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

Lá no fundo da terra, onde veios de carvão jazem escondidos sob toneladas de rocha, um perigo lento e invisível pode começar. O carvão não fica apenas parado; ele respira. Com o tempo, ele reage com o oxigênio no ar, um processo chamado oxidação que gera calor. Normalmente, esse calor se dissipa na rocha circundante e no fluxo de ar. Mas, às vezes, o calor se acumula mais rápido do que consegue escapar, fazendo com que o carvão se aqueça até entrar em ignição sem uma faísca. Esse fenômeno, conhecido como combustão espontânea, é um dos perigos mais antigos e persistentes na mineração. Pode transformar uma mina produtiva em uma zona de desastre selada, liberando gases tóxicos e emissões de gases de efeito estufa que permanecem por décadas. Como o fogo começa lentamente e sem fumaça ou chama visível, os mineradores dependem inteiramente do próprio ar para dizer se algo está errado. Por mais de um século, a forma padrão de ouvir esse ar tem sido medir gases específicos e compará-los usando razões matemáticas simples. O cálculo mais famoso é o índice de Graham, que compara a quantidade de monóxido de carbono no ar com a quantidade de oxigênio que foi consumida. Se a razão ficar muito alta, supõe-se que isso sinalize um incêndio.

No entanto, um novo estudo de Ulas Cinar, da Universidade Canakkale Onsekiz Mart, sugere que este método de longa data pode ser fundamentalmente falho quando usado como um sistema de alarme automático. A pesquisa não analisa apenas se esses métodos conseguem detectar um incêndio quando um já está queimando; ela faz uma pergunta mais difícil: com que frequência eles gritam "fogo" quando não há nada além de ar silencioso? No mundo do monitoramento de segurança, um alarme que toca constantemente é pior do que nenhum alarme, porque os trabalhadores acabam aprendendo a ignorá-lo. Cinar desenvolveu uma nova maneira de testar esses sistemas de aviso que os força a provar que podem distinguir entre uma ameaça real e uma falsa. Ao realizar milhares de simulações computacionais de ar de mina e, em seguida, testar os métodos contra registros reais de três minas de carvão diferentes, o estudo descobriu que o tradicional índice de Graham falha completamente sob essas condições rigorosas. Na verdade, o estudo revela que o índice frequentemente se comporta exatamente da maneira oposta ao que deveria: ele soa o mais alto quando não há fogo e permanece em silêncio quando um incêndio está realmente ocorrendo.

O cerne do problema reside na matemática por trás do índice. O índice de Graham divide a quantidade de monóxido de carbono pela "deficiência de oxigênio", que é simplesmente a diferença entre a quantidade normal de oxigênio no ar fresco e a quantidade atualmente na mina. Em túneis bem ventilados, onde o ar fresco flui livremente, a deficiência de oxigênio é minúscula, muitas vezes próxima de zero. Quando você divide um número por um número que é quase zero, até o menor erro de medição faz com que o resultado exploda em um valor enorme e sem sentido. É como tentar medir uma pequena mudança em um oceano vasto olhando para uma única gota; a matemática torna-se instável. Nas simulações, essa instabilidade significou que o índice frequentemente saltava para níveis de alarme durante períodos normais e sem fogo. Quando os pesquisadores aplicaram este teste a dados reais de minas, a falha foi ainda mais dramática. Em sete de treze episódios sem fogo em áreas ventiladas, o índice disparou para valores tão altos quanto 44, muito acima do limiar de alarme padrão de 1,0. Enquanto isso, em dois incêndios confirmados que ocorriam atrás de paredes seladas, o índice nunca ultrapassou 0,50. O sistema estava gritando nos momentos errados e permanecendo quieto nos momentos certos.

Para resolver isso, o estudo introduziu um novo protocolo que trata cada método de aviso, seja uma fórmula matemática simples ou um programa de computador complexo, como uma pontuação contínua, em vez de um interruptor fixo. Os pesquisadores então perguntaram: "Se definirmos a sensibilidade deste sistema para que ele gere um alarme falso apenas 10 por cento das vezes, quantos incêndios reais ele detecta?" Essa abordagem nivela o campo de jogo, forçando cada método a provar seu valor sob as mesmas regras estritas. Quando executaram este teste nos dados simulados, o índice de Graham falhou em detectar um único incêndio em qualquer configuração que mantivesse os alarmes falsos baixos. Ele era simplesmente um detector não confiável. O estudo também testou modelos computacionais avançados conhecidos como redes de aprendizado profundo (deep learning), que são projetados para aprender padrões a partir de vastas quantidades de dados. Esses modelos foram treinados com os dados de ar simulados e depois testados nos registros reais da mina sem qualquer ajuste adicional. Os resultados mostraram que, embora esses modelos complexos pudessem encontrar alguns incêndios, eles não tiveram um desempenho significativamente melhor do que uma abordagem muito mais simples: observar o nível de monóxido de carbono isoladamente.

No teste do mundo real, um limite simples no sensor de monóxido de carbono detectou todos os três incêndios confirmados, fornecendo um aviso uma média de 345 horas antes que o incêndio fosse oficialmente confirmado por sensores de temperatura. Os modelos computacionais complexos detectaram dois dos três incêndios, com tempos de antecedência semelhantes. O estudo conclui que a complexidade adicional dos modelos de aprendizado profundo não se traduziu em melhor desempenho de segurança neste contexto específico. O sinal de um incêndio em desenvolvimento é tão forte nos níveis de monóxido de carbono que uma verificação simples é frequentemente suficiente, desde que o sistema seja ajustado para evitar alarmes falsos. A falha do índice tradicional não foi devido a uma falta de compreensão química, mas sim a uma fraqueza numérica que o torna inútil como um alarme independente em áreas ventiladas. Os pesquisadores sugerem que a indústria deve se afastar da dependência dessas razões instáveis para avisos automáticos. Em vez disso, recomendam o uso da concentração bruta de monóxido de carbono, talvez com uma regra simples para ignorar os dados se os níveis de oxigênio forem altos demais para tornar o cálculo significativo.

O estudo também destaca uma limitação na forma como a pesquisa de segurança é frequentemente relatada. Muitos artigos anteriores afirmam alta precisão para seus modelos ao medir o quão bem eles preveem os níveis de gás ou ao testá-los apenas em dias em que um incêndio era conhecido por estar acontecendo. Essa abordagem esconde o fato de que o sistema pode estar tocando o sino de alarme todos os dias quando não existe fogo. Ao insistir em medir a taxa de alarmes falsos junto com a taxa de detecção, este artigo mostra que um método pode parecer perfeito no papel enquanto é inútvel na prática. As descobertas baseiam-se em uma combinação de simulações computacionais e um pequeno conjunto de registros reais de minas, o que significa que os resultados são específicos para as condições testadas. O estudo não afirma que o aprendizado profundo é inútil para a segurança de minas, mas sim que, nesta tarefa específica, uma verificação de sensor simples e bem ajustada supera um índice complexo que é propenso a erros matemáticos. O objetivo final é garantir que, quando um alarme soa em uma mina, seja um sinal que exige atenção imediata, não um ruído que tem sido ignorado por anos.