A centenas de metros de profundidade, os mineiros não conseguem ver se à sua frente há carvão ou rocha. Cada centímetro extra de rocha cortado pelo tambor da máquina de corte significa maior desgaste do equipamento, aumento das concentrações de poeira, redução da taxa de recuperação de carvão limpo – e pode até provocar acidentes no teto.

A equipa da Professora Associada Qi Ailing, da Universidade de Ciência e Tecnologia de Xi'an, desenvolveu o modelo de previsão inteligente SSIC-former, integrando pela primeira vez três módulos: Mecanismo de Atenção Centralizada (CAM), Bloco Convolucional Interativo (ICB) e Minimização de Sensibilidade à Acurácia (SAM), para prever com alta precisão a trajetória da interface carvão-rocha. Dados de testes mostram: erro absoluto médio de apenas 6,37 mm, erro percentual absoluto médio de 2,79%, coeficiente de determinação de 0,99 e tempo de inferência por amostra de apenas 0,0066 s, superando modelos mainstream como LSTM e Crossformer em todos os aspetos.

Camadas Invisíveis: Porque é que a Interface Carvão-Rocha é um "Desafio Centenário"

A interface carvão-rocha é a linha divisória entre a camada de carvão e as camadas de rocha acima e abaixo. Devido às condições geológicas complexas e variáveis durante a formação do depósito de carvão, esta interface é muitas vezes irregular e imprevisível. Durante décadas de mineração inteligente de carvão, permitir que a máquina de corte corte o carvão com precisão a alta velocidade sem danificar a rocha tem sido um dos maiores gargalos técnicos da indústria.

As primeiras máquinas de corte dependiam de "corte por memória": um operador humano realizava primeiro um ciclo de corte, registando a trajetória, e a máquina repetia esse caminho. Abordagens como o plano "Geologia Transparente" exigem a obtenção antecipada de dados geológicos detalhados das camadas de carvão e rocha. Estes métodos dependem fortemente de dados históricos; quando as condições geológicas mudam subitamente, a trajetória memorizada falha imediatamente, exigindo intervenção humana de emergência.

Além do corte por memória, a indústria também experimentou várias outras técnicas, como deteção por raios gama, radar, acústica e termografia infravermelha. Contudo, a centenas de metros de profundidade, com poeira de carvão, vibrações mecânicas violentas e forte interferência eletromagnética, o sinal de um único sensor é facilmente abafado pelo ruído, tornando difícil identificar com precisão a interface carvão-rocha na produção real.

De "Caixa Negra" a "Visão de Raios-X": Os Três Mecanismos Tecnológicos do Modelo SSIC-former

Para resolver fundamentalmente o desafio da previsão de alta precisão da interface carvão-rocha, a equipa liderada pela Professora Associada Qi Ailing passou vários anos a desenvolver um modelo de previsão baseado em características complementares de correlação multicanal – o SSIC-former. A sua estrutura central integra três tecnologias inovadoras:

Mecanismo 1: Mecanismo de Atenção Centralizada – o "Batedor" de Dados Globais

Quando a máquina de corte opera na face de mineração, múltiplos sensores geram um fluxo contínuo de dados massivos: corrente e binário do motor de corte, vibração e inclinação do braço, altura e posição do tambor... A trajetória da interface carvão-rocha é essencialmente um dado de séries temporais multivariadas, com correlações ocultas complexas entre diferentes variáveis, tornando a previsão de alta precisão extremamente difícil.

Os mecanismos de atenção tradicionais, perante dados anómalos introduzidos por poeira subterrânea ou interferência eletromagnética, são facilmente desviados por "sinais falsos" locais. A abordagem do módulo CAM resume primeiro a informação de todos os canais numa característica global e, em seguida, interage com cada canal individualmente, extraindo com precisão informações de correlação complementares entre canais. Isto é como um comandante experiente que, no meio de um campo de batalha ruidoso, consegue discernir as informações mais críticas, filtrando o ruído irrelevante.

Mecanismo 2: Bloco Convolucional Interativo – o "Capturador de Detalhes" de Flutuações Locais

As mudanças na interface carvão-rocha envolvem mutações locais e flutuações de grande escala. Um único kernel convolucional não consegue lidar com ambas. O módulo ICB usa um design de escalas múltiplas: kernels de pequena escala identificam flutuações locais de alta frequência na interface, enquanto kernels de grande escala percebem as tendências gerais de ondulação das camadas. Ambos interagem dinamicamente, com características complementares, permitindo ao modelo não perder "milímetros" nas mudanças de detalhe e manter-se "imparcial nas grandes tendências".

