⚡ electrical engineering

Research on Resistance Prediction Model for Coal Mining Face Supports Based on Machine Learning

Este artigo propõe um modelo de rede neural BP otimizado por um algoritmo híbrido de enxame de partículas imuno (IA-PSO-BP) para superar as limitações dos métodos de previsão tradicionais, alcançando uma previsão de suporte e resistência de alta precisão para veios de carvão de soterramento raso no norte de Shaanxi com um coeficiente de correlação de 0,966.

Autores originais: Yang Lei, Miao Yanping, Li Guowei, Zhang Kun, Xu Baojun, Hou Pengfei, Zhang Pengfei

Publicado 2026-08-19

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Yang Lei, Miao Yanping, Li Guowei, Zhang Kun, Xu Baojun, Hou Pengfei, Zhang Pengfei

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Profundamente abaixo da superfície da terra, onde a rocha é fina e os veios de carvão estão próximos ao topo, as operações de mineração enfrentam um desafio único e perigoso. Ao contrário das minas profundas, onde o peso da terra é distribuído de forma lenta e previsível, os veios de carvão rasos em regiões como o norte da China experimentam mudanças súbitas e violentas de pressão. Este fenômeno, conhecido como pressão de mina, pode fazer com que o teto de um túnel desabe sem aviso prévio, ameaçando a vida dos trabalhadores e a estabilidade de maquinários pesados. Durante décadas, engenheiros tentaram prever essas mudanças usando fórmulas matemáticas baseadas na mecânica das rochas, mas o solo frequentemente se comporta de maneiras complexas e mutáveis demais para que equações simples consigam capturar. Quando a pressão aumenta bruscamente, ela pode esmagar estruturas de suporte, levando a acidentes que historicamente representaram a maioria das fatalidades na mineração de carvão. A necessidade de um sistema que possa antecipar esses surtos perigosos com alta precisão não é apenas um objetivo técnico; é uma questão de segurança e sobrevivência para os milhares de pessoas que trabalham no subsolo todos os dias.

Para enfrentar isso, uma equipe de pesquisadores de uma grande empresa de mineração e de uma universidade em Shaanxi desenvolveu uma nova maneira de prever essas mudanças de pressão usando um tipo de aprendizado de máquina conhecido como aprendizado de máquina (machine learning). Em vez de depender apenas de leis físicas fixas, eles construíram um modelo digital que aprende com o comportamento real da mina. Eles focaram em uma frente de trabalho específica, um longo túnel onde o carvão é extraído, que é equipado com centenas de suportes hidráulicos — colunas massivas, movidas a pistão, que sustentam o teto. Esses suportes são dotados de sensores que medem constantemente a pressão que estão suportando. Os pesquisadores coletaram mais de dois milhões de pontos de dados desses sensores ao longo de um período de cinco meses, criando um registro detalhado de como o solo empurra e puxa a estrutura da mina. No entanto, os dados brutos das profundezas da terra são frequentemente desordenados, contendo lacunas onde os sensores falharam ou picos causados por falhas de equipamentos em vez de mudanças geológicas reais. A equipe primeiro limpou esses dados, removendo os erros óbvios e preenchendindo as partes ausentes ao observar os padrões de suportes próximos e momentos anteriores no tempo, garantindo que o computador tivesse uma imagem completa e precisa para aprender.

O cerne de seu trabalho envolveu ensinar um programa de computador a reconhecer os padrões complexos e não lineares da pressão da mina. Eles começaram com uma rede neural padrão, um sistema computacional modelado após o cérebro humano que é bom em encontrar padrões, mas sabiam que este sistema sozinho muitas vezes fica preso tentando adivinhar a mesma resposta errada repetidamente. Para corrigir isso, eles o combinaram com outros dois sistemas inteligentes. Um sistema, inspirado na forma como os pássaros voam em bandos, ajuda o computador a buscar a melhor solução possível ao compartilhar informações através de um grupo de "partículas" virtuais. O segundo sistema imita o sistema imunológico humano, que é excelente em reconhecer ameaças e memorizá-las para combatê-las mais rapidamente na próxima vez. Ao misturar essas três abordagens, eles criaram um modelo híbrido que poderia explorar uma vasta gama de possibilidades sem ficar preso em becos sem saída locais, permitindo que encontrasse a verdadeira e melhor forma global de prever a pressão.

