⚡ ingegneria elettrica

Quantum Spherical Fuzzy Decision Framework with Golden Cut and ARTASI for Sustainable Mining Method Selection in Geologically Complex Thin Seams

Questo studio propone un nuovo framework di Decision-Making su larga scala con Logica Fuzzy Sferica Quantistica, integrando il Golden Cut, la Pesatura degli Esperti basata sul Consenso, l'Ottimizzazione a Colonia di Formiche e l'ARTASI per identificare sistematicamente l'estrazione automatizzata con estraente a tracciamento 3D come il metodo ottimale per l'estrazione sicura e sostenibile di vene di carbone geologicamente complesse nel Meghalaya.

Autori originali: Nidahamteinsar Papang, Bishal Gurung, Priya Sharma

Pubblicato 2026-10-29

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Nidahamteinsar Papang, Bishal Gurung, Priya Sharma

Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Nel profondo della terra, dove i filoni di carbone sono sottili, fratturati e geologicamente complessi, la scelta di come estrarre il combustibile è una scommessa ad alto rischio. In regioni come il Meghalaya, in India, dove gli strati di carbone possono essere sottili quanto pochi centimetri, i metodi tradizionali si sono spesso affidati a uno scavo rudimentale e non scientifico che mette in pericolo i lavoratori e ferisce il paesaggio. La sfida principale per ingegneri e pianificatori non è solo trovare il carbone, ma selezionare una tecnica di estrazione che bilanci sicurezza, costi, impatto ambientale e fattibilità tecnica. Questa decisione è raramente semplice perché i fattori coinvolti spesso tirano in direzioni opposte; un metodo che è economico potrebbe essere insicuro, mentre uno che è altamente efficiente potrebbe essere troppo costoso per un sito specifico. Per navigare tra queste richieste contrastanti, i ricercatori si rivolgono a un campo della matematica progettato per gestire l'incertezza umana, dove i giudizi non sono costretti in numeri rigidi, ma sono lasciati esistere in sfumature di grigio, catturando l'esitazione e il dubbio che accompagnano naturalmente l'opinione dell'esperto.

Un team di ricercatori ha sviluppato un nuovo e sofisticato sistema per risolvere questo problema specifico, con l'obiettivo di sostituire l'indovinare con un approccio strutturato e scientifico. Hanno creato un quadro decisionale che tratta le opinioni degli esperti non come semplici voti "sì" o "no", ma come valutazioni complesse contenenti strati di accordo, disaccordo e incertezza. Utilizzando un modello matematico che incorpora concetti "quantistici" — specificamente, l'idea che l'informazione possa avere sia un'ampiezza che una fase, proprio come un'onda — possono rappresentare tutta la sfumatura dell'esitazione di un esperto. Per garantire che il sistema rimanga fondato e coerente, i ricercatori hanno applicato un principio basato sulla sezione aurea, una famosa proporzione matematica presente in natura, per generare automaticamente i parametri necessari per queste complesse valutazioni, eliminando la necessità di scelte arbitrarie.

Lo studio si è concentrato sui bacini carboniferi del Meghalaya, dove i filoni variano da 0,30 a 2,12 metri di spessore. I ricercatori hanno riunito un gruppo di esperti per valutare dodici diversi metodi di estrazione, dalla perforazione e brillamento tradizionali alle avanzate macchine automatizzate. Questi metodi sono stati testati rispetto a dodici criteri distinti, inclusi lo spessore e la profondità del carbone, la stabilità della roccia sovrastante, le necessità di ventilazione, i record di sicurezza e le conseguenze ambientali. Inveve di limitarsi a fare la media dei punteggi degli esperti, il nuovo sistema ha cercato di capire quanto gli esperti concordassero tra loro. Coloro i cui giudizi si allineavano strettamente con il consenso del gruppo ricevevano maggiore influenza nel calcolo finale, garantendo che la saggezza collettiva del team guidasse il risultato piuttosto che le opinioni divergenti di un singolo individuo.

