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

Resumen Técnico: Modelo de Indicadores de Gas Acoplados para la Predicción de la Temperatura de Combustión Espontánea del Carbón en el Goaf

Planteamiento del Problema
Los incendios en las minas de carbón, causados predominantemente por la combustión espontánea en las zonas de goaf (áreas minadas), representan una grave amenaza para la seguridad subterránea. Aunque el análisis de la composición de los gases es una técnica de monitoreo ampliamente utilizada debido a su sensibilidad, la relación entre las concentraciones de los gases indicadores y la temperatura del carbón es compleja y no lineal. Los métodos de predicción existentes, incluyendo los enfoques estadísticos tradicionales y los modelos de aprendizaje automático individuales (por ejemplo, la Regresión de Vectores de Soporte, las Redes Neuronales estándar), suelen sufrir de una alta sensibilidad a los hiperparámetros, una tendencia a caer en óptimos locales y una incapacidad para capturar adecuadamente las relaciones de acoplamiento no lineal y las dependencias temporales entre múltiples indicadores de gas. En consecuencia, existe la necesidad urgente de un modelo que pueda predecir con precisión la temperatura del carbón mediante la fusión efectiva de datos multigás y el modelado de la dinámica temporal.

Metodología
El estudio propone un nuevo modelo de optimización llamado MEF-RG (Fusión de Características Múltiples - Bosque Aleatorio y Árbol de Decisión de Potenciación de Gradiente) para predecir las temperaturas de combustión espontánea del carbón. La metodología consta de tres etapas principales:

1. Adquisición de Datos e Ingeniería de Características:

   • Datos de Origen: El modelo fue entrenado con un conjunto de datos experimentales de combustión espontánea de carbón a gran escala (2,976 muestras) y validado con datos de campo de la Mina de Carbón Weijiadi.
   • Variables de Entrada: Se identificaron cinco gases indicadores clave: Monóxido de Carbono (CO), Oxígeno (O₂), Dióxido de Carbono (CO₂), Metano (CH₄) y Etano (C₂H₆).
   • Construcción de Características: Para capturar la dinámica temporal y las interacciones, los autores construyeron una matriz de características de 255 dimensiones. Esta incluyó:
     • Características de retardo (lag features): Pasos de tiempo de 1, 2, 3, 6, 12 y 24.
     • Características estadísticas deslizantes: Media, desviación estándar, mínimo y máximo dentro de ventanas de 6, 12, 24 y 48 pasos de tiempo.
     • Características de interacción: Razones y productos de las concentraciones de gas (por ejemplo, O₂/CO).
   • Preprocesamiento: Los datos fueron sometidos a imputación de valores faltantes, eliminación de ruido y estandarización.

2. Arquitectura del Modelo (MEF-RG):

   • Aprendices Base: El modelo utiliza dos algoritmos base: Bosque Aleatorio (RF) y Árbol de Decisión de Potenciación de Gradiente (GBDT). El RF se elige por su estabilidad y resistencia al sobreajuste, mientras que el GBDT proporciona fuertes capacidades de aprendizaje secuencial.
   • Estrategia del Meta-Aprendiz: Se emplea una estrategia de "mejora de meta-características". Las predicciones de los modelos base RF y GBDT, junto con sus términos cuadráticos y términos de interacción, se combinan con las características de entrada originales para formar un vector de meta-características aumentado.
   • Fusión: Un modelo lineal (utilizando mínimos cuadrados regularizados con opciones como Ridge o Lasso) actúa como el meta-aprendiz para ponderar y fusionar adaptativamente los resultados de los modelos base, con el objetivo de compensar las limitaciones inherentes del RF (como el corte estático de características) y del GBDT.

3. Validación:

   • El modelo se comparó contra cinco modelos base (RF, GBDT, SVR, Regresión Lineal, LSTM) y dos modelos de fusión (BO-SVR, BPNN).
   • El desempeño se evaluó utilizando el Error Absoluto Medio (MAE), la Raíz del Error Cuadrático Medio (RMSE) y el coeficiente de determinación (R²).

Contribuciones Clave

• Arquitectura de Fusión Novedosa: El artículo introduce el modelo MEF-RG, que integra sistemáticamente GBDT y RF a través de un meta-aprendiz para abordar las limitaciones de captura de características y los problemas de estabilidad de generalización de los modelos de ensamble independientes.
• Ingeniería de Características Avanzada: El estudio construye un espacio de características de alta dimensión (255 dimensiones) que modela explícitamente las características de retardo, las estadísticas deslizantes y las interacciones gas-gas, yendo más allá del tratamiento de las concentraciones de gas como variables estáticas independientes.
• Interpretabilidad Mecanicista: Utilizando el análisis SHAP (Explicaciones Aditivas de Shapley), el estudio demuestra que las predicciones del modelo se alinean con las leyes físicas, como la relación inversa entre la relación O₂/CO y la temperatura predicha durante las diferentes etapas de oxidación.

Resultados
El modelo MEF-RG demostró un desempeño predictivo superior en comparación con todos los modelos de referencia tanto en los conjuntos de datos públicos como en los datos de prueba de campo independientes de la Mina de Carbón Weijiadi.

• Métricas de Desempeño (Conjunto de Prueba de Campo): El modelo MEF-RG logró un MAE de 0.8766 °C, un RMSE de 1.2069 y un R² de 0.8605.
• Mejora Comparativa: En comparación con el mejor modelo individual (RF), el modelo MEF-RG redujo el MAE aproximadamente en un 49.2%, redujo el RMSE en un 41.9% y mejoró el R² en un 45.6%.
• Generalización: El modelo mantuvo una alta precisión en el conjunto de datos público (R² = 0.961), confirmando su robustez y capacidad de generalización a través de diferentes fuentes de datos.

Significancia y Limitaciones
El artículo afirma que el modelo MEF-RG proporciona una herramienta técnica confiable para la alerta temprana más precisa y oportuna de los riesgos de combustión espontánea del carbón. Al capturar con precisión las relaciones de acoplamiento no lineal entre múltiples indicadores de gas, el modelo ofrece un valor significativo de aplicación en la ingeniería para la producción segura en las minas.

Sin embargo, los autores reconocen modestamente limitaciones específicas:

• Dependencia de Datos: El modelo depende altamente de la calidad de los datos de monitoreo de los cinco gases indicadores específicos.
• Costo Computacional: Debido a la matriz de características de 255 dimensiones y la arquitectura de fusión GBDT-RF, el tiempo de entrenamiento es aproximadamente tres veces mayor que el de un modelo RF individual.
• Restricciones de Tiempo Real: Los requisitos computacionales actuales no alcanzan el tiempo de respuesta de nivel de milisegundos necesario para los sistemas de alerta temprana en línea en tiempo real en las áreas de goaf.

Los autores concluyen que el trabajo futuro se centrará en introducir parámetros de campos físicos múltiples, realizar investigaciones sobre la reducción de la dimensionalidad de las características y explorar el despliegue de modelos ligeros para abordar estas restricciones computacionales.