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

수 톤의 암석 아래 숨겨진 탄층이 있는 깊은 지하에서는 느리고 보이지 않는 위험이 시작될 수 있습니다. 석탄은 그저 가만히 놓여 있는 것이 아니라 숨을 쉽니다. 시간이 흐름에 따라 석탄은 공기 중의 산소와 반응하는데, 이 과정을 산화라고 하며 이 과정에서 열이 발생합니다. 보통 이 열은 주변 암석과 기류로 발산됩니다. 하지만 때때로 열이 빠져나가는 속도보다 더 빠르게 쌓이게 되면, 불꽃 없이도 스스로 타오를 만큼 뜨거워집니다. 자연 발화라고 알려진 이 현상은 광산에서 가장 오래되고 지속적인 위험 요소 중 하나입니다. 이는 생산적인 광산을 폐쇄된 재난 구역으로 만들 수 있으며, 수십 년 동안 남아 있는 독성 가스와 온실가스를 배출합니다. 불은 천천히 시작되고 연기나 눈에 보이는 불꽃도 없기 때문에, 광부들은 오로지 공기 자체가 무언가 잘못되었다고 말해주기를 전적으로 의존해야 합니다. 한 세기 넘게 이 공기의 소리를 듣는 표준적인 방법은 특정 가스들을 측정하고 간단한 수학적 비율을 사용하여 비교하는 것이었습니다. 이 중 가장 유명한 계산법은 그레이엄 지수(Graham's index)로, 공기 중의 일산화탄소 양을 소비된 산소량과 비교합니다. 만약 이 비율이 너무 높아지면 화재를 알리는 신호로 간다는 것입니다.

하지만 찬나칼레 외네시즈 마르트 대학교의 울라스 치나르(Ulas Cinar)가 수행한 새로운 연구는 이 오랜 방식이 자동 경보 시스템으로 사용될 때 근본적으로 결함이 있을 수 있음을 시사합니다. 이 연구는 단순히 이러한 방법들이 이미 불이 나고 있는 상황에서 화재를 포착할 수 있는지 여부만을 보는 것이 아니라, 더 어려운 질문을 던집니다. 즉, "정말로 아무것도 없는 조용한 공기 상태일 때 얼마나 자주 '불이야'라고 비명을 지르는가?"라는 질문입니다. 안전 모니터링의 세계에서 끊임없이 울려대는 경보는 경보가 아예 없는 것보다 더 나쁩니다. 왜냐하면 노동자들이 결국 그 경보를 무시하도록 학습되기 때문입니다. 치나르는 이러한 경보 시스템이 실제 위협과 허위 경보를 구분할 수 있는지 증명하도록 강제하는 새로운 테스트 방법을 개발했습니다. 수천 번의 광산 공기 컴퓨터 시뮬레이션을 실행하고, 이 방법들을 세 곳의 서로 다른 탄광에서 얻은 실제 기록과 대조하여 테스트한 결과, 전통적인 그레이엄 지수는 이러한 엄격한 조건 하에서 완전히 실패한다는 것을 발견했습니다. 실제로 이 연구는 지수가 오히려 정반대로 작동한다는 사실을 밝혀냈습니다. 즉, 화재가 없을 때 가장 크게 울리고, 실제 화재가 진행 중일 때는 침묵한다는 것입니다.

문제의 핵심은 지수 뒤에 숨겨진 수학에 있습니다. 그레이엄 지수는 일산화탄소의 양을 '산소 결핍량', 즉 신선한 공기 속의 정상적인 산소량과 현재 광산 내의 산소량 차이로 나눕니다. 신선한 공기가 자유롭게 흐르는 환기가 잘 되는 터널에서는 산소 결핍량이 매우 작으며 종종 0에 가깝습니다. 당신이 어떤 숫자를 거의 0에 가까운 숫자로 나누게 되면, 측정상의 아주 작은 오차만으로도 결과값이 거대하고 의미 없는 값으로 폭발하게 됩니다. 이는 마치 거대한 바다의 미세한 변화를 단 한 방울의 물방울로 측정하려는 것과 같으며, 수학적으로 불안정해집니다. 시뮬레이션에서 이러한 불안정성은 지수가 화재가 없는 완벽하게 정상적인 기간 중에도 빈번하게 경보 수준으로 급등하게 만들었습니다. 연구진이 이 테스트를 실제 광산 데이터에 적용했을 때, 실패는 더욱 극적이었습니다. 환기가 잘 되는 구역에서의 13가지 화재 없는 에피소드 중 7번의 경우, 지수는 표준 경보 임계값인 1.0을 훨씬 상회하는 44까지 치솟았습니다. 반면, 폐쇄된 벽 뒤에서 발생한 두 건의 확인된 화재에서는 지수가 0.50 위로 올라가지 않았습니다. 시스템은 잘못된 시간에 비명을 지르고 있었고, 정작 필요할 때는 조용했습니다.