Os pesquisadores testaram este novo modelo contra métodos antigos e mais simples usando três conjuntos diferentes de dados, variando de amostras pequenas a um conjunto de dados massivo cobrindo quase cinco meses de atividade de mineração. Em todos os testes, o novo modelo híbrido superou os outros. Enquanto os métodos tradicionais tinham dificuldade em prever os picos súbitos e agudos de pressão que ocorrem quando o teto se desloca, o novo modelo rastreou esses picos perigosos com uma precisão notável. No maior conjunto de dados, as previsões do modelo coincidiram tão proximamente com as medições reais que a correlação foi quase perfeita, atingindo uma pontuação de 0,966. Isso significa que o computador podia prever com precisão tanto os períodos calmos e constantes de pressão quanto os surtos periódicos e violentos que sinalizam um potencial desabamento do teto. O modelo funcionou consistentemente em diferentes seções da mina, provando que poderia generalizar seu aprendizado para novas situações, em vez de apenas memorizar o passado.

O estudo conclui que esta nova abordagem oferece uma base técnica confiável para prevenir desastres de teto em veios de carvão rasos. Ao prever com precisão quando e onde a pressão aumentará, os operadores de mina podem tomar medidas proativas, como reforçar suportes ou evacuar áreas antes que um desabamento ocorra. Embora o modelo tenha sido testado em uma única mina e possa eventualmente ser melhorado pela inclusão de mais fatores geológicos, como a profundidade do veio de carvão, os resultados demonstram um salto significativo na tecnologia de segurança. Mostra que, ao combinar o poder de reconhecimento de padrões do aprendizado de máquina com as estratégias adaptativas de sistemas biológicos, os engenheiros podem finalmente domar as forças imprevisíveis da terra, transformando um grande risco de segurança em uma variável gerenciável e previsível.

Resumo Técnico: Pesquisa sobre Modelo de Predição de Resistência para Suportes de Frente de Lavra de Carvão Baseado em Aprendizado de Máquina

Definição do Problema
A extração de carvão em camadas de soterramento raso no norte de Shaanxi, China, apresenta desafios geológicos únicos, caracterizados por manifestações complexas de pressão de mina e uma alta frequência de acidentes no teto. Os métodos de predição tradicionais, que variam de estatísticas empíricas a cálculos teóricos (por exemplo, a "teoria da transmissão de viga de rocha"), têm dificuldade em lidar com a natureza não linear, variante no tempo e de acoplamento multifatorial dos dados de pressão de mina. Embora avanços recentes em inteligência artificial (IA) tenham introduzido modelos de aprendizado de máquina como Floresta Aleatória (Random Forest), LSTM e arquiteturas baseadas em Transformer, os modelos de redes neurais otimizados existentes (especificamente, a Otimização por Enxame de Partículas com Backpropagation, ou PSO-BP) sofrem de limitações críticas. Estas incluem a tendência de ficarem presos em ótimos locais e a degradação da diversidade da população durante os estágios finais de iteração, levando à convergência prematura e à redução da precisão de predição para cenários de engenharia complexos.

Metodologia
Para abordar essas deficiências, os autores construíram um modelo de predição de resistência de suporte baseado em um Algoritmo Imunológico (IA) que otimiza a Otimização por Enxame de Partículas (PSO) e a rede neural de Backpropagation (BP), denominado IA-PSO-BP.

