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

Résumé Technique : Modèle d'Indicateurs Multi-Gaz Couplés pour la Prédiction de la Température de la Combustion Spontanée du Charbon dans les Chantiers d'Exploitation (Goafs)

Énoncé du Problème
Les incendies de mines de charbon, principalement causés par la combustion spontanée dans les zones de chantiers d'exploitation (goafs), représentent une menace grave pour la sécurité souterraine. Bien que l'analyse de la composition des gaz soit une technique de surveillance largement utilisée en raison de sa sensibilité, la relation entre les concentrations de gaz indicateurs et la température du charbon est complexe et non linéaire. Les méthodes de prédiction existantes, incluant les approches statistiques traditionnelles et les modèles d'apprentissage automatique simples (par exemple, la régression à vecteurs de support, les réseaux de neurones standards), souffrent souvent d'une haute sensibilité aux hyperparamètres, d'une tendance à tomber dans des optima locaux, et d'une incapacité à capturer de manière adéquate les relations de couplage non linéaires et les dépendances temporelles entre plusieurs indicateurs gazeux. Par conséquent, il existe un besoin urgent d'un modèle capable de prédire avec précision la température du charbon en fusionnant efficacement les données multi-gaz et en modélant la dynamique temporelle.

Méthodologie
L'étude propose un nouveau modèle d'optimisation nommé MEF-RG (Multi-Feature Fusion - Random Forest and Gradient Boosting Decision Tree) pour prédire les températures de combustion spontanée du charbon. La méthodologie comprend trois étapes principales :

1. Acquisition de Données et Ingénierie des Caractéristiques :

   • Données Sources : Le modèle a été entraîné sur un ensemble de données expérimentales de combustion spontanée du charbon à grande échelle (2 976 échantillons) et validé par des données de terrain provenant de la mine de charbon de Weijiadi.
   • Variables d'Entrée : Cinq gaz indicateurs clés ont été identifiés : le monoxyde de carbone (CO), l'oxygène (O₂), le dioxyde de carbone (CO₂), le méthane (CH₄) et l'éthane (C₂H₆).
   • Construction des Caractéristiques : Pour capturer la dynamique temporelle et les interactions, les auteurs ont construit une matrice de caractéristiques à 255 dimensions. Celle-ci comprenait :
     • Caractéristiques de retard (lag features) : Pas de temps de 1, 2, 3, 6, 12 et 24.
     • Caractéristiques statistiques glissantes : Moyenne, écart-type, minimum et maximum dans des fenêtres de 6, 12, 24 et 48 pas de temps.
     • Caractéristiques d'interaction : Ratios et produits des concentrations de gaz (ex: O₂/CO).
   • Prétraitement : Les données ont subi une imputation des valeurs manquantes, un débruitage et une standardisation.

2. Architecture du Modèle (MEF-RG) :

   • Apprenants de Base : Le modèle utilise deux algorithmes de base : Random Forest (RF) et Gradient Boosting Decision Tree (GBDT). Le RF est choisi pour sa stabilité et sa résistance au surapprentissage, tandis que le GBDT offre de fortes capacités d'apprentissage séquentiel.
   • Stratégie de Méta-Apprenant : Une stratégie d'« enrichissement par méta-caractéristiques » est employée. Les prédictions des modèles de base RF et GBDT, ainsi que leurs termes quadratiques et d'interaction, sont combinées avec les caractéristiques d'entrée originales pour former un vecteur de méta-caractéristiques augmenté.
   • Fusion : Un modèle linéaire (utilisant les moindres carrés régularisés avec des options telles que Ridge ou Lasso) agit comme méta-apprenant pour pondérer et fusionner de manière adaptative les sorties des modèles de base, visant à compenser les limitations intrinsèques du RF (telles que le découpage statique des caractéristiques) et du GBDT.

3. Validation :

   • Le modèle a été comparé à cinq modèles de base (RF, GBDT, SVR, Régression Linéaire, LSTM) et à deux modèles de fusion (BO-SVR, BPNN).
   • La performance a été évaluée à l'aide de l'Erreur Absolue Moyenne (MAE), de la Racine de l'Erreur Quadratique Moyenne (RMSE) et du coefficient de détermination (R²).

Contributions Clés

• Nouvelle Architecture de Fusion : L'article introduit le modèle MEF-RG, qui intègre systématiquement le GBDT et le RF via un méta-apprenant pour répondre aux limitations de capture de caractéristiques et aux problèmes de stabilité de généralisation des modèles d'ensemble autonomes.
• Ingénierie Avancée des Caractéristiques : L'étude construit un espace de caractéristiques de haute dimension (255 dimensions) qui modélise explicitement les caractéristiques de retard, les statistiques glissantes et les interactions gaz-gaz, allant au-delà du traitement des concentrations de gaz comme des variables statiques indépendantes.
• Interprétabilité Mécaniste : En utilisant l'analyse SHAP (SHapley Additive exPlanations), l'étude démontre que les prédictions du modèle s'alignent sur les lois physiques, telles que la relation inverse entre le rapport O₂/CO et la température prédite lors des différentes étapes d'oxydation.

Résultats
Le modèle MEF-RG a démontré une performance prédictive supérieure à tous les modèles de référence, tant sur les ensembles de données publics que sur les données de tests de terrain indépendantes de la mine de charbon de Weijiadi.

• Métriques de Performance (Jeu de Test de Terrain) : Le modèle MEF-RG a atteint une MAE de 0,8766 °C, une RMSE de 1,2069 et un R² de 0,8605.
• Amélioration Comparative : Comparé au meilleur modèle simple (RF), le modèle MEF-RG a réduit la MAE d'environ 49,2 %, réduit la RMSE de 41,9 % et amélioré le R² de 45,6 %.
• Généralisation : Le modèle a maintenu une grande précision sur le jeu de données public (R² = 0,961), confirmant sa robustesse et sa capacité de généralisation à travers différentes sources de données.

Signification et Limites
L'article affirme que le modèle MEF-RG fournit un outil technique fiable pour l'alerte précoce plus précise et plus rapide des risques de combustion spontanée du charbon. En capturant avec précision les relations de couplage non linéaires entre plusieurs indicateurs gazeux, le modèle offre une valeur d'application technique significative pour la sécurité de la production minière.

Cependant, les auteurs reconnaissent modestement certaines limites spécifiques :

• Dépendance aux Données : Le modèle est fortement dépendant de la qualité des données de surveillance des cinq gaz indicateurs spécifiques.
• Coût Computationnel : En raison de la matrice de caractéristiques à 255 dimensions et de l'architecture de fusion GBDT-RF, le temps d'entraînement est environ trois fois supérieur à celui d'un modèle RF simple.
• Contraintes de Temps Réel : Les exigences de calcul actuelles ne permettent pas d'atteindre le temps de réponse de l'ordre de la milliseconde nécessaire pour les systèmes d'alerte précoce en ligne en temps réel dans les zones de chantiers d'exploitation.

Les auteurs concluent que les travaux futurs se concentreront sur l'introduction de paramètres de champs physiques multiples, la recherche sur la réduction de la dimensionnalité des caractéristiques et l'exploration du déploiement de modèles légers pour répondre à ces contraintes de calcul.