Un enfoque de análisis FSV para verificar la robustez del triple

Aug 08, 2023

Scientific Reports volumen 13, número de artículo: 9621 (2023) Citar este artículo

195 Accesos

Detalles de métricas

Entre todos los desastres causados ​​por el gas, la concentración de gas que excede el valor límite umbral (TLV) ha sido la principal causa de accidentes. Sin embargo, la mayoría de los sistemas todavía se centran en explorar los métodos y el marco para evitar alcanzar o exceder el TLV de la concentración de gas desde el punto de vista de los impactos sobre las condiciones geológicas y los elementos del frente de trabajo de la minería del carbón. El estudio anterior desarrolló un marco teórico de análisis de correlación de viajes y encontró fuertes correlaciones entre gas y gas, gas y temperatura, y gas y viento en el sistema de monitoreo de gas. Sin embargo, se debe examinar la efectividad de este marco para determinar si podría adoptarse en otros casos de minas de carbón. Esta investigación tiene como objetivo explorar un enfoque de análisis de verificación propuesto: primera ronda, segunda ronda, ronda de verificación (FSV) para verificar la solidez del marco teórico del análisis de correlación de viajes para desarrollar un sistema de alerta de gas. Se adopta una metodología de investigación mixta cualitativa y cuantitativa, que incluye un estudio de caso e investigación correlacional. Los resultados verifican la robustez del Marco Teórico del Análisis de Triple Correlación. Los resultados implican que este marco es potencialmente valioso para desarrollar otros sistemas de alerta. El enfoque FSV propuesto también se puede utilizar para explorar patrones de datos de manera detallada y ofrecer nuevas perspectivas para desarrollar sistemas de alerta para diferentes aplicaciones industriales.

Como mayor productor de carbón del mundo, la industria minera de carbón de China representó alrededor del 46% de la producción mundial de carbón en 20201,2. Los accidentes relacionados con el gas son graves y deben ser abordados por los directivos de la industria minera del carbón en China3. Entre todos los desastres causados ​​por el gas, la concentración de gas que excede el valor límite umbral (TLV) ha sido la principal causa de accidentes4. Por lo tanto, en las minas de carbón de China se han adoptado sistemas de monitoreo de gas para TLV en tiempo real. Sin embargo, la mayoría de los sistemas todavía se centran en explorar los métodos y el marco para evitar alcanzar o exceder el TLV de la concentración de gas desde el punto de vista de los impactos sobre las condiciones geológicas y los elementos del frente de trabajo de la minería del carbón. Cuando la salida de datos de gas alcanza o excede el TLV, el sistema de monitoreo de gas alerta al equipo de respuesta de seguridad de la mina5.

La literatura actualizada indica que los estudios actuales se centran principalmente en el uso de enfoques de aprendizaje automático (ML) (incluido el aprendizaje profundo) para explorar advertencias o predecir modelos para evitar exceder el TLV de la concentración de gas. Sin embargo, una revisión exhaustiva de la literatura en el trabajo anterior parece tener al menos tres limitaciones significativas en el uso de métodos ML para predecir las emisiones y concentraciones de gases en el modelo actual de sistemas de monitoreo de carbón5,6. Incluyen entradas (conjuntos de datos) deficientes que dan como resultado resultados inadecuados, resultados de predicción interpretados de manera inexacta y alto costo del hardware informático para mejorar la eficiencia y eficacia de los modelos de ML5. Ningún artículo publicado informa completamente sobre los sistemas que utilizan los datos recopilados de las minas de carbón; no se ha intentado descubrir la correlación entre la concentración de gas y otros datos y aplicarlos para predecir la concentración de gas4. Por lo tanto, un estudio previo desarrolló un marco teórico de análisis de correlación de disparos para desarrollar un innovador sistema integrado de alerta de gas que indicaba relaciones significativas entre gas y gas, gas y temperatura, y gas y viento5. Sin embargo, es necesario examinar la eficacia del marco teórico del análisis de correlación de disparos, que podría adoptarse en otros casos de minas de carbón.

