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

Technische Samenvatting: Gekoppeld Multi-Gas Indicator Model voor het Voorspellen van de Temperatuur van Kolen Zelfontbranding in het Mijngalerij (Goaf)

Probleemstelling
Kolenbranden in mijnen, voornamelijk veroorzaakt door spontane ontbranding in de mijngalerij (goaf-gebieden), vormen een ernstige bedreiging voor de veiligheid ondergronds. Hoewel analyse van de gassamenstelling een veelgebruikte monitoringsmethode is vanwege de gevoeligheid, is de relatie tussen de concentraties van indicatorgassen en de temperatuur van de kolen complex en niet-lineair. Bestaande voorspellingsmethoden, waaronder traditionele statistische benaderingen en enkelvoudige machine learning-modellen (bijv. Support Vector Regressie, standaard neurale netwerken), kampen vaak met een hoge gevoeligheid voor hyperparameters, een neiging om in lokale optima te vervallen, en een onvermogen om de niet-lineaire koppelingsrelaties en temporele afhankelijkheden tussen meerdere gasindicatoren adequaat te modelleren. Bijgevolg is er een dringende behoefte aan een model dat de kolentemperatuur nauwkeurig kan voorspellen door effectief multi-gasdata te fuseren en temporele dynamiek te modelleren.

Methodologie
De studie stelt een nieuw optimalisatiemodel voor genaamd MEF-RG (Multi-Feature Fusion - Random Forest and Gradient Boosting Decision Tree) om de spontane ontbrandingstemperatuur van kolen te voorspellen. De methodologie bestaat uit drie primaire fasen:

1. Data-acquisitie en Feature Engineering:

   • Brongegevens: Het model werd getraind op een grootschalige experimentele dataset van spontane kolenontbranding (2.976 monsters) en gevalideerd tegen veldgegevens van de Weijiadi-kolenmijn.
   • Inputvariabelen: Vijf belangrijke indicatorgassen werden geïdentificeerd: koolmonoxide (CO), zuurstof (O₂), koolstofdioxide (CO₂), methaan (CH₄) en ethaan (C₂H₆).
   • Constructie van kenmerken (Features): Om de temporele dynamiek en interacties te vangen, construeerden de auteurs een 255-dimensionale featurematrix. Deze omvatte:
     • Lag-features: Tijdstappen van 1, 2, 3, 6, 12 en 24.
     • Glijdende statistische kenmerken: Gemiddelde, standaarddeviatie, minimum en maximum binnen vensters van 6, 12, 24 en 48 tijdstappen.
     • Interactiekenmerken: Ratio's en producten van gaskoncentraties (bijv. O₂/CO).
   • Preprocessing: De gegevens ondergingen imputatie van ontbrekende waarden, denosing (ruisonderdrukking) en standaardisatie.

2. Modelarchitectuur (MEF-RG):

   • Base Learners: Het model maakt gebruik van twee basisalgoritmen: Random Forest (RF) en Gradient Boosting Decision Tree (GBDT). RF is gekozen vanwege de stabiliteit en weerstand tegen overfitting, terwijl GBDT sterke sequentiële leervermogens biedt.
   • Meta-Learner Strategie: Een "meta-feature enhancement" strategie wordt toegepast. De voorspellingen van de RF- en GBDT-basismodellen, samen met hun kwadratische termen en interactietermen, worden gecombineerd met de oorspronkelijke inputkenmerken om een uitgebreide meta-feature vector te vormen.
   • Fusie: Een lineair model (gebruikmakend van geregulariseerde kleinste kwadraten met opties zoals Ridge of Lasso) fungeert als de meta-learner om de outputs van de basismodellen adaptief te wegen en te fuseren, met als doel de inherente beperkingen van RF (zoals statische feature-segmentatie) en GBDT te compenseren.

3. Validatie:

   • Het model werd vergeleken met vijf basismodellen (RF, GBDT, SVR, Lineaire Regressie, LSTM) en twee fusiemodellen (BO-SVR, BPNN).
   • Prestaties werden geëvalueerd met behulp van de Mean Absolute Error (MAE), Root Mean Square Error (RMSE) en de coëfficiënt van determinatie (R²).

Belangrijkste Bijdragen

• Nieuw Fusie-architectuur: Het artikel introduceert het MEF-RG-model, dat GBDT en RF systematisch integreert via een meta-learner om de beperkingen in het vastleggen van kenmerken en de generalisatie-stabiliteitsproblemen van zelfstandige ensemblemodellen aan te pakken.
• Geavanceerde Feature Engineering: De studie construeert een hoog-dimensionale ruimtekant (255 dimensies) die expliciet vertraagde kenmerken, glijdende statistieken en gas-gas interacties modelleert, waarmee verder wordt gegaan dan het behandelen van gaskoncentraties als onafhankelijke statische variabelen.
• Mechanistische Interpreteerbaarheid: Met behulp van SHAP (SHapley Additive exPlanations) analyse toont de studie aan dat de voorspellingen van het model overeenkomen met fysische wetten, zoals de inverse relatie tussen de O₂/CO-ratio en de voorspelde temperatuur tijdens verschillende oxidatiefases.

Resultaten
Het MEF-RG-model vertoonde een superieure voorspellende prestatie vergeleken met alle benchmarkmodellen op zowel publieke datasets als onafhankelijke veldtestgegevens van de Weijiadi-kolenmijn.

• Prestatiecijfers (Veldtestset): Het MEF-RG-model behaalde een MAE van 0,8766 °C, een RMSE van 1,2069 en een R² van 0,8605.
• Vergelijkbare Verbetering: Vergeleken met het best presterende enkelvoudige model (RF), verminderde het MEF-RG-model de MAE met ongeveer 49,2%, verminderde het de RMSE met 41,9% en verbeterde het de R² met 45,6%.
• Generalisatie: Het model behield een hoge nauwkeurigheid op de publieke dataset (R² = 0,961), wat de robuustheid en het generalisatievermogen over verschillende databronnen bevestigt.

Betekenis en Beperkingen
Het artikel beweert dat het MEF-RG-model een betrouwbaar technisch hulpmiddel biedt voor de vroegere en nauwkeurigere waarschuwing voor gevaren van spontane kolenontbranding. Door de niet-lineaire koppelingsrelaties tussen meerdere gasindicatoren nauwkeurig te vangen, biedt het model aanzienlijke technische toepassingswaarde voor de veiligheidsproductie in mijnen.

De auteurs erkennen echter bescheiden specifieke beperkingen:

• Data-afhankelijkheid: Het model is sterk afhankelijk van de kwaliteit van de monitoringsgegevens van de vijf specifieke indicatorgassen.
• Computationele Kosten: Vanwege de 255-dimensionale featurematrix en de GBDT-RF fusiearchitectuur is de trainingstijd ongeveer drie keer zo lang als die van een enkelvoudig RF-model.
• Real-time Beperkingen: De huidige computationele vereisten voldoen niet aan de milliseconde-respons-tijd die nodig is voor real-time online vroege waarschuwingssystemen in mijngalerijgebieden.

De auteurs concluderen dat toekomstig werk zich zal richten op het introduceren van multi-fysische veldparameters, het uitvoeren van onderzoek naar feature-dimensiereductie en het verkennen van lichtgewicht modelimplementatie om deze computationele beperkingen aan te pakken.