False-Alarm-Controlled Evaluation of Gas Indices and Deep Learning for Early Detection of Coal Spontaneous Combustion

Profondamente sottoterra, dove i filoni di carbone giacciono nascosti sotto tonnellate di roccia, può iniziare un pericolo lento e invisibile. Il carbone non sta semplicemente lì fermo; esso respira. Con il tempo, reagisce con l'ossigeno dell'aria, un processo chiamato ossidazione che genera calore. Di solito, questo calore si dissipa nella roccia circostante e nel flusso d'aria. Ma a volte, il calore si accumula più velocemente di quanto possa sfuggire, facendo sì che il carbone si riscaldi fino a incendiarsi senza una scintilla. Questo fenomeno, noto come combustione spontanea, è uno dei pericoli più antichi e persistenti nell'attività mineraria. Può trasformare una miniera produttiva in una zona di disastro sigillata, rilasciando gas tossici ed emissioni di gas serra che persistono per decenni. Poiché l'incendio inizia lentamente e senza fumo o fiamme visibili, i minatori si affidano interamente all'aria stessa per capire che qualcosa non va. Per oltre un secolo, il modo standard per ascoltare quest'aria è stato misurare gas specifici e confrontarli usando semplici rapporti matematici. Il più famoso di questi è un calcolo chiamato indice di Graham, che confronta la quantità di monossido di carbonio nell'aria con la quantità di ossigeno che è stata consumata. Se il rapporto diventa troppo alto, dovrebbe segnalare un incendio.

Tuttavia, un nuovo studio di Ulas Cinar della Canakkale Onsekiz Mart University suggerisce che questo metodo di lunga data possa essere fondamentalmente errato se utilizzato come sistema di allarme automatico. La ricerca non si limita a osservare se questi metodi riescano a individuare un incendio quando uno è già in corso; pone una domanda più difficile: quanto spesso urlano "incendio" quando non c'è altro che aria calma? Nel mondo del monitoraggio della sicurezza, un allarme che suona costantemente è peggio di nessun allarme, perché i lavoratori finiscono per imparare a ignorarlo. Cinar ha sviluppato un nuovo modo per testare questi sistemi di avvertimento che li costringe a dimostrare di poter distinguere tra una minaccia reale e una falsa. Eseguendo migliaia di simulazioni al computer dell'aria di miniera e testando poi i metodi contro record reali provenienti da tre diverse miniere di carbone, lo studio ha scoperto che il tradizionale indice di Graham fallisce completamente in queste rigorose condizioni. In effetti, lo studio rivela che l'indice spesso si comporta esattamente nell'opposto di quanto dovrebbe: suona più forte quando non c'è un incendio e rimane in silenzio quando un incendio è effettivamente in corso.

Il cuore del problema risiede nella matematica alla base dell'indice. L'indice di Graham divide la quantità di monossido di carbonio per la "deficienza di ossigeno", che è semplicemente la differenza tra la quantità normale di ossigeno nell'aria fresca e la quantità attualmente presente nella miniera. Nei tunnel ben ventilati dove l'aria fresca scorre liberamente, la deficienza di ossigeno è minima, spesso vicina allo zero. Quando si divide un numero per un numero che è quasi zero, anche il minimo errore di misurazione causa l'esplosione del risultato in un valore enorme e privo di significato. È come cercare di misurare un minuscolo cambiamento in un oceano vastissimo osservando una singola goccia; la matematica diventa instabile. Nelle simulazioni, questa instabilità ha fatto sì che l'indice saltasse frequentemente a livelli di allarme durante periodi perfettamente normali e privi di incendi. Quando i ricercatori hanno applicato questo test ai dati reali delle miniere, il fallimento è stato ancora più drammatico. In sette episodi su tredici privi di incendio in aree ventilate, l'indice è schizzato a valori elevati come 44, ben al di sopra della soglia di allarme standard di 1,0. Nel frattempo, in due incendi confermati che stavano avvenendo dietro pareti sigillate, l'indice non era mai salito sopra lo 0,50. Il sistema urlava nei momenti sbagliati e restava in silenzio nei momenti giusti.

