Evaluación de Aprendizaje Automático para el Rendimiento de Extracción de Gas en Minas de Carbón en Ciclo Completo

Área de la Ciencia:

• Ingeniería de Minas
• Ingeniería Geotécnica
• Ciencias Computacionales

Sus antecedentes:

• La profundidad de la minería del carbón aumenta, lo que provoca desastres críticos relacionados con el gas.
• La extracción de gas actual carece de evaluación científica, monitoreo dinámico y evaluación oportuna de la efectividad.
• Estas limitaciones obstaculizan la extracción segura y eficiente de recursos de carbón.

Objetivo del estudio:

• Establecer un marco integral de evaluación de ciclo completo para la extracción de gas en minas de carbón.
• Desarrollar modelos predictivos para la evaluación preliminar de esquemas y el monitoreo dinámico.
• Proporcionar soporte científico para la toma de decisiones para mejorar la seguridad de las minas de carbón y la gestión inteligente.

Principales métodos:

• Regresión de Bosque Aleatorio basada en optimización bayesiana (BO-RFR) para la evaluación preliminar de esquemas.
• Redes neuronales profundas y autoencoders convolucionales (DNN-CAE) para la predicción dinámica y reconstrucción de campos de presión residual de gas.
• Integración de estos modelos en un marco de evaluación de ciclo completo desde el diseño hasta la implementación.

Principales resultados:

• El modelo BO-RFR logró un error de predicción de la presión residual de gas por debajo de 0.02 MPa.
• El modelo de evaluación dinámica DNN-CAE demostró alta precisión con MSE de 2.73 × 10^-5 y MAE de 0.00493.
• Las pruebas de campo confirmaron la precisión y confiabilidad de los métodos propuestos en aplicaciones prácticas.

Conclusiones:

• El marco y los modelos desarrollados ofrecen soluciones efectivas para los desafíos del control de gas en minas de carbón.
• Se permite el control preciso y la gestión inteligente de los procesos de extracción de gas.
• Se demuestra un valor práctico significativo para mejorar la seguridad de la producción en minas de carbón.