이를 해결하기 위해, 이 연구는 모든 경고 방법(단순한 수학 공식이든 복잡한 컴퓨터 프로그램이든)을 고정된 스위치가 아닌 연속적인 점수로 취급하는 새로운 프로토콜을 도입했습니다. 연구진은 다음과 같이 물었습니다. "만약 이 시스템의 민감도를 설정하여 10%의 확률로만 오경보를 울리게 한다면, 실제 화재를 몇 번이나 잡아낼 수 있는가?" 이 접근 방식은 모든 방법이 동일한 엄격한 규칙 아래에서 자신의 가치를 증명하도록 하여 공정한 경쟁의 장을 만듭니다. 시뮬레이션 데이터에 이 테스트를 실행했을 때, 그레이엄 지수는 낮은 오경보율을 유지하는 어떤 설정에서도 단 하나의 화재도 감지하지 못했습니다. 그것은 단순히 신뢰할 수 있는 탐지기가 아니었습니다. 또한 연구진은 방대한 양의 데이터로부터 패턴을 학습하도록 설계된 딥러닝 네트워크라고 알려진 고급 컴퓨터 모델들을 테스트했습니다. 이 모델들은 시뮬레이션된 공기 데이터로 훈련되었으며, 추가적인 조정 없이 실제 광산 기록에 대해 테스트되었습니다. 결과는 이러한 복잡한 모델들이 일부 화재를 찾아낼 수는 있었지만, 훨씬 더 단순한 접근 방식인 일산화탄소 수치만을 관찰하는 것보다 유의미하게 더 나은 성능을 보이지는 못했다는 것을 보여주었습니다.

실제 환경 테스트에서, 일산화탄소 센서의 단순한 임계값 설정은 확인된 세 건의 화재를 모두 감지했으며, 온도 센서에 의해 화재가 공식 확인되기 평균 345시간 전에 경고를 제공했습니다. 복잡한 컴퓨터 모델들은 세 건 중 두 건의 화재를 감지했으며, 비슷한 리드 타임을 보였습니다. 연구는 이 특정 맥락에서 딥러닝 모델의 복잡성이 더 나은 안전 성능으로 이어지지는 않았다고 결론짓습니다. 화재가 진행되는 신호는 일산화탄소 수치에서 매우 강력하기 때문에, 시스템을 적절히 조정하기만 한다면 단순한 체크만으로도 충분하다는 것입니다. 전통적인 지수의 실패는 화학적 이해의 부족 때문이 아니라, 환기가 잘 되는 구역에서 단독 경보로서 쓸모없게 만드는 수치적 약점 때문이었습니다. 연구진은 업계가 자동 경고를 위해 이러한 불안정한 비율에 의존하는 것에서 벗어날 것을 권고합니다. 대신, 일산화탄소의 원시 농도를 사용하되, 계산이 의미를 갖기에 산소 수치가 너무 높은 경우 데이터를 무시하는 간단한 규칙을 함께 사용할 것을 제안합니다.

또한 이 연구는 안전 연구가 흔히 보고되는 방식의 한계를 강조합니다. 많은 기존 논문들이 모델이 가스 수치를 얼마나 잘 예측하는지를 측정하거나, 화재가 발생했던 날에만 테스트함으로써 모델의 정확도가 높다고 주장합니다. 이러한 접근 방식은 시스템이 화재가 없는 날에도 매일 경보를 울리고 있을 수 있다는 사실을 숨깁니다. 오경보율을 감지율과 함께 측정함으로써, 이 논문은 어떤 방법이 서류상으로는 완벽해 보일지라도 실제로는 무용지물일 수 있음을 보여줍니다. 이 연구 결과는 컴퓨터 시뮬레이션과 소수의 실제 광산 기록의 조합을 바탕으로 하므로, 결과는 테스트된 조건에 국한됩니다. 이 연구는 딥러닝이 광산 안전에 무용하다는 것이 아니라, 이 특정 작업에서 잘 조정된 단순한 센서 체크가 수학적 오류에 취약한 복잡한 비율보다 더 뛰어난 성능을 보인다는 것을 말하고자 합니다. 궁극적인 목표는 광산에서 경보가 울릴 때, 그것이 즉각적인 주의를 요하는 신호가 되도록 하는 것이지, 수년간 무시되어 온 소음이 되지 않도록 하는 것입니다.