Mecanismo 3: Minimização de Sensibilidade à Acurácia – o "Mestre de Otimização" para Treino Robusto

Os dados subterrâneos têm ruído severo e distribuição altamente incerta. Métodos de otimização tradicionais facilmente levam o modelo a cair na armadilha de "ótimos locais". A filosofia central da estratégia SAM é engenhosa: em vez de procurar um único ponto mínimo, guia o modelo para encontrar soluções em regiões planas e estáveis. O modelo assim treinado é insensível a pequenas perturbações, mantendo alta estabilidade de previsão sob as condições operacionais complexas reais do subsolo.

Módulo de Coordenação Chave Além dos Três Mecanismos

O fluxo de trabalho do SSIC-former começa com a Normalização de Instância Reversível, que remove eficazmente a não estacionariedade das distribuições de amplitude dos dados sob diferentes condições operacionais, garantindo sinas de entrada limpos e estáveis. Em seguida, um método de janela deslizante corta os dados contínuos em amostras de treino. Após a dupla extração de características pelo CAM e ICB, o módulo de fusão de resíduos reforça ainda mais a expressão das características. Finalmente, a rede otimizada pelo SAM produz previsões através da camada de projeção, formando um ciclo inteligente completo de "pré-processamento de dados – extração de características – treino otimizado – saída de resultados".

Dados de Testes: Um Ponto de Viragem na Indústria Impulsionado por Precisão Milimétrica

Para testar a eficácia real do SSIC-former, a equipa de investigação recolheu dados operacionais multicanais de faces de mineração reais no subsolo e construiu uma estrutura de previsão de aprendizagem profunda baseada na arquitetura Transformer.

Os dados de desempenho cruciais são apresentados abaixo:

A equipa de investigação comparou o SSIC-former com seis modelos mainstream: LSTM, Crossformer, Nonstationary_Transformer, FPPformer, iTransformer e PatchTST. Em todos os cinco indicadores de precisão acima, o SSIC-former superou todos. A vantagem abrangente do SSIC-former não se reflete apenas no erro médio extremamente pequeno, mas, mais importante, na sua capacidade de generalização superior a esses modelos quando confrontado com diferentes condições geológicas.

Isto significa que, quando a máquina de corte avança a vários metros por minuto, o sistema inteligente pode prever a tendência da camada de rocha do teto 0,2 metros à frente do tambor com uma precisão que supera o olho humano, emitindo comandos para ajustar a altura com antecedência, realizando verdadeiramente uma operação fina para "cortar carvão sem cortar rocha".

Perspetivas de Aplicação e Mudanças na Indústria

Na operação da máquina de corte, cada centímetro extra de rocha cortado reduz a taxa de recuperação de carvão limpo, acelera o desgaste da ferramenta de corte, aumenta significativamente a poeira e as faíscas, podendo até induzir acidentes no teto.

O SSIC-former reduz diretamente o erro de previsão para o nível de alguns milímetros. A sua maior vantagem é estabelecer um ciclo completo de "perceção em tempo real – análise inteligente – decisão precisa – ação proativa" em toda a cadeia. O tambor da máquina de corte já não opera passivamente com base na trajetória histórica; em vez disso, ajusta automaticamente a sua altura com base nos resultados de previsão da IA em segundos, reduzindo drasticamente a taxa de mistura de rocha e o desgaste do equipamento.

Este estudo recebeu financiamento conjunto da Fundação Nacional de Ciências Naturais da China (Nº do projeto 61674121) e do Plano de Ciência e Tecnologia do Distrito de Beilin (GX1612), marcando um passo substancial na passagem das tecnologias de mineração inteligente de carvão chinesas de "operação manual" para "perceção autónoma". Uma vez que as tecnologias de previsão de IA representadas pelo SSIC-former sejam amplamente aplicadas, o número de mineiros subterrâneos deverá continuar a diminuir, as faces de mineração não tripuladas passarão de desenhos conceptuais a locais comuns nas minas, e as bases da indústria carbonífera Chinesa – segura, eficiente e verde – serão verdadeiramente estabelecidas.