Esta investigación tiene como objetivo explorar un enfoque de análisis de verificación propuesto: primera ronda, segunda ronda, ronda de verificación (FSV) para verificar la solidez del marco teórico del análisis de correlación de disparos para desarrollar un sistema de alerta de gas. Se adopta una metodología de investigación mixta cualitativa y cuantitativa, que incluye un estudio de caso e investigación correlacional. Las siguientes secciones se centran en las fuentes de datos, los métodos, los resultados, la discusión, las conclusiones y la disponibilidad de datos.

El estudio anterior encontró fuertes correlaciones entre gas y gas, gas y temperatura, y gas y viento, que se adoptó para desarrollar un marco teórico de análisis de correlación de viajes5. Consta de tres análisis de correlación, incluido el análisis de correlación entre gas y gas, gas y temperatura, y gas y viento (ver Fig. 1).

Se muestra un marco teórico de análisis de triple correlación adoptado en esta investigación para proponer un marco de investigación que comprende los análisis de correlación entre el gas (de T1 a Tn) y el gas (de T1 y Tn), el gas (de T1 y Tn) y la temperatura ( de WD1 a WD16), y gas (de T1 a Tn) y eólica (de FS1 a FSn).

Esta investigación se lleva a cabo para verificar la solidez del marco teórico del análisis de correlación de viajes. Los datos de la investigación se recopilan de catorce sensores, incluidos ocho sensores de gas (de T1 a T8), dos sensores de temperatura (de WD 1 a WD2) y cuatro sensores de viento (de FS1 a FS4) (ver Fig. 2).

Se muestran los sensores asignados en el mapa de disposición del frente de trabajo No.3209 en la mina de estudio de caso, incluidos catorce sensores: ocho sensores de gas (de T1 a T8), dos sensores de temperatura (de WD 1 a WD2) y cuatro sensores de viento. (de FS1 a FS4).

Los códigos de los sensores de gas, temperatura y viento se pueden ver en las Tablas 1, 2 y 3, respectivamente.

Los datos se obtienen de cada sensor durante dos días entre las 00:00:00 am del 5 de febrero de 2022 y las 23:59:00 del 6 de febrero de 2022. Inicialmente se registran 5760 puntos de datos de cada sensor porque la recopilación de datos se produce en intervalos de muestreo de 15 s. Así, se recopilan 80.640 puntos de datos en total, incluidos sensores de gas (46.080), sensores de temperatura (11.520) y sensores de viento (23.040). La serie temporal de los resultados del conjunto de datos de todos los sensores (gas, temperatura y viento) el 5 de febrero se puede ver en los Apéndices 2 a 4 en línea. La serie temporal de los resultados del conjunto de datos de todos los sensores (gas, temperatura y viento) el 6 de febrero se puede ver en los Apéndices 5 a 7 en línea.

Se adopta una metodología de investigación mixta cualitativa y cuantitativa, que incluye un estudio de caso e investigación correlacional. Esta investigación comprende cinco procesos: adquisición de datos, preprocesamiento, análisis de datos, verificación y análisis de correlación (ver Apéndice 1 en línea). Este proyecto adopta un método de análisis mixto para verificar el análisis de datos: FSV.

Los datos se obtienen de la mina de estudio de caso: Shanxi Fenxi Mining ZhongXing Coal Industry Co. Ltd (ZhongXing), una gran empresa minera de carbón en China.

El preprocesamiento de datos es necesario antes del análisis de datos, ya que los datos sin procesar recopilados en la mayoría de los procesos industriales suelen presentar muchos problemas en el conjunto de datos, como valores fuera de rango, valores atípicos, valores faltantes, etc.7. Esta investigación realiza tres procedimientos de limpieza de datos durante el preprocesamiento: eliminación de valores extremos, valores atípicos y estandarización de datos.

Los valores de datos extremos (también llamados valores extremos en este artículo) se consideran valores fuera de rango en esta investigación. Los valores extremos podrían dar lugar a inferencias sustancialmente sesgadas y ser omitidos8. Otros problemas de calidad de los datos, como errores de medición, ruido, valores faltantes, etc., podrían verse afectados por la reubicación del hardware, la eliminación de sensores, detectores agregados y/o sensores no utilizados. Estas cuestiones no se analizan en esta investigación. Pero serán investigados en futuros estudios.