Estrutura Algorítmica: O modelo integra o algoritmo imunológico ao processo PSO para otimizar os pesos iniciais e os limiares da rede neural BP. O erro de predição da rede BP serve como a função de aptidão (fitness function). O algoritmo imunológico introduz três mecanismos específicos para aprimorar o PSO:
1. Seleção por Clonagem: Mapeia partículas do PSO para anticorpos, retendo partículas de alta afinidade enquanto suprime a proliferação excessiva de similares para manter a diversidade da população.
2. Mutação de Alta Frequência: Aplica perturbações via operações de clonagem e mutação para aumentar as capacidades de busca global e evitar ótimos locais.
3. Regulação de Concentração e Memória Imunológica: Registra o histórico de partículas ótimas para guiar a população em direção à direção do ótimo global.
Pré-processamento de Dados: O estudo utilizou dados de monitoramento em tempo real da frente de lavra totalmente mecanizada 43104 (abril–setembro de 2025). Os dados passaram por um rigoroso pré-processamento:
- Remoção de Outliers: O critério 3σ foi aplicado para eliminar valores extremos, valores zero e valores negativos.
- Imputação de Valores Ausentes: O algoritmo K-Vizinhos Mais Próximos (KNN) foi utilizado para preencher pontos de dados ausentes com base em correlações espaço-temporais.
- Normalização: Os dados foram normalizados para o intervalo [0,1], e as características temporais foram codificadas através de funções seno-cosseno periódicas.
Design Experimental: Três conjuntos de dados com diferenças graduais na capacidade de amostra (Dataset 1: 5.400 itens; Dataset 2: 8.856 itens; Dataset 3: 17.499 itens) foram construídos. Os modelos (BP, PSO-BP e IA-PSO-BP) foram treinados e testados nesses conjuntos de dados em três zonas de medição (superior, média e inferior) da frente de lavra.

Principais Contribuições

Desenvolvimento de Algoritmo Híbrido: O artigo propõe uma nova arquitetura IA-PSO-BP que visa especificamente os problemas de convergência prematura e perda de diversidade inerentes aos modelos PSO-BP padrão quando aplicados à predição de pressão de mina.
Pipeline de Processamento de Dados Abrangente: O estudo estabelece um fluxo de trabalho de pré-processamento robusto para dados de pressão de mina, combinando detecção estatística de outliers (3σ) com imputação baseada em aprendizado de máquina (KNN) e codificação de características de séries temporais.
Verificação em Múltiplas Condições: Diferente de estudos que dependem de um único conjunto de dados, esta pesquisa valida o modelo através de três tamanhos de amostra distintos para avaliar sistematicamente a capacidade de generalização e o impacto do volume de dados de treinamento.

Resultados
O modelo IA-PSO-BP demonstrou desempenho superior em comparação com os modelos tradicionais BP e PSO-BP em todas as métricas de avaliação (Erro Médio Absoluto, Erro Quadrático Médio, Erro Percentual Absoluto Médio e Coeficiente de Correlação $R^2$ ).

Precisão: No maior conjunto de dados (Dataset 3), o modelo IA-PSO-BP alcançou um coeficiente de correlação ( $R^2$ ) de 0,966, superando significativamente o modelo PSO-BP ( $R^2$ = 0,904) e o modelo BP tradicional ( $R^2$ = 0,795 para o suporte de melhor desempenho).
Capacidade de Ajuste: O modelo capturou com sucesso tanto os períodos de flutuação estável da pressão de mina quanto os períodos de pico da pressão periódica do teto. Ele reduziu efetivamente os desvios de amplitude e os atrasos na sequência temporal observados nos outros modelos, particularmente durante mudanças súbitas de pressão e eventos de pressão cíclica de sobrecarga.
Generalização: A melhoria de desempenho foi consistente em todas as três zonas de medição (suportes 20, 80 e 180) e em todos os tamanhos de dataset, indicando fortes capacidades de generalização.

Significância
Os autores afirmam que o modelo IA-PSO-BP fornece suporte técnico confiável para a predição inteligente de pressão de mina e prevenção de desastres de teto em camadas de carvão de soterramento raso. Ao alcançar um ajuste de alta precisão para manifestações de pressão complexas, o modelo aborda a necessidade urgente de sistemas de predição precisos em regiões com altas taxas de acidentes de teto. O estudo conclui que o algoritmo híbrido supera efetivamente as limitações dos métodos de otimização de redes neurais existentes, oferecendo uma solução robusta para aplicações de engenharia no contexto geológico específico do norte de Shaanxi.

Limitações
Os autores reconhecem que o estudo foi validado utilizando dados de uma única frente de trabalho (43104), e a universalidade do modelo sob diferentes condições geológicas requer expansão adicional. Além disso, as características de entrada atuais dependem primariamente de dados de resistência de séries temporais, sem integrar totalmente parâmetros geológicos de mineração, como profundidade de soterramento ou altura de mineração. Sugere-se que trabalhos futuros incorporem essas influências de múltiplos fatores e validem o modelo em uma gama mais ampla de frentes de trabalho.

Mais como este