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

何トンもの岩石の下に隠された石炭層が横たわる、地下深くでは、緩やかで目に見えない危険が始まりつつある。石炭はただそこに静止しているのではない。石炭は「呼吸」をするのだ。時間の経過とともに、石炭は空気中の酸素と反応する。これは酸化と呼ばれるプロセスであり、熱を発生させる。通常、この熱は周囲の岩石や気流へと拡散していく。しかし、時として熱が逃げる速度よりも速く蓄積されることがあり、火花がなくても石炭が自ら発火してしまうことがある。自然発火として知られるこの現象は、採掘における最も古く、かつ根強い危険の一つである。それは、生産的な鉱山を封鎖された災害地帯へと変貌させ、数十年にわたって残留する毒性ガスや温室効果ガスを放出する可能性がある。火災はゆっくりと、煙や目に見える炎もなく始まるため、炭鉱労働者は、何かがおかしいということを察知するために、空気そのものに完全に頼ることになる。1世紀以上にわたり、この空気の声を聴くための標準的な方法は、特定のガスを測定し、それらを単純な数学的比率を用いて比較することであった。これらの中で最も有名な計算が「グラハム指数」と呼ばれるもので、空気中の一酸化炭素の量と、消費された酸素の量を比較するものである。もしこの比率が高くなりすぎれば、火災の兆候であるとされる。

しかし、チャナッカレ・オンセキズ・マルト大学のウラス・シナルの新しい研究は、この長年親しまれてきた手法が、自動警報システムとして使用される場合には根本的に欠陥がある可能性を示唆している。この研究は、単にこれらの手法が火災が発生している最中に火災を検知できるかどうかを見ているのではない。より困難な問いを投げかけている。すなわち、「静かな空気しかない時に、どれだけの頻度で『火災』と叫んでしまうのか？」という問いである。安全監視の世界において、絶えず鳴り響くアラームは、アラームがないことよりも悪い。なぜなら、作業員はやがてそれを無視することを学習してしまうからである。シナルは、これらの警告システムが、真の脅威と偽の脅衛を区別できることを証明させる、新しいテスト方法を開発した。数千回の鉱山の空気のコンピュータシミュレーションを実行し、その後、3つの異なる炭鉱からの実際の記録に対してこれらの手法をテストすることで、本研究は、伝統的なグラハム指数がこれらの厳格な条件下では完全に失敗することを明らかにした。実際、この研究によれば、指数はしばしば本来あるべきとは正反対の挙動を示す。つまり、火災がない時に最も大きく鳴り響き、実際に火災が燃えている時には沈黙するのである。

問題の核心は、指数の背後にある数学にある。グラハム指数は、一酸化炭素の量を「酸素欠乏量」（新鮮な空気中の通常の酸素量と、現在鉱山内にある酸素量の差）で除算する。新鮮な空気が自由に流れる換気されたトンネルでは、酸素欠乏量は極めて小さく、しばるゼロに近い。ゼロに近い数で数値を割ると、測定におけるわずかな誤差であっても、結果が巨大で無意味な値へと爆発してしまう。それは、広大な海の一滴の変化を、たった一滴の観察によって測ろうとするようなものであり、数学的に不安定になる。シミュレーションにおいて、この不安定さは、火災のない正常な期間中に指数が頻繁にアラマレベルまで跳ね上がることを意味した。研究者がこのテストを実際の鉱山のデータに適用したとき、その失敗はさらに劇的であった。換気エリアにおける13件の火災のないエピソードのうち7件において、指数は標準的なアラーム閾値である1.0をはるかに超え、44もの値まで急上昇した。一方で、密閉された壁の背後で発生していた2件の確認された火災においては、指数は一度も0.50を超えなかった。システムは間違った時に叫び、正しい時には沈黙していたのである。

これを解決するために、本研究は、単純な数式であれ複雑なコンピュータプログラムであれ、すべての警告手法を固定されたスイッチではなく、連続的なスコアとして扱う新しいプロトコルを導入した。研究者たちはこう問いかけた。「もし、このシステムの感度を、誤報を10パーセントの頻度でしか出さないように設定した場合、実際の火災をいくつ検知できるだろうか？」このアプローチは、すべての手法を同じ厳格なルール下で、その価値を証明させることで、公平な競争を実現するものである。シミュレーションデータに対してこのテストを実行したところ、グラハム指数は、誤報を低く抑える設定においては、火災を一つも検知できなかった。それは単に信頼できる検出器ではなかったのである。また、研究では、膨大な量のデータからパターンを学習するように設計された「ディープラーニング（深層学習）」ネットワークとして知られる高度なコンピュータモデルもテストされた。これらのモデルは、シミュレートされた空気データで学習され、その後、追加の調整なしに実際の鉱山の記録に対してテストされた。結果は、これらの複雑なモデルはある程度の火災を見つけることはできたものの、はるかに単純なアプローチ、すなわち一酸化炭素のレベルのみを監視することよりも、有意に優れた性能を示すことはなかった。

実世界のテストでは、一酸化炭素センサーによる単純な閾値設定が、確認された3件の火災すべてを検知し、温度センサーによって火災が正式に確認される平均345時間前に警告を発していた。複雑なコンピュータモデルは3件のうち2件の火材を検知し、同様のリードタイムを示した。研究は、ディープラーニングモデルの複雑さを増したことが、この特定の文脈において安全性能の向上には繋がらなかったと結論づけている。発生中の火災の信号は一酸化炭素レベルにおいて非常に強力であるため、適切な調整さえされていれば、単純なチェックで十分であることが多い。伝統的な指数の失敗は、化学的な理解の欠如によるものではなく、換気エリアにおいて計算を意味のあるものにするには酸素レベルが高すぎる場合に、計算を無視するための単純なルールを用いるなど、数値的な弱さに起因するものである。研究者たちは、自動警告のためにこれらの不安定な比率に依存することから脱却すべきだと提言している。代わりに、一酸化炭素の生の濃度を使用し、おそらく計算を意味のあるものにするために酸素レベルが高すぎる場合にはデータを無視するという単純なルールを併用することを推奨している。

また、本研究は、安全研究がどのように報告されがちかという限界についても指摘している。多くの先行論文は、ガスレベルを予測する精度を測定したり、火災が発生した日のみに限定してテストしたりすることで、モデルの高い精度を主張している。このアプローチは、火災が存在しない日にもシステムが毎日アラームを鳴らし続けている可能性があるという事実を隠してしまう。誤報率を検知率と並行して測定することを強く求めることで、本論文は、手法が紙の上では完璧に見えても、実用においては役に立たない可能性があることを示している。研究結果は、コンピュータシミュレーションと少数の実際の鉱山記録の組み合わせに基づいているため、結果はテストされた条件に特有のものである。本研究は、ディープラーニングが採鉱の安全性において無用であると主張しているのではなく、この特定のタスクにおいては、複雑な比率よりも、適切に調整された単純なセンサーチェックの方が優れた性能を発揮するということを述べている。究極の目標は、採鉱現場でアラームが鳴ったとき、それが即座に注意を喚起すべき信号であることを保証することであり、長年無視されてきたノイズではないようにすることである。