Per risolvere questo problema, lo studio ha introdotto un nuovo protocollo che tratta ogni metodo di avvertimento, che sia una semplice formula matematica o un complesso programma informatico, come un punteggio continuo piuttosto che come un interruttore fisso. I ricercatori si sono poi chiesti: "Se impostiamo la sensibilità di questo sistema in modo che generi un falso allarme solo il 10 percento delle volte, quanti incendi reali riesce a rilevare?". Questo approccio livella il campo di gioco, costringendo ogni metodo a dimostrare il proprio valore sotto le stesse rigide regole. Quando hanno eseguito questo test sui dati simulati, l'indice di Graham non ha rilevato un singolo incendio a nessuna impostazione che mantenesse bassi i falsi allarmi. Era semplicemente un rilevatore non affidabile. Lo studio ha testato anche modelli informatici avanzati noti come reti di deep learning, progettati per apprendere schemi da enormi quantità di dati. Questi modelli sono stati addestrati sui dati simulati dell'aria e poi testati sui record reali delle miniere senza ulteriori aggiustamenti. I risultati hanno mostrato che, sebbene questi modelli complessi potessero individuare alcuni incendi, non erano significativamente migliori di un approccio molto più semplice: osservare il livello di monossido di carbonio da solo.

Nel test del mondo reale, una semplice soglia sul sensore del monossido di carbonio ha rilevato tutti e tre gli incendi confermati, fornendo un avviso in media 345 ore prima che l'incendio fosse ufficialmente confermato dai sensori di temperatura. I complessi modelli informatici hanno rilevato due dei tre incendi, con tempi di preavviso simili. Lo studio conclude che la complessità aggiunta dei modelli di deep learning non si è tradotta in una migliore prestazione di sicurezza in questo specifico contesto. Il segnale di un incendio in fase di sviluppo è così forte nei livelli di monossido di carbonio che un controllo semplice è spesso sufficiente, a patto che il sistema sia tarato per evitare falsi allarmi. Il fallimento del tradizionale indice non è dovuto a una mancanza di comprensione chimica, ma a una debolezza numerica che lo rende inutile come allarme autonomo nelle aree ventilate. I ricercatori suggeriscono che l'industria dovrebbe allontanarsi dal fare affidamento su questi rapporti instabili per gli avvisi automatici. Invece, raccomandano di utilizzare la concentrazione grezza di monossido di carbonio, magari con una regola semplice per ignorare i dati se i livelli di ossigeno sono troppo alti per rendere il calcolo significativo.

Lo studio evidenzia anche un limite nel modo in cui la ricerca sulla sicurezza viene spesso riportata. Molti articoli precedenti rivendicano un'elevata precisione per i loro modelli misurando quanto bene prevedano i livelli di gas o testandoli solo nei giorni in cui era noto che stava avvenendo un incendio. Questo approccio nasconde il fatto che il sistema potrebbe suonare il campanello dell'allarme ogni singolo giorno quando non esiste un incendio. Insistendo nel misurare il tasso di falsi allarmi insieme al tasso di rilevamento, questo articolo mostra che un metodo può sembrare perfetto sulla carta pur essendo inutile nella pratica. Le scoperte si basano su una combinazione di simulazioni al computer e un piccolo set di record reali di miniere, il che significa che i risultati sono specifici per le condizioni testate. Lo studio non sostiene che il deep learning sia inutile per la sicurezza mineraria, ma piuttosto che in questo compito specifico, un controllo di un sensore semplice e ben tarato supera un rapporto complesso soggetto a errori matematici. L'obiettivo finale è garantire che, quando un allarme suona in una miniera, sia un segnale che richiede attenzione immediata, non un rumore che è stato ignorato per anni.