⚡ electrical engineering

CA-DPCNN prediction of mining-induced failure depth in coal seam floors

Este artículo presenta una red neuronal de restricción de prioridad de derivada adaptativa continua (CA-DPCNN) que predice con precisión las profundidades de falla inducidas por la minería en los pisos de mantos de carbón mediante la incorporación de prioridades de ingeniería y una estrategia de normalización sin recorte, logrando una precisión y adherencia a las tendencias físicas superiores en comparación con los modelos tradicionales, especialmente al extrapolar más allá del rango de los datos de entrenamiento.

Autores originales: Tianwei Lan, Bole Li, Yonghao Liu, ZhiJia Zhang, TianQi Wei, ShunXiang Wang, LuTong Niu

Publicado 2026-10-09

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Tianwei Lan, Bole Li, Yonghao Liu, ZhiJia Zhang, TianQi Wei, ShunXiang Wang, LuTong Niu

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

En lo profundo de la superficie terrestre, donde trabajan los mineros del carbón, el suelo rocoso no es una losa estática e inmutable. Cuando se extrae una gran sección de carbón, el peso inmenso de las capas de roca superiores se desplaza, provocando que el suelo se agriete, se fracture y falle. Esta "profundidad de falla" es una medición crítica para los ingenieros. Si subestiman qué tan profundas llegan estas grietas, podrían dejar un pilar de carbón resistente al agua demasiado delgado, arriesgándose a una inundación repentina y catastrófica proveniente de acuíferos subterráneos. Si la sobreestiman, podrían dejar demasiado carbón atrás, desperdiciando innecesariamente un recurso valioso. Durante décadas, los científicos han intentado predecir esta profundidad utilizando fórmulas basadas en observaciones pasadas, pero estos métodos suelen tener dificultades cuando las condiciones cambian o cuando las minas cavan más profundo que cualquier registro previo. El desafío es crear una herramienta de predicción que no solo sea precisa, sino que también se comporte lógicamente, respetando las reglas físicas de la tierra incluso cuando encuentra datos que nunca ha visto antes.

Un equipo de investigadores de la Universidad Técnica de Liaoning y de Inner Mongolia Power Investment Energy Co., Ltd. ha desarrollado un nuevo enfoque para resolver este problema, yendo más allá de las simples fórmulas hacia un sistema que aprende de los datos mientras se adhiere estrictamente a la lógica de la ingeniería. Crearon un modelo computacional especializado llamado CA-DPCNN. A diferencia de un programa informático estándar que simplemente memoriza ejemplos pasados, este modelo está construido con un conjunto de "reglas generales" integradas en su proceso de aprendizaje. Estas reglas reflejan lo que los ingenieros saben que es cierto: por ejemplo, a medida que la profundidad de la mina aumenta, la presión sobre el suelo aumenta, por lo que la profundidad de falla también debería aumentar. El modelo es penalizado si predice lo contrario. Los investigadores entrenaron este sistema con 7 ઉપયોગ de registros distintos de varias minas en toda China, cubriendo un rango de profundidades de minería, ángulos de vetas de carbón y tamaños de excavación. Luego lo probaron con 21 nuevos registros que el modelo nunca había visto, incluyendo cuatro casos donde la profundidad de la mina era significativamente mayor que cualquier dato en los datos de entrenamiento.

Los resultados mostraron que este nuevo método superó a las técnicas tradicionales. Al ser probado contra los registros no vistos, el modelo CA-DPCNN predijo la profundidad de falla con un error promedio de solo 2.5 metros, una mejora significativa respecto a los métodos antiguos, cuyos errores oscilaban entre 3 y 7 metros. Más importante aún, el modelo demostró una capacidad notable para mantenerse consistente con la realidad física. En una verificación detallada a través de más de mil puntos simulados, el modelo siguió las tendencias de ingeniería esperadas en casi el 99% de los casos. Por el contrario, un modelo computacional estándar sin estas reglas integradas siguió las tendencias correctas en solo un 2.5% de los casos, produciendo a menudo resultados que no tenían sentido físico. Los investigadores encontraron que la mejora más significativa provino de las propias reglas integradas, las cuales obligaron al modelo a aprender la dirección correcta del cambio en lugar de simplemente memorizar números.