Una volta combinate le visioni degli esperti, il sistema doveva decidere quali criteri fossero più importanti. Invece di chiedere agli esperti di indovinare l'importanza di ogni fattore, i ricercatori hanno utilizzato un algoritmo informatico ispirato al modo in cui le formiche trovano il cibo. Questo algoritmo, noto come Ottimizzazione a Colonia di Formiche (Ant Colony Optimization), ha simulato migliaia di scenari per trovare l'equilibrio perfetto di pesi che meglio distinguerebbe tra i diversi metodi di estrazione. Ha cercato un insieme di priorità che rendesse le differenze tra le opzioni il più chiare possibile. L'ultimo passaggio ha previsto la classificazione dei metodi utilizzando una tecnica che confronta ogni opzione con uno scenario ideale ottimale e uno scenario peggiore, calcolando un punteggio singolo che riflette quanto ogni metodo si avvicini alla perfezione.

I risultati di questa analisi rigorosa hanno indicato chiaramente un vincitore: l'estrazione con scavatrice 3D a traiettoria automatizzata. Questo metodo, che utilizza macchinari avanzati per tagliare il carbone lungo un percorso preciso e controllato dal computer, è emerso come la scelta principale con un punteggio di utilità di 0,674. Lo sono seguiti da vicino l'estrazione longwall basata su scavatrice in filoni sottili e l'estrazione bord-and-pillar con scavatrice continua. Lo studio ha rilevato che il potenziale di meccanizzazione era il fattore più importante in questa decisione, superando altre preoccupazioni come la profondità del filone o la continuità geologica. I ricercatori hanno testato la stabilità delle loro scoperte spostando casualmente l'importanza dei criteri e i dati di input, e i metodi classificati ai primi posti sono rimasti coerenti, suggerendo che il risultato è robusto e non un caso fortuito del calcolo.

Questo lavoro non pretende di aver risolto ogni problema minerario o di essere una regola universale per tutti i bacini carboniferi. Al contrario, offre una base scientifica affidabile per allontanarsi dalle pratiche di estrazione pericolose e non regolamentate nel Meghalaya. Fornendo una classificazione chiara e basata sui dati delle tecnologie disponibili, il quadro decisionale offre ai decisori un modo per giustificare la scelta di metodi più sicuri e sostenibili rispetto a quelli che potrebbero sembrare più facili ma che comportano rischi nascosti. Lo studio dimostra che quando l'incertezza umana viene gestita con gli strumenti matematici corretti, è possibile tagliare attraverso la complessità della geologia e dell'economia per trovare la strada che offre la migliore possibilità per un futuro sicuro e sostenibile.

Sintesi Tecnica: Framework Decisionale Quantum Spherical Fuzzy con Golden Cut e ARTASI per la Selezione di Metodi Minerari Sostenibili

Definizione del Problema
La selezione dei metodi minerari appropriati per filoni di carbone geologicamente complessi e sottili (specificamente quelli con uno spessore compreso tra 0,30 e 2,12 m) rappresenta una sfida critica, in particolare in regioni come il Meghalaya, in India. Le pratiche di estrazione convenzionali in queste aree, come l'estrazione "rat-hole", sono associate a significativi rischi per la sicurezza, perdite di risorse e degrado ambientale. Il processo decisionale è complicato dalla necessità di valutare simultaneamente molteplici criteri, spesso contrastanti — tra cui caratteristiche geologiche, fattibilità tecnica, sostenibilità economica, sicurezza e impatto ambientale — in condizioni di incertezza, imprecisione e giudizio soggettivo degli esperti. I metodi esistenti faticano ad adeguatamente rappresentare l'esitazione e la vaghezza inerenti alle valutazioni umane o a determinare oggettivamente i pesi dei criteri senza fare affidamento su regole analitiche fisse.