Los valores atípicos provienen de distribuciones desordenadas para la mayoría de los conjuntos de datos. Podrían influir sustancialmente en la mayoría de las pruebas paramétricas, lo que afectaría profundamente el análisis estadístico y, a menudo, conduciría a distorsiones y posiblemente a conclusiones inexactas y erróneas9. Los datos anómalos se observaron principalmente porque se suponía que los valores atípicos provenían de una distribución diferente dentro de la mayoría de los conjuntos de datos9. Los datos de anomalías se consideran valores atípicos en esta investigación. La técnica del diagrama de caja se utiliza para eliminar valores extremos y valores atípicos. El enfoque de diagrama de caja utiliza la mediana, los cuartiles aproximados y los puntos de datos más bajos y más altos para transmitir el nivel, la dispersión y la simetría de una distribución de valores de datos; Este enfoque podría perfeccionarse fácilmente para identificar puntos de datos atípicos10.

Se sigue la estandarización de datos a medida que se recopilan datos de los diferentes sensores con varias mediciones. Los métodos más comunes para estandarizar datos incluyen la normalización de puntuación z, la estandarización mínima-máxima, la normalización de distancia al objetivo y la normalización de clasificación rastrillo11,12. En esta investigación se utiliza el método de normalización de puntuación Z (ver Ec. 1)13 y se calcula mediante SPSS Statistics versión 26.

donde z es la puntuación estándar, x es el valor de los datos originales, μ es el promedio del conjunto de datos y σ es la desviación estándar del conjunto de datos.

Los análisis de datos de dos rondas se realizan utilizando diferentes conjuntos de datos. La confiabilidad y validez de los datos obtenidos deben lograrse por separado entre gas y gas, gas y temperatura, y gas y viento.

Se han aceptado varios niveles de significación estadística para la prueba de hipótesis, incluidos 0,05, 0,01 y 0,001 en estudios de ciencias sociales14. Se han considerado aceptables valores de p de 0,05 para determinar si se rechaza o no la hipótesis nula15. Sin embargo, cuanto menor sea el valor de significancia, menor será el riesgo de rechazar la hipótesis nula cuando sea cierta; esto debe equilibrarse con el riesgo de aceptar la hipótesis nula cuando no es cierta16. Investigaciones recientes creen que un valor p de 0,01 a menudo se considera muy significativo17. Esta investigación verifica que el valor de 0,01 es un límite adecuado para el nivel de significancia para reducir el riesgo de rechazar la hipótesis nula al desarrollar un sistema de alerta de gas.

El Alfa de Cronbach confirma la fiabilidad de los datos. Si los valores del Alfa de Cronbach estuvieran por encima de 0,6, se consideraría una fiabilidad regular o superior. Los análisis factoriales exploratorios confirman el análisis de validez. Si el valor de Kaiser-Meyer-Olkin (KMO) fuera superior a 0,6, se supondría que es aceptable o está por encima de las medidas. La prueba de esfericidad de Bartlett debe ser 0,000 (p < 0,001). Todos los valores medios de comunalidad deben ser superiores a 0,6. Se requiere que todas las correlaciones anti-imagen sean superiores a 0,5.

Luego se realiza una investigación correlacional para indicar que dos variables están influenciadas por un mecanismo subyacente común18. Para esta investigación se utiliza el método de análisis de correlación de Pearson. El coeficiente de correlación se utiliza para evaluar y medir la correlación entre pares de variables de entrada y salida. La magnitud del coeficiente de correlación indica que la fuerza de la relación depende de qué tan cerca esté el coeficiente de −1 o 1, que es el rango del coeficiente de correlación19. Las siguientes fórmulas matemáticas se utilizan para calcular el coeficiente de correlación de Pearson (consulte la ecuación 2)20 y se calculan con SPSS Statistics versión 26.

r se estimará a partir de (\({\mathrm{x}}_{\mathrm{i}}\), \({\mathrm{y}}_{\mathrm{i}}\)), el valor medio de puntuaciones estándar de puntos muestrales, y se obtiene la expresión equivalente a la fórmula anterior.

