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

Sintesi Tecnica: Modello di Indicatore Multi-Gas Accoppiato per la Predizione della Temperatura della Combustione Spontanea del Carbone nel Goaf

Definizione del Problema
Gli incendi nelle miniere di carbone, causati prevalentemente dalla combustione spontanea nelle aree di goaf (aree esaurite), rappresentano una grave minaccia per la sicurezza sotterranea. Sebbene l'analisi della composizione dei gas sia una tecnica di monitoraggio ampiamente utilizzata grazie alla sua sensibilità, la relazione tra le concentrazioni dei gas indicatori e la temperatura del carbone è compluta e non lineare. I metodi di predizione esistenti, inclusi gli approcci statistici tradizionali e i modelli di machine learning singoli (ad esempio, la Regressione dei Vettori di Supporto, le Reti Neurali standard), soffrono spesso di un'elevata sensibilità agli iperparametri, di una tendenza a cadere in ottimi locali e dell'incapacità di catturare adeguatamente le relazioni di accoppiamento non lineare e le dipendenze temporali tra molteplici indicatori gassosi. Di conseguenza, vi è un urgente bisogno di un modello in grado di predire accuratamente la temperatura del carbone integrando efficacemente i dati multi-gas e modellando la dinamica temporale.

Metodologia
Lo studio propone un nuovo modello di ottimizzazione denominato MEF-RG (Multi-Feature Fusion - Random Forest and Gradient Boosting Decision Tree) per predire le temperature di combustione spontanea del carbone. La metodologia prevede tre fasi principali:

1. Acquisizione dei Dati e Ingegneria delle Caratteristiche (Feature Engineering):

   • Dati Sorgente: Il modello è stato addestrato su un ampio dataset sperimentale di combustione spontanea del carbone (2.976 campioni) ed è stato convalidato rispetto ai dati sul campo della Miniera di Carbone di Weijiadi.
   • Variabili di Input: Sono stati identificati cinque gas indicatori chiave: Monossido di Carbonio (CO), Ossigeno (O₂), Anidride Carbonica (CO₂), Metano (CH₄) ed Etano (C₂H₆).
   • Costruzione delle Caratteristiche: Per catturare la dinamica temporale e le interazioni, gli autori hanno costruito una matrice di caratteristiche a 255 dimensioni. Questa includeva:
     • Caratteristiche di ritardo (Lag features): Step temporali di 1, 2, 3, 6, 12 e 24.
     • Caratteristiche statistiche mobili (Sliding statistical features): Media, deviazione standard, minimo e massimo all'interno di finestre di 6, 12, 24 e 48 step temporali.
     • Caratteristiche di interazione: Rapporti e prodotti delle concentrazioni dei gas (es. O₂/CO).
   • Pre-elaborazione: I dati sono stati sottoposti a imputazione dei valori mancanti, denoising e standardizzazione.

2. Architettura del Modello (MEF-RG):

   • Base Learners: Il modello utilizza due algoritmi base: Random Forest (RF) e Gradient Boosting Decision Tree (GBDT). La RF è stata scelta per la sua stabilità e resistenza all'overfitting, mentre il GBDT fornisce forti capacità di apprendimento sequenziale.
   • Strategia del Meta-Learner: Viene impiegata una strategia di "potenziamento delle meta-caratteristiche". Le predizioni dai modelli base RF e GBDT, insieme ai loro termini quadratici e di interazione, vengono combinate con le caratteristiche di input originali per formare un vettore di meta-caratteristiche aumentato.
   • Fusione: Un modello lineare (utilizzando i minimi quadrati regolarizzati con opzioni come Ridge o Lasso) funge da meta-learner per pesare e fondere adattivamente gli output dei modelli base, con l'obiettivo di compensare i limiti intrinseci di RF (come la segmentazione statica delle caratteristiche) e di GBDT.

3. Validazione:

   • Il modello è stato confrontato con cinque modelli base (RF, GBDT, SVR, Regressione Lineare, LSTM) e due modelli di fusione (BO-SVR, BPNN).
   • Le prestazioni sono state valutate utilizzando l'Errore Assoluto Medio (MAE), l'Errore Quadratico Medio (RMSE) e il coefficiente di determinazione (R²).

Contributi Chiave

• Nuova Architettura di Fusione: Il documento introduce il modello MEF-RG, che integra sistematicamente GBDT e RF attraverso un meta-learner per affrontare i limiti di cattura delle caratteristiche e i problemi di stabilità della generalizzazione dei modelli d'insieme stand-alone.
• Ingegneria Avanzata delle Caratteristiche: Lo studio costruisce uno spazio di caratteristiche ad alta dimensionalità (255 dimensioni) che modella esplicitamente le caratteristiche di ritardo, le statistiche mobili e le interazioni gas-gas, andando oltre il trattamento delle concentrazioni di gas come variabili statiche indipendenti.
• Interpretabilità Meccanicistica: Utilizzando l'analisi SHAP (SHapley Additive exPlanations), lo studio dimostra che le predizioni del modello sono in linea con le leggi fisiche, come la relazione inversa tra il rapporto O₂/CO e la temperatura predetta durante le diverse fasi di ossidazione.

Risultati
Il modello MEF-RG ha dimostrato prestazioni predittive superiori rispetto a tutti i modelli di benchmark sia sui dataset pubblici che sui dati indipendenti di test sul campo della Miniera di Carbone di Weijiadi.

• Metriche di Prestazione (Set di Test sul Campo): Il modello MEF-RG ha ottenuto un MAE di 0,8766 °C, un RMSE di 1,2069 e un R² di 0,8605.
• Miglioramento Comparativo: Rispetto al miglior modello singolo (RF), il modello MEF-RG ha ridotto il MAE di circa il 49,2%, il RMSE del 41,9% e ha migliorato l'R² del 45,6%.
• Generalizzazione: Il modello ha mantenuto un'elevata precisione sul dataset pubblico (R² = 0,961), confermando la sua robustezza e capacità di generalizzazione tra diversi set di dati.

Significatività e Limitazioni
Il documento sostiene che il modello MEF-RG fornisca uno strumento tecnico affidabile per un preavviso precoce e più accurato dei pericoli di combustione spontanea del carbone. Catturando accuratamente le relazioni di accoppiamento non lineare tra molteplici indicatori gassosi, il modello offre un significativo valore applicativo per l'ingegneria della sicurezza mineraria.

Tuttove, gli autori riconoscono con modestia specifiche limitazioni:

• Dipendenza dai Dati: Il modello è fortemente dipendente dalla qualità dei dati di monitoraggio dei cinque gas indicatori specifici.
• Costo Computazionale: A causa della matrice di caratteristiche a 255 dimensioni e dell'architettura di fusione GBDT-RF, il tempo di addestramento è circa tre volte superiore a quello di un singolo modello RF.
• Vincoli in Tempo Reale: I requisiti computazionali attuali sono insufficienti per il tempo di risposta a livello di millisecondi necessario per i sistemi di allerta precoce online in tempo reale nelle aree di goaf.

Gli autori concludono che il lavoro futuro si concentrerà sull'introduzione di parametri di campo multi-fisico, sulla ricerca sulla riduzione della dimensionalità delle caratteristiche e sull'esplorazione del deployment di modelli leggeri per affrontare questi vincoli computazionali.