Metodologia
Lo studio propone un framework di Quantum Spherical Fuzzy Large-Scale Decision-Making (QSF-LSDM) progettato per affrontare l'incertezza multidimensionale e la soggettività degli esperti. La metodologia segue un processo strutturato in più fasi:

Rappresentazione tramite Quantum Spherical Fuzzy Sets (QSFS): I giudizi degli esperti sono modellati utilizzando i QSFS, che estendono i convenzionali Spherical Fuzzy Sets incorporando informazioni di ampiezza e fase. Ciò consente la rappresentazione simultanea dell'ampiezza di appartenenza, non appartenenza ed esitazione insieme ai rispettivi parametri di fase, fornendo una descrizione più ricca dell'informazione incerta.
Meccanismo di Golden Cut: Per ridurre la soggettività nella selezione dei parametri, viene impiegato un procedimento di Golden Cut basato sul Rapporto Aureo ( $\approx 1,618$ ). Questo meccanismo deriva sistematicamente i parametri di non appartenenza, esitazione e fase direttamente dalle valutazioni linguistiche iniziali (ad esempio, "Molto Alto", "Basso"), eliminando scelte di scalatura arbitrarie.
Ponderazione degli Esperti Basata sul Consenso (CBEW): Invece di trattare tutti gli esperti allo stesso modo, il framework calcola i pesi degli esperti in base al grado di accordo (consenso) tra il gruppo decisionale. Le misure di similarità tra le singole matrici decisionali determinano l'importanza relativa di ciascun esperto, assegnando pesi maggiori alle valutazioni che si allineano più strettamente con l'opinione collettiva.
Aggregazione tramite QSFWBM: Le valutazioni individuali degli esperti vengono aggregate utilizzando l'operatore Quantum Spherical Fuzzy Weighted Bonferroni Mean (QSFWBM). A differenza delle medie aritmetiche o geometriche standard, questo operatore cattura esplicitamente le interazioni non lineari a coppia e le dipendenze tra i criteri e le opinioni degli esperti durante la fusione delle informazioni di gruppo.
Ponderazione Obiettiva dei Criteri tramite ACO: Per evitare il pregiudizio soggettivo nella ponderazione dei criteri, lo studio formula la determinazione del peso dei criteri come un problema di ottimizzazione continua. Un algoritmo di Ant Colony Optimization (ACO) continuo viene utilizzato per cercare un vettore di pesi ottimale che massimizzi la deviazione del punteggio complessivo tra le coppie tra le alternative candidate, derivando così i pesi direttamente dal potere discriminante intrinseco della matrice decisionale.
Classificazione tramite ARTASI: La classificazione finale è stabilita utilizzando la tecnica di classificazione delle alternative basata su intervalli standardizzati adattivi (ARTASI). Questo metodo trasforma diversi attributi di beneficio e costo in un intervallo standardizzato unificato, preservando al contempo la disposizione relativa dei dati grezzi. Valuta le alternative in base alla distanza dalle condizioni ideali e anti-ideali per produrre un indice di utilità.

Principali Contributi
Il documento delinea sei contributi primari al campo del Multi-Criteria Decision Making (MCDM) e dell'ingegneria mineraria:

Sviluppo del Framework: Stabilimento di un framework QSF-LSDM che modella la complessa incertezza cognitiva e l'esitazione umana integrando i QSFS con i parametri di fase e un meccanismo di Golden Cut per la costruzione sistematica dei parametri.
Ponderazione Obiettiva degli Esperti: Introduzione di un modello di Consensus-Based Expert Weighting (CBEW) che assegna pesi in base ai livelli di accordo del gruppo, prevenendo che i pregiudizi individuali influenzino la valutazione collettiva.
Aggregazione Consapevole delle Interazioni: Applicazione dell'operatore QSFWBM per catturare le relazioni tra i criteri e le opinioni degli esperti, andando oltre l'assunzione di indipendenza presente nei metodi di aggregazione convenzionali.
Ponderazione Basata sull'Ottimizzazione: Formulazione della ponderazione dei criteri come un problema di ottimizzazione continua risolto tramite ACO, massimizzando la discriminazione del punteggio senza fare affidamento su regole analitiche fisse.
Classificazione Adattiva: Utilizzo del metodo ARTASI per fornire un framework di classificazione flessibile che gestisce coerentemente sia i criteri di beneficio che quelli di costo attraverso la standardizzazione adattiva.
Validazione Pratica: Applicazione del framework a un caso di studio reale in Meghalaya, valutando 12 metodi minerari attraverso 12 criteri diversi per supportare la transizione da pratiche non scientifiche a pratiche minerarie sostenibili.