Donde \(\mathrm{r}\) es el coeficiente de correlación. \({x}_{i}\) es el valor de la variable x en una muestra. \(\overline{x}\) es la media de los valores de la variable x. \({y}_{i}\) es el valor de la variable y en una muestra. \(\overline{y}\) es la media de los valores de la variable y.

Pero investigaciones recientes indican que no existe una clasificación formal estándar de las escalas de coeficientes de correlación5, lo que sugiere utilizar seis escalas para clasificar el grado y la magnitud de la correlación como grande (entre ± 0,9 y ± 1), muy buena (entre ± 0,75 y ± 0,89), buena (entre ± 0,5 y ± 0,74), regular (entre ± 0,3 y ± 0,49), pobre (entre ± 0,0 y < ± 0,29) y sin correlación (cero). Un valor de correlación de ± 0,3 o superior indica una correlación entre dos variables.

El análisis de verificación tiene como objetivo investigar si los resultados del análisis de datos de la primera ronda podrían aceptarse utilizando conjuntos de datos de segunda ronda simultáneamente y si los resultados del análisis de datos de segunda ronda podrían aceptarse utilizando conjuntos de datos de primera ronda. Se realizarían análisis repetidos de confiabilidad y validez para los resultados del análisis de verificación entre gas y gas, gas y temperatura, y gas y viento.

Con base en los resultados de la verificación anterior, luego se realiza un análisis de correlación para probar y evaluar si existe un grado de relación fuerte entre dos variables por separado: gas y gas, gas y temperatura, y gas y viento. También se utiliza un valor de correlación de ± 0,3 o superior para medir una correlación entre dos variables.

El análisis de la primera ronda utiliza datos obtenidos entre las 00:00:00 am y las 23:59:00 del 5 de febrero de 2022 en la mina del Estudio de Caso. El análisis de la segunda ronda utiliza datos recopilados entre las 00:00:00 am y las 23:59:00 del 6 de febrero de 2022. Antes de realizar el análisis de datos, se realizan tres procedimientos de limpieza de datos durante el preprocesamiento de los datos para el análisis de la primera ronda y la segunda. -Análisis redondo: eliminación de valores extremos, valores atípicos y estandarización de datos. Los errores de medición y la distorsión de los dispositivos de hardware en el sistema de monitoreo de gas causan valores extremos y valores atípicos. Los datos obtenidos de los sensores T4 y T5 se eliminan debido a demasiados valores cero debido a que dichos dos sensores no se utilizaron para la cara de trabajo en la mina del estudio de caso. Pero no han sido eliminados del sistema de seguimiento de gases. Por lo tanto, tanto T4 como T5 no están incluidos en esta investigación. Pero serán investigados en futuros estudios. La estandarización de datos resuelve los problemas de recopilación de datos de los diferentes sensores con diversas mediciones.

Por lo tanto, los datos obtenidos de seis sensores de gas (T1, T2, T3, T6, T7 y T8) y dos sensores de temperatura (WD1 y WD2) se utilizan para los siguientes análisis de datos. Esta sección presenta análisis de datos para respaldar la calidad técnica de los conjuntos de datos, incluido el análisis entre gas y gas, gas y temperatura, y gas y viento.

Se realizan por separado dos rondas de análisis entre gas y datos de gas utilizando los datos obtenidos los días 5 y 6 de febrero de 2022.

Los datos del 5 de febrero de 2022 se utilizan para el análisis de primera ronda entre gas y gas. La confiabilidad y validez se llevan a cabo entre seis ítems (T1, T2, T3, T6, T7 y T8) (consulte los pasos 3.1 y 3.2 en el Apéndice 1 en línea). Se considera que todos los valores del Alfa de Cronbach tienen muy buena confiabilidad (por encima de 0,6) (ver Tabla 4).

Los datos recopilados el 6 de febrero de 2022 se utilizan para el análisis de segunda ronda entre gas y gas. Las pruebas de confiabilidad y validez se realizan entre los seis elementos anteriores (consulte los pasos 3.1 y 3.2 en el Apéndice 1 en línea). Se considera que todos los valores del Alfa de Cronbach tienen muy buena confiabilidad (por encima de 0,7) (ver Tabla 5).