Una parte crucial del estudio involucró cómo el modelo manejaba las situaciones en las que la mina era más profunda de lo que había sido entrenada. En muchos sistemas informáticos, si entra un número que es mayor que el número más grande que el sistema conoce, el sistema simplemente lo corta en el límite máximo, pretendiendo efectivamente que la profundidad adicional no existe. Los investigadores descubrieron que este "recorte" causó que el modelo subestimara el peligro en minas profundas. Al permitir que el modelo aceptara estos números más grandes sin cortarlos, el error al predecir las minas más profundas cayó casi a la mitad. Esto sugiere que el modelo puede extrapolar de manera segura hacia territorio desconocido, siempre que se le permita ver la escala completa de la entrada. El estudio concluye que, al combinar el aprendizaje basado en datos con restricciones físicas estrictas, los ingenieros pueden obtener predicciones más confiables para la seguridad minera, incluso a medida que avanzan más profundo en la corteza terrestre donde los datos son escasos.

Resumen Técnico: Predicción de la Profundidad de Falla Inducida por Minería en Pisos de Vetas de Carbón mediante CA-DPCNN

Planteamiento del Problema
La predicción precisa de la profundidad de falla inducida por la minería en los pisos de las vetas de carbón es crítica para el diseño de pilares de carbón resistentes al agua, la evaluación de la seguridad minera sobre acuíferos confinados y el control de riesgos de agua de mina. Sin embargo, los modelos existentes enfrentan dos desafíos principales: (1) a menudo tienen dificultades con conjuntos de datos de campo dispersos donde el modelo puede lograr un error de ajuste bajo pero exhibir direcciones de derivadas locales que entran en conflicto con las expectativas de ingeniería establecidas (por ejemplo, monotonicidad o curvatura); y (2) frecuentemente no logran preservar la información o mantener la credibilidad física cuando las profundidades de minería se acercan o exceden el rango observado de entrenamiento. Los modelos tradicionales basados puramente en datos, entrenados principalmente para el ajuste de muestras, carecen de mecanismos para imponer estos principios previos de ingeniería, mientras que las estrategias de extrapolación estándar suelen recortar (clip) las entradas normalizadas, lo que conduce a una subestimación sistemática en escenarios de minería profunda.

Metodología
Los autores proponen la Red Neuronal con Restricción de Prior de Derivada Adaptativa Continua (CA-DPCNN, por sus siglas en inglés), un marco de aprendizaje automático informado por la física diseñado para abordar estas limitaciones.

Arquitectura: El modelo utiliza una red de alimentación hacia adelante totalmente conectada (4-64-32-1) con activación Tanh en las capas ocultas y una capa de salida Softplus para asegurar predicciones no negativas. Las entradas son la profundidad de minería ( $H$ ), el ángulo de buzamiento de la veta de carbón ( $\theta$ ), el espesor de la mina ( $M$ ) y la longitud de buzamiento del frente de trabajo ( $L$ ).
Restricciones de Prior de Derivada: A diferencia de las redes neuronales estándar, la CA-DPCNN incorpora las expectativas de ingeniería como penalizaciones suaves en la función de pérdida. Específicamente, impone:
- Priores de primer orden no negativos para la profundidad de minería, el espesor de la mina y la longitud de buzamiento del frente de trabajo (indicando que la profundidad de falla debe aumentar o permanecer constante a medida que estos factores aumentan).
- Un prior de primer orden no negativo para el ángulo de buzamiento (mantenido como un prior empírico más débil).
- Un prior de segundo orden no positivo para la longitud de buzamiento del frente de trabajo (indicando concavidad).
Ponderación Adaptativa Continua: Una innovación clave es la condicionamiento de los pesos de penalización a la profundidad de minería real ( $H_{real}$ ). En lugar de pesos fijos, las intensidades de la penalización para la profundidad de minería, el espesor y la longitud de buzamiento varían suavemente mediante funciones logísticas centradas en 750 m. Esto permite que la fuerza de la restricción se adapte a través del rango de profundidad observado, mientras que el peso del ángulo de buzamiento permanece fijo.
Estrategia de Extrapolación Modificada: Durante la inferencia, el modelo conserva los valores de entrada normalizados fuera del rango $[0, 1]$ en lugar de recortarlos. Esta estrategia preserva la información de las profundidades de minería que exceden el máximo del conjunto de entrenamiento.
Entrenamiento y Evaluación: El modelo fue entrenado con 70 registros de 61 grupos de minas, con 21 registros reservados para la evaluación secuencial de retención (hold-out). Se utilizó un ensamble de 30 inicializaciones aleatorias para evaluar la estabilidad. El rendimiento se comparó con Redes Neuronales de Retropropagación (BPNN), Regresión Lineal Múltiple (MLR), Regresión de Vectores de Soporte (SVR) y fórmulas empíricas estándar.