Risultati
Il framework è stato applicato per valutare 12 metodi minerari ( $M_1$ a $M_{12}$ ) attraverso 12 criteri. L'implementazione computazionale, eseguita utilizzando Python 3.11, ha prodotto i seguenti risultati:

Metodo con la Classifica Più Alta: L'estrazione automatizzata con shearer a traiettoria 3D ( $M_{10}$ ) è emersa come l'alternativa con il rango più alto con un indice di utilità ( $\Omega$ ) di 0,674.
Classifiche Successive: Seguono l'estrazione longwall in sottili strati basata su shearer ( $M_5$ ) con $\Omega = 0,662$ , e l'estrazione bord-and-pillar con continuous-miner ( $M_3$ ) con $\Omega = 0,632$ .
Classifica Più Bassa: L'estrazione ad auger ( $M_7$ ) e l'estrazione stope-and-pillar ( $M_9$ ) hanno ricevuto i valori di utilità più bassi.
Importanza dei Criteri: La ponderazione basata su ACO ha identificato il potenziale di meccanizzazione ( $C_{11}$ ) come il criterio più influente ( $w_{11} = 0,529$ ), seguito dalla geometria e continuità del filone ( $C_4$ ), dalla profondità del filone ( $C_3$ ) e dal recupero del carbone ( $C_{10}$ ).
Robustezza: Le analisi di sensibilità (simulazioni Monte Carlo e perturbazioni COMSAM) hanno dimostrato che la classifica delle principali alternative è rimasta altamente stabile nonostante le variazioni nei pesi dei criteri e nei dati di input.
Analisi Comparativa: I risultati QSF-ARTASI hanno mostrato un accordo perfetto (correlazione di Spearman di 1,000) con i metodi EDAS e MARCOS e un forte accordo con TOPSIS. È stata osservata una divergenza significativa con VIKOR, attribuita alle differenze metodologiche nel trattamento delle informazioni decisionali.

Significato e Rivendicazioni
Il documento sostiene che il framework QSF-LSDM proposto fornisce una base sistematica e scientifica per valutare i metodi minerari in filoni sottili geologicamente complessi. Integrando la logica fuzzy ispirata alla meccanica quantistica con l'ottimizzazione e i meccanismi di consenso, il framework gestisce efficacemente l'incertezza e l'esitazione inerenti alle valutazioni degli esperti, minimizzando al contempo il pregiudizio soggettivo nella selezione dei parametri e dei pesi.

Lo studio posiziona i suoi risultati non come raccomandazioni universali per tutte le condizioni minerarie, ma come esiti di supporto alle decisioni adattati al contesto geologico, tecnico e operativo specifico dei filoni di carbone sottili del Meghalaya. Il significato primario risiede nell'offrire un'alternativa strutturata alle pratiche di estrazione non scientifiche, supportando la transizione verso operazioni minerarie più sicure, regolamentate e sostenibili. Gli autori sottolineano che, sebbene il framework identifichi i metodi più adatti in base ai criteri definiti, l'effettiva implementazione richiede ulteriori indagini geologiche specifiche per il sito, validazione ingegneristica, valutazioni della sicurezza e approvazione normativa.

Articoli simili