Luego se realiza el análisis de verificación para comparar los resultados de los análisis de la primera y segunda ronda para confirmar la confiabilidad y validez de los datos. Debido al análisis de verificación que utiliza los resultados de los estudios de dos rondas en lugar de los obtenidos de los sensores, no hay necesidad de proceder a la eliminación de valores extremos, valores atípicos y la estandarización de datos.

Con base en las Tablas 4 y 5, la Fig. 3 compara los resultados entre los análisis de primera y segunda ronda que indican cuatro grupos correlacionales, incluidos T2 y T6, T6 y T8, T7 y T8, y T8 y T7.

Se muestran los resultados entre los análisis de primera y segunda ronda. El eje y vertical proporciona un conjunto de sensores que afectan (gas). El eje x horizontal presenta los sensores causantes (gas). El cian claro colorea el cuadro correlacional para indicar las correlaciones existentes de T3 y T1 en el análisis de primera ronda y T6 y T2 en el análisis de segunda ronda. El cian intenso colorea el cuadro correlacional para mostrar las correlaciones de T2 y T6, T6 y T8, T7 y T8, y T8 y T7 en los análisis de ambas rondas.

La confiabilidad y validez repetidas se realizan entre cuatro grupos correlacionales (consulte los pasos 4.1 y 4.2 en el Apéndice 1 en línea). Todos los grupos correlacionales cumplen satisfactoriamente con los estándares de confiabilidad y análisis factorial exploratorio. Se sigue un análisis de correlación repetido para probar si existen correlaciones entre los ítems (ver Tabla 6).

Por lo tanto, el análisis FSV verifica que existen correlaciones significativas (T2 y T6, T6 y T8, T7 y T8, y T8 y T7) (consulte el paso 5 en el Apéndice 1 en línea). Las correlaciones significativas entre dichos elementos se demuestran en la Fig. 4.

Se muestran cuatro correlaciones significativas verificadas entre gas y gas, incluidas dos buenas correlaciones de T2 y T6 (0,617) y T6 y T8 (0,653), y dos muy buenas correlaciones de T7 y T6 (0,815) y T8 y T7 (0,815).

Se realizan por separado dos rondas de análisis entre los datos de gas y temperatura utilizando los datos obtenidos los días 5 y 6 de febrero de 2022.

El análisis de primera ronda se realiza entre los datos de gas y temperatura recopilados el 5 de febrero. Los resultados muestran que seis ítems de gas y dos ítems de temperatura cumplieron con los estándares de confiabilidad y análisis factorial exploratorio, incluidos seis grupos correlacionales (T1 y WD1, T2 y WD1, T3 y WD1, T6 y WD2, T7 y WD1, y T8 y WD2) (ver Tabla 7). Todos los valores Alfa de Cronbach tienen una fiabilidad muy buena (superior a 0,7). Los análisis de datos detallados de seis grupos correlacionales se muestran en las Tablas 8, 9, 10, 11, 12 y 13.

El análisis de segunda ronda de gas y temperatura se basa en datos recopilados el 6 de febrero. Los resultados muestran que seis ítems de gas y dos ítems de temperatura cumplen con los estándares de confiabilidad y análisis factorial exploratorio, incluidos seis grupos correlacionales (T1 y WD2, T2 y WD2, T3 y WD1, T6 y WD2, T7 y WD2, y T8 y WD2) (ver Tabla 14). El análisis de datos detallado de seis grupos se muestra en las Tablas 15, 16, 17, 18, 19 y 20.

Luego se realiza un análisis de verificación para comparar los resultados de los análisis de la primera y segunda ronda para confirmar la confiabilidad y validez de los datos. Con base en las Tablas 7 y 14, la Fig. 5 compara los resultados de análisis de dos rondas entre gas y temperatura.

Se muestran los resultados de análisis de dos rondas entre gas y temperatura. El eje y vertical proporciona un conjunto de sensores que afectan (gas). El eje x horizontal presenta los sensores causantes (temperatura). Colorea de azul claro el cuadro correlacional para indicar que existían correlaciones de T1 y WD1, T2 y WD1, y T7 y WD1 en la primera ronda, y T1 y WD2, T2 y WD2, y T7 y WD2 en la segunda ronda. En ambos análisis de dos rondas, el cuadro correlacional se tiñe de azul intenso para indicar las correlaciones entre T2 y WD1, T6 y WD2, y T8 y WD2.