Contribuciones Clave

Integración de Priores de Forma: El estudio demuestra que codificar restricciones de monotonicidad y curvatura directamente en la función de pérdida mejora significativamente la consistencia física de las predicciones, particularmente en regímenes de datos escasos.
Ponderación Condicionada por Profundidad: La introducción de pesos de penalización continuos y dependientes de la profundidad de minería permite que el modelo equilibre el ajuste de datos y las restricciones físicas de manera más efectiva que los enfoques de peso fijo, asegurando transiciones suaves en la fuerza de la restricción.
Preservación de la Extrapolación: El artículo valida una estrategia de extrapolación modificada donde se utilizan entradas normalizadas no recortadas durante la inferencia. Este enfoque evita la subestimación sistemática de la profundidad de falla en escenarios de minería profunda donde las entradas caen fuera de la distribución de entrenamiento.

Resultados

Precisión Predictiva: En el conjunto de retención de 21 registros, el ensamble CA-DPCNN logró un RMSE de 3.321 m, MAE de 2.533 m, MAPE de 13.084% y $R^2$ de 0.839. Estas métricas fueron superiores a las de BPNN, MLR, SVR y la fórmula empírica estándar bajo la misma división de datos.
Análisis de Ablación: Las comparaciones con un Softplus-MLP (sin priores) y un DPCNN de peso fijo revelaron que los priores de derivada son la principal fuente de reducción de error (reduciendo el RMSE en aproximadamente 7.09 m en comparación con el modelo sin restricciones). La ponderación continua mantuvo el bajo error del modelo de peso fijo mientras ofrecía un mecanismo de restricción más auditable.
Consistencia Física: En un dominio de auditoría de datos soportados de 1,024 puntos, la CA-DPCNN logró una tasa de satisfacción de todos los priores conjuntos de 98.94% ± 0.94%, en comparación con solo 2.46% para el Softplus-MLP sin restricciones.
Desempeño de Extrapolación: Para cuatro registros con profundidades de minería (900–1,056 m) que excedían el máximo de entrenamiento (810 m), la estrategia de normalización no recortada redujo el RMSE de 9.806 m a 5.644 m (una reducción del 42.45%), mitigando eficazmente la pérdida de información causada por el recorte.

Significancia
El artículo afirma que la CA-DPCNN logra combinar un menor error predictivo con respuestas que siguen de cerca las tendencias de ingeniería prescritas. Al integrar los priores de derivada y la ponderación adaptativa, el modelo aborda el doble desafío de mantener la credibilidad física con conjuntos de datos pequeños y preservar la información al extrapolar a condiciones de minería más profundas. Los resultados sugieren que este enfoque ofrece una alternativa robusta a las fórmulas empíricas tradicionales y a los modelos de aprendizaje automático estándar para evaluar la profundidad de falla del piso, particularmente en escenarios de minería profunda donde los datos observados son limitados. Los autores señalan que, si bien la estrategia de extrapolación modificada muestra resultados prometedores, se requiere una evaluación más amplia con registros adicionales de minería profunda.

Más como este