Prueban nuevo método de alerta temprana para la predicción de estallidos de carbón y gas

La industria minera está prestando cada vez más atención a los modelos de alerta temprana para brotes de carbón y gas por motivos de seguridad ocupacional. Uno de los desafíos es que los modelos teóricos no siempre funcionan de manera oportuna, en gran parte debido a la captura tardía de los parámetros en tiempo real.

Los ingenieros han abordado el problema a través del mecanismo evolutivo del estallido del gas, siendo su emisión el factor dominante porque sus datos se pueden obtener en tiempo real y caracterizan claramente todo el proceso del estallido. La investigación fue hecha por el equipo liderado por Chong Wang, de la Universidad Técnica de Liaoning, en la publicación «Método de alerta temprana para la predicción de estallidos de carbón y gas basado en índices del modelo de aprendizaje profundo y estadístico».

«Para caracterizar y distinguir la variación de la emisión de gases durante un estallido y una actividad minera normal, se emplearon un total de cuatro métodos estadísticos para cuantificar la variación de la emisión de gases: la media móvil, la relación de desviación, la relación de dispersión, y la relación de fluctuación», precisaron. El error cuadrático medio (RMSE) y el error porcentual absoluto medio (MAPE) se incluyeron en el modelo para demostrar la precisión del modelo para predecir la variación de la emisión del gas.

En las conclusiones, los investigadores precisaron que los indicadores de alerta temprana se examinaron en el accidente de estallido de carbón y gas «3.25» (evento conocido como «25 de marzo») en la mina de carbón Shigang. Los indicadores estadísticos, de aprendizaje profundo e integrales se utilizaron para el análisis de alerta temprana sobre la cantidad de emisión de gas durante el período de producción normal.

Al usar los indicadores de aprendizaje profundo para analizar la cantidad de emisión de gas, las advertencias naranjas (superiores a 0.5) aparecen muchas veces, lo que indica que los indicadores de aprendizaje profundo son demasiado sensibles a las alertas tempranas de explosión. Los indicadores basados ​​en estadísticas pueden describir las características de los cambios anormales en la cantidad de emisión de gas hasta cierto punto, pero la sensibilidad es menor. Los indicadores integrales combinados con los indicadores de aprendizaje profundo y los indicadores estadísticos capturan con éxito los cambios anormales en la cantidad de emisión de gas.

El estudio recurrió a los indicadores integrales para extraer y analizar los datos de cantidad de emisión de gas de la mina de carbón Shigang. El modelo propuesto en el trabajo capturó señales de cambios anormales en la emisión de gases el 20 de marzo (4 días antes del accidente), y se emitieron alertas naranjas y rojas de forma continua durante muchas veces. Las pruebas, por lo tanto, dan muestra de la efectividad del método.