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

技術要約：採掘跡に残る石炭の自然発火温度を予測するための、結合型マルチガス指標モデル

問題提起
石炭の自然発火に起因する炭鉱火災は、地下の安全に対する深刻な脅威となっている。ガス組成分析は、その感度の高さから広く用いられているモニタリング手法であるが、指標ガスの濃度と石炭温度の関係は複雑かつ非線形である。既存の予測手法（従来の統計的手法や、サポートベクター回帰、標準的なニューラルネットワークなどの単一機械学習モデル）は、ハイパーパラメータへの高い感受性、局所最適解に陥りやすい傾向、および複数のガス指標間の非線形な結合関係や時間的依存性を十分に捉えられないといった課題を抱えている。したがって、マルチガスデータを効果的に融合し、時間的動態をモデリングすることで、石炭温度を正確に予測できるモデルが切実に求められている。

手法
本研究では、石炭の自然発火温度を予測するために、MEF-RG（Multi-Feature Fusion - Random Forest and Gradient Boosting Decision Tree）と命名された新しい最適化モデルを提案する。その手法は、主に以下の3つの段階で構成される。

1. データ取得と特徴量エンジニアリング：

   • ソースデータ： モデルは、大規模な石炭自然発火実験データセット（2,976サンプル）を用いて学習され、魏家ディ炭鉱からのフィールドデータによって検証された。
   • 入力変数： 5つの主要な指標ガスとして、一酸化炭素（CO）、酸素（O₂）、二酸化炭素（CO₂）、メタン（CH₄）、およびエタン（C₂H₆）を特定した。
   • 特徴量の構築： 時間的動態と相互作用を捉えるため、255次元の特徴量行列を構築した。これには以下が含まれる：
     • ラグ特徴量： タイムステップ 1, 2, 3, 6, 12, 24。
     • スライディング統計特徴量： ウィンドウ幅 6, 12, 24, 48 タイムステップ内における平均、標準偏差、最小値、最大値。
     • 相互作用特徴量： ガス濃度の比率および積（例：O₂/CO）。
   • 前処理： 欠損値の補完、ノイズ除去、および標準化を行った。

2. モデルアーキテクチャ (MEF-RG)：

   • ベース学習器： モデルは、ランダムフォレスト（RF）と勾配ブースティング決定木（GBDT）という2つのベースアルゴリズムを利用する。RFは安定性と過学習への耐性のために選ばれ、GBDTは強力な逐次学習能力を提供する。
   • メタ学習戦略： 「メタ特徴量強化」戦略を採用している。RFおよびGBDTのベースモデルによる予測と、それらの二次項および相互作用項を、元の入力特徴量と組み合わせて拡張されたメタ特徴量ベクトルを形成する。
   • 融合： 線形モデル（RidgeやLassoなどのオプションを持つ正規化最小二乗法を使用）がメタ学習器として機能し、ベースモデルの出力を適応的に重み付け・融合する。これは、RFの固有の限界（静的な特徴量分割など）やGBDTの限界を補完することを目的としている。

3. 検証：

   • モデルは、5つのベースモデル（RF, GBDT, SVR, 線形回帰, LSTM）および2つの融合モデル（BO-SVR, BPNN）と比較された。
   • パフォーマンスは、平均絶対誤差（MAE）、平方根平均二乗誤差（RMSE）、および決定係数（R²）を用いて評価された。

主な貢献

• 新規な融合アーキテクチャ： 本論文は、スタンドアロンのアンサンブルモデルにおける特徴量捕捉の限界と汎化の安定性の問題を解決するために、メタ学習器を通じてGBDTとRFを体系的に統合するMEF-RGモデルを導入している。
• 高度な特徴量エンジニアリング： 本研究は、ガス濃度を独立した静的な変数として扱うのではなく、ラグ特性、スライディング統計、およびガス間の相互作用を明示的にモデリングする高次元特徴空間（255次元）を構築している。
• メカニズムの解釈性： SHAP（SHapley Additive exPlanations）分析を用いることで、モデルの予測が物理法則（異なる酸化段階におけるO₂/CO比と予測温度の逆相関関係など）と一致していることを実証している。

結果
MEF-RGモデルは、公開データセットおよび魏家ディ炭鉱からの独立したフィールドテストデータの両方において、すべてのベンチマークモデルよりも優れた予測性能を示した。

• パフォーマンス指標（フィールドテストセット）： MEF-RGモデルは、MAE 0.8766 °C、RMSE 1.2069、R² 0.8605 を達成した。
• 比較改善： 最良の単一モデル（RF）と比較して、MEF-RGモデルはMAEを約 49.2% 削減し、RMSEを 41.9% 削減し、R²を 45.6% 向上させた。
• 汎化性能： モデルは公開データセットにおいて高い精度（R² = 0.961）を維持しており、異なるデータソース間での堅牢性と汎化能力を裏付けている。

意義と限界
本論文は、MEF-RGモデルが、石炭の自然発火ハザードのより早期かつ正確な早期警戒のための信頼できる技術的ツールを提供すると主張している。複数のガス指標間の非線形な結合関係を正確に捉えることで、本モデルは鉱山の安全生産において重要な工学的応用価値を提供する。

しかし、著者らは以下の特定の限界についても謙虚に認めている：

• データ依存性： モデルは、これら5つの特定の指標ガスのモニタリングデータの品質に強く依存する。
• 計算コスト： 255次元の特徴量行列とGBDT-RF融合アーキテクチャにより、学習時間は単一のRFモデルの約3倍となる。
• リアルタイムの制約： 現在の計算要件は、採掘跡エリアにおけるリアルタイムのオンライン早期警戒システムに求められるミリ秒レベルの応答速度には達していない。

著者らは、今後の課題として、マルチ物理場パラメータの導入、特徴量の次元削減に関する研究、およびこれらの計算上の制約に対処するための軽量なモデル展開の探索に焦点を当てる予定であると結論付けている。