Se realizan análisis repetidos de confiabilidad y validez para confirmar que los tres grupos correlacionales anteriores (T3 y WD1, T6 y WD2, y T8 y WD2) cumplen satisfactoriamente con los estándares de análisis de datos. Se sigue un análisis de correlación repetido para probar si existen correlaciones significativas entre los grupos anteriores (T3 y WD1, T6 y WD2, y T8 y WD2) (Tabla 21).

Por lo tanto, el análisis FSV verifica correlaciones significativas entre T3 y WD1, T6 y WD2, y T8 y WD2 (ver Fig. 6).

Se muestran tres correlaciones significativas verificadas entre el gas y la temperatura del viento, incluida una muy buena correlación de T3 y WD1 (0,795), una muy buena correlación de T6 y WD2 (0,768) y una buena correlación de T8 y WD2 (0,669).

Se realizan por separado dos rondas de análisis entre datos de gas y viento utilizando los datos obtenidos los días 5 y 6 de febrero de 2022.

El análisis de primera ronda del gas y el viento se basa en los datos recopilados el 5 de febrero. Los resultados muestran que seis ítems de gas y dos ítems de viento cumplen con los estándares de confiabilidad y análisis factorial exploratorio, incluyendo seis grupos correlacionales (T1, FS1 y FS2, T2, FS1 y FS2, T3, FS1 y FS2, T6, FS1 y FS2 , T7, FS1 y FS2, y T8, FS1 y FS2) (ver Tabla 22). El análisis de datos detallado de seis grupos se muestra en las Tablas 23, 24, 25, 26, 27 y 28.

El análisis de datos de gas y viento de la segunda ronda se basa en los datos recopilados el 6 de febrero. Los resultados muestran que seis ítems de gas y tres ítems de viento cumplen con los estándares de confiabilidad y análisis factorial exploratorio, incluidos seis grupos correlacionales (T1 y FS3, T2 y FS1, T3 y FS2, T6 y FS1, T7 y FS1, y T8 y FS1) (ver Tabla 29). Todos los valores Alfa de Cronbach tienen una fiabilidad muy buena (superior a 0,6). Todos los valores de KMO demuestran una medida mayor (mayor que 0,5). La prueba de esfericidad de Bartlett es 0,000 (p < 0,001). Todas las medidas de comunalidad promedio son adecuadas (superior a 0,7). Los valores de correlaciones anti-imagen son significativos (más de 0,5). El análisis de datos detallado de seis grupos se muestra en las Tablas 30, 31, 32, 33, 34 y 35.

Luego se realiza un análisis de verificación para comparar los resultados de los análisis de la primera y segunda ronda para confirmar la confiabilidad y validez de los datos. Con base en las Tablas 22 y 29, la Fig. 7 compara los resultados de análisis de dos rondas entre gas y viento.

Se muestran los resultados de análisis de dos rondas entre gas y viento. El eje y vertical proporciona un conjunto de sensores que afectan (gas). El eje x horizontal presenta los sensores causantes (viento). El azul marino claro colorea el cuadro correlacional para indicar correlaciones entre T1 y FS1, T1 y FS2, T3 y FS1, T6 y FS2, T7 y FS2, y T8 y FS2) en la primera ronda y T1 y FS3 en la segunda ronda. El azul marino intenso colorea el cuadro correlacional para indicar correlaciones entre T2 y FS1, T3 y FS2, T6 y FS1, T7 y FS1, y T8 y TS1 en análisis de dos rondas.

La confiabilidad y validez repetidas se llevan a cabo entre cinco grupos correlacionales. Dos grupos (T2 y FS1, T7 y FS1) no cumplen con los estándares de análisis de datos. Tres grupos correlacionales cumplen satisfactoriamente con los estándares de confiabilidad y análisis factorial exploratorio. Son T3 y FS2, T6 y FS1, y T8 y FS1. Un análisis de correlación repetido prueba si existen correlaciones entre dichos elementos (ver Tabla 36).

