Aplicación del transformador CNN híbrido para la clasificación de los riesgos de accidentes graves en las minas de...

Área de la Ciencia:

• Ingeniería Minera
• Inteligencia artificial
• Ciencia de los datos

Sus antecedentes:

• Las empresas mineras de carbón en China utilizan sistemas de información de seguridad pero no utilizan los datos de riesgo de accidentes.
• Los sistemas existentes carecen de métodos eficientes para clasificar diversos riesgos de accidentes basados en normas establecidas.

Objetivo del estudio:

• Desarrollar y evaluar un modelo avanzado de IA para clasificar los riesgos de accidentes en minas de carbón.
• Mejorar la precisión y la eficiencia de la identificación de peligros en los sistemas de producción de seguridad.

Principales métodos:

• Construido un sistema de clasificación con 15 categorías de peligros mayores y 79 menores basadas en las normas del Ministerio chino de Gestión de Emergencias de 2021.
• Se ha empleado un modelo de transformador de red neuronal convolucional híbrida (CNN) para la clasificación jerárquica de los datos de riesgo de accidentes.
• Utilizó el modelo de representaciones bidireccionales de codificadores de transformadores (BERT) como línea de base para la comparación.

Principales resultados:

• El modelo híbrido CNN-transformador logró una mayor precisión, recuerdo y puntuaciones F1 (3% de mejora) en la clasificación de peligros importantes en comparación con BERT.
• El modelo híbrido alcanzó un rendimiento del 98% en la clasificación de peligros menores, superando generalmente al modelo BERT.
• El modelo demostró una convergencia más rápida y requirió menos recursos computacionales que BERT, con puntuaciones F1 hasta un 3-4% más altas.

Conclusiones:

• El modelo híbrido CNN-transformador ofrece una eficacia significativa para la clasificación de riesgos de accidentes en minas de carbón.
• Este enfoque proporciona una entrada eficiente y rápida para los sistemas de identificación de peligros, mejorando la seguridad de la mina.
• El despliegue del modelo redujo la carga de trabajo de triaje de peligros manual en aproximadamente un 30% en entornos operativos.