el tiempo y de acoplamiento multifactorial de los datos de la presión de la mina. Si bien los avances recientes en inteligencia artificial (IA) han introducido modelos de aprendizaje automático como Bosques Aleatorios (Random Forest), LSTM y arquitecturas basadas en Transformer, los modelos de redes neuronales optimizados existentes (específicamente, la Optimización por Enjambre de Partículas con Retropropagación, o PSO-BP) sufren limitaciones críticas. Estas incluyen la tendencia a quedar atrapados en óptimos locales y la degradación de la diversidad de la población durante las etapas posteriores de iteración, lo que conduce a una convergencia prematura y a una reducción de la precisión de la predicción en escenarios de ingeniería complejos.

Metodología
Para abordar estas deficiencias, los autores construyeron un modelo de predicción de resistencia de soporte basado en un Algoritmo Inmune (IA) que optimiza la Optimización por Enjambre de Partículas (PSO) y una red neuronal de Retropropagación (BP), denominado IA-PSO-BP.

Marco Algorítmico: El modelo integra el algoritmo inmune en el proceso PSO para optimizar los pesos iniciales y los umbrales de la red neuronal BP. El error de predicción de la red BP sirve como función de aptitud (fitness function). El algoritmo inmune introduce tres mecanismos específicos para mejorar el PSO:
1. Selección por Clonación: Mapea las partículas del PSO a anticuerpos, reteniendo las partículas de alta afinidad mientras suprime la proliferación excesiva de ejemplares similares para mantener la diversidad de la población.
2. Mutación de Alta Frecuencia: Aplica perturbaciones mediante operaciones de clonación y mutación para mejorar las capacidades de búsqueda global y evitar los óptimos locales.
3. Regulación de Concentración y Memoria Inmune: Registra el historial de las partículas óptimas para guiar a la población hacia la dirección del óptimo global.
Preprocesamiento de Datos: El estudio utilizó datos de monitoreo en tiempo real del frente de minería totalmente mecanizado 43104 (abril–septiembre de 2025). Los datos fueron sometidos a un riguroso preprocesamiento:
- Eliminación de Valores Atípicos: Se aplicó el criterio de 3σ para eliminar valores extremos, valores cero y valores negativos.
- Imputación de Valores Faltantes: Se utilizó el algoritmo de K-Vecinos Más Cercanos (KNN) para completar los puntos de datos faltantes basándose en correlaciones espaciotemporales.
- Normalización: Los datos fueron normalizados al intervalo [0,1], y las características temporales fueron codificadas mediante funciones seno-coseno periódicas.
Diseño Experimental: Se construyeron tres conjuntos de datos con diferencias de gradiente en la capacidad de muestra (Conjunto de datos 1: 5,400 elementos; Conjunto de datos 2: 8,856 elementos; Conjunto de datos 3: 17,499 elementos). Los modelos (BP, PSO-BP e IA-PSO-BP) fueron entrenados y probados en estos conjuntos de datos a través de tres zonas de medición (superior, media e inferior) del frente de minería.

Contribuciones Clave

Desarrollo de Algoritmo Híbrido: El artículo propone una nueva arquitectura IA-PSO-BP que aborda específicamente los problemas de convergencia prematura y pérdida de diversidad inherentes a los modelos PSO-BP estándar cuando se aplican a la predicción de la presión de la mina.
Flujo de Trabajo de Preprocesamiento Integral: El estudio establece un flujo de trabajo robusto para el preprocesamiento de datos de presión de la mina, combinando la detección estadística de valores atípicos (3σ) con la imputación basada en aprendizaje automático (KNN) y la codificación de características de series temporales.
Verificación Multicondición: A diferencia de los estudios que dependen de un solo conjunto de datos, esta investigación valida el modelo a través de tres tamaños de muestra distintos para evaluar sistemáticamente la capacidad de generalización y el impacto del volumen de datos de entrenamiento.

Resultados
El modelo IA-PSO-BP demostró un rendimiento superior en comparación con los modelos tradicionales BP y PSO-BP en todas las métricas de evaluación (Error Absoluto Medio, Error Cuadrático Medio, Error Porcentual Absoluto Medio y Coeficiente de Correlación $R^2$ ).

Precisión: En el conjunto de datos más grande (Conjunto de datos 3), el modelo IA-PSO-BP alcanzó un coeficiente de correlación ( $R^2$ ) de 0.966, superando significativamente al modelo PSO-BP ( $R^2$ = 0.904) y al modelo BP tradicional ( $R^2$ = 0.795 para el soporte con mejor desempeño).
Capacidad de Ajuste: El modelo capturó con éxito tanto los periodos de fluctuación estable de la presión de la mina como los periodos pico de la presión periódica del techo. Redujo eficazmente las desviaciones de amplitud y los desfases en la secuencia temporal observados en los otros modelos, particularmente durante cambios repentinos de presión y eventos de presión de sobrecarga cíclica.
Generalización: La mejora en el rendimiento fue constante en las tres zonas de medición (soportes 20, 80 y 180) y en todos los tamaños de los conjuntos de datos, lo que indica fuertes capacidades de generalización.

Significancia
Los autores afirman que el modelo IA-PSO-BP proporciona un soporte técnico fiable para la predicción inteligente de la presión de la mina y la prevención de desastres en el techo en vetas de carbón de poca profundidad. Al lograr un ajuste de alta precisión para las manifestaciones de presión complejas, el modelo aborda la necesidad urgente de sistemas de predicción precisos en regiones con altas tasas de accidentes en el techo. El estudio concluye que el algoritmo híbrido supera eficazmente las limitaciones de los métodos de optimización de redes neuronales existentes, ofreciendo una solución robusta para aplicaciones de ingeniería en el contexto geológico específico del norte de Shaanxi.

Limitaciones
Los autores reconocen que el estudio fue validado utilizando datos de un solo frente de trabajo (43104), y que la universalidad del modelo bajo diferentes condiciones geológicas requiere una mayor expansión. Además, las características de entrada actuales dependen principalmente de los datos de resistencia de series temporales, sin integrar plenamente parámetros geológicos de minería como la profundidad de enterramiento o la altura de la extracción. Se sugiere que el trabajo futuro incorpore estas influencias multifactoriales y valide el modelo a través de un rango más amplio de frentes de trabajo.

Más como este