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

Resumo Técnico: Modelo de Indicadores de Gás Acoplados para a Predição da Temperatura de Combustão Espontânea do Carvão em Áreas de Goaf

Definição do Problema
Incêndios em minas de carvão, predominantemente causados pela combustão espontânea em áreas de goaf (áreas mineradas), representam uma grave ameaça à segurança subterrânea. Embora a análise da composição gasosa seja uma técnica de monitoramento amplamente utilizada devido à sua sensibilidade, a relação entre as concentrações dos gases indicadores e a temperatura do carvão é complexa e não linear. Os métodos de predição existentes, incluindo abordagens estatísticas tradicionais e modelos de aprendizado de máquina únicos (por exemplo, Regressão de Vetores de Suporte, Redes Neurais padrão), frequentemente sofrem com alta sensibilidade aos hiperparâmetros, uma tendência a cair em ótimos locais e uma incapacidade de capturar adequadamente as relações de acoplamento não linear e as dependências temporais entre múltiplos indicadores gasosos. Consequentemente, há uma necessidade urgente de um modelo que possa prever com precisão a temperatura do carvão, fundindo efetivamente dados de múltiplos gases e modelando a dinâmica temporal.

Metodologia
O estudo propõe um novo modelo de otimização denominado MEF-RG (Multi-Feature Fusion - Random Forest and Gradient Boosting Decision Tree) para prever as temperaturas de combustão espontânea do carvão. A metodologia envolve três estágios primários:

1. Aquisição de Dados e Engenharia de Atributos (Feature Engineering):

   • Dados de Origem: O modelo foi treinado em um conjunto de dados experimental de grande escala sobre combustão espontânea de carvão (2.976 amostras) e validado contra dados de campo da Mina de Carvão Weijiadi.
   • Variáveis de Entrada: Foram identificados cinco gases indicadores fundamentais: Monóxido de Carbono (CO), Oxigênio (O₂), Dióxido de Carbono (CO₂), Metano (CH₄) e Etano (C₂H₆).
   • Construção de Atributos: Para capturar a dinâmica temporal e as interações, os autores construíram uma matriz de atributos de 255 dimensões. Isso incluiu:
     • Atributos de defasagem (lag features): Passos temporais de 1, 2, 3, 6, 12 e 24.
     • Atributos estatísticos deslizantes: Média, desvio padrão, mínimo e máximo dentro de janelas de 6, 12, 24 e 48 passos temporais.
     • Atributos de interação: Razões e produtos das concentrações de gases (ex: O₂/CO).
   • Pré-processamento: Os dados passaram por imputação de valores ausentes, redução de ruído e padronização.

2. Arquitetura do Modelo (MEF-RG):

   • Aprendizes Base (Base Learners): O modelo utiliza dois algoritmos base: Random Forest (RF) e Gradient Boosting Decision Tree (GBDT). A RF é escolhida por sua estabilidade e resistência ao sobreajuste (overfitting), enquanto o GBDT fornece fortes capacidades de aprendizado sequencial.
   • Estratégia de Meta-Aprendiz (Meta-Learner): É empregada uma estratégia de "aumento de meta-atributos". As predições dos modelos base RF e GBDT, juntamente com seus termos quadráticos e termos de interação, são combinadas com os atributos de entrada originais para formar um vetor de meta-atributos aumentado.
   • Fusão: Um modelo linear (utilizando mínimos quadrados regularizados com opções como Ridge ou Lasso) atua como o meta-aprendiz para ponderar e fundir adaptativamente as saídas dos modelos base, visando compensar as limitações inerentes da RF (como o fatiamento estático de atributos) e do GBDT.

3. Validação:

   • O modelo foi comparado contra cinco modelos base (RF, GBDT, SVR, Regressão Linear, LSTM) e dois modelos de fusão (BO-SVR, BPNN).
   • O desempenho foi avaliado utilizando Erro Médio Absoluto (MAE), Raiz do Erro Quadrático Médio (RMSE) e o coeficiente de determinação (R²).

Principais Contribuições

• Arquitetura de Fusão Inovadora: O artigo introduz o modelo MEF-RG, que integra sistematicamente o GBDT e a RF através de um meta-aprendiz para abordar as limitações de captura de atributos e os problemas de estabilidade de generalização de modelos de conjunto (ensemble) autônomos.
• Engenharia de Atributos Avançada: O estudo constrói um espaço de atributos de alta dimensão (255 dimensões) que modela explicitamente características de defasagem, estatísticas deslizantes e interações entre gases, indo além do tratamento das concentrações gasosas como variáveis estáticas independentes.
• Interpretabilidade Mecanística: Utilizando a análise SHAP (SHapley Additive exPlanations), o estudo demonstra que as predições do modelo alinham-se com as leis físicas, como a relação inversa entre a razão O₂/CO e a temperatura prevista durante diferentes estágios de oxidação.

Resultos
O modelo MEF-RG demonstrou um desempenho preditivo superior em comparação com todos os modelos de referência, tanto em conjuntos de dados públicos quanto em dados de teste de campo independentes da Mina de Carvão Weijiadi.

• Métricas de Desempenho (Conjunto de Teste de Campo): O modelo MEF-RG alcançou um MAE de 0,8766 °C, um RMSE de 1,2069 e um R² de 0,8605.
• Melhoria Comparativa: Em comparação com o melhor modelo único (RF), o modelo MEF-RG reduziu o MAE em aproximadamente 49,2%, reduziu o RMSE em 41,9% e melhorou o R² em 45,6%.
• Generalização: O modelo manteve alta precisão no conjunto de dados público (R² = 0,961), confirmando sua robustez e capacidade de generalização entre diferentes fontes de dados.

Significância e Limitações
O artigo afirma que o modelo MEF-RG fornece uma ferramenta técnica confiável para o alerta precoce e mais preciso de riscos de combustão espontânea do carvão. Ao capturar com precisão as relações de acoplamento não linear entre múltiplos indicadores gasosos, o modelo oferece um valor significativo de aplicação de engenharia para a segurança na produção mineira.

No entanto, os autores reconhecem modestamente limitações específicas:

• Dependência de Dados: O modelo é altamente dependente da qualidade dos dados de monitoramento dos cinco gases indicadores específicos.
• Custo Computacional: Devido à matriz de atributos de 255 dimensões e à arquitetura de fusão GBDT-RF, o tempo de treinamento é aproximadamente três vezes maior que o de um modelo RF único.
• Restrições de Tempo Real: Os requisitos computacionais atuais ficam aquém do tempo de resposta de milissegundos necessário para sistemas de alerta precoce online em tempo real em áreas de goaf.

Os autores concluem que o trabalho futuro se concentrará na introdução de parâmetros de campos físicos múltiplos, na realização de pesquisas sobre redução de dimensionalidade de atributos e na exploração de implantação de modelos leves para abordar essas restrições computacionais.