Se muestran tres correlaciones justas verificadas entre el gas y el viento, incluidas T3 y FS2 (0,467), T6 y FS1 (0,468) y T8 y FS1 (0,428).

Basado en las Figs. 4, 6 y 8, se establece un modelo de análisis de triple correlación para desarrollar un sistema de alerta de gas en la mina del Estudio de Caso (ver Fig. 9). Incorpora diez correlaciones verificadas, incluidas gas y gas (4), gas y temperatura (3) y gas y viento (3). El resultado demuestra que existió un análisis correlacional entre gas y gas, gas y temperatura, y gas y viento.

Se muestra el modelo de análisis de triple correlación, que incluye diez correlaciones verificadas. Existen cuatro correlaciones significativas entre gas y gas, incluidas dos buenas correlaciones entre T2 y T6 (0,617) y T6 y T8 (0,653), y dos muy buenas correlaciones entre T7 y T6 (0,815) y T8 y T7 (0,815) (ver Tabla 6). Existen tres correlaciones significativas entre el gas y la temperatura, incluidas dos correlaciones muy buenas entre T3 y WD1 (0,795) y T6 y WD2 (0,768), y una buena correlación entre T8 y WD2 (0,669) (consulte la Tabla 21). Existen tres correlaciones justas entre el gas y el viento, incluidas T3 y FS2 (0,467), T6 y FS1 (0,468) y T8 y FS1 (0,428) (consulte la Tabla 36).

Para mejorar la validación de los resultados de la investigación, también se realizan cuatro experimentos adicionales para probar si tales correlaciones existían en diferentes caras de trabajo (no.1217 y no.3209) y otras estaciones (verano e invierno) en la mina del estudio de caso (ver Tabla 37 y conjunto de datos 3). Todos los resultados indican fuertes correlaciones existentes entre gas y gas, gas y temperatura, y gas y viento.

Por lo tanto, esta investigación utiliza un enfoque de análisis FSV explorado para verificar firmemente la solidez del marco teórico del análisis de triple correlación para desarrollar un sistema de alerta de gas para mejorar la sensibilidad de los sistemas de alerta y reducir la incidencia de explosiones de gas. Para ayudar a los investigadores y profesionales a comprender mejor el diseño arquitectónico del sistema, se desarrolla un lenguaje de modelado unificado (UML) para demostrar cómo se integra este marco en un sistema de gas5, que comprende tres capas (capa de acceso a datos, capa de dominio y capa de visualización) y tres reglas para la toma de decisiones (ver Fig. 10).

Se muestra un modelo UML de un sistema de alerta de gas compuesto de tres capas desde abajo hacia arriba: capa de acceso a datos, capa de dominio y capa de visualización: (1) Adquisición de datos: este flujo lógico se ejecuta entre la capa de acceso a datos y el dominio. Capa. Los datos se obtienen de bases de datos de gas, temperatura y viento. (2) Análisis de correlación: dentro de la capa de dominio, los análisis de correlación se realizan por separado entre los datos aguas arriba de gas y gas, gas y temperatura, y gas y viento. (3) Decisión activada: este paso une la capa de dominio y la capa de vista.

Tres reglas para la toma de decisiones constan de:

Si la salida de datos excede el TLV, el sistema de alarma alertaría inmediatamente al equipo de gestión de respuesta de seguridad.

El sistema de alerta informará al equipo de seguridad si el valor del análisis de correlación (CAV) en tiempo real excede el valor límite del análisis de correlación (CALV) entre gas y gas, gas y temperatura, o gas y viento. Este estado no indica ningún riesgo, pero el equipo de gestión de respuesta de seguridad debe verificar inmediatamente el sistema de monitoreo para identificar peligros potenciales.

Los datos originales se enviarán al sistema de monitoreo si el CAV no excede el CALV.

Como resultado, el modelo de Análisis de Triple Correlación (ver Fig. 9) está integrado en el sistema de monitoreo de gas en la mina del Estudio de Caso con análisis incorporado de gas y gas, gas y temperatura, y gas y viento, que se adopta con éxito para desarrollando un innovador sistema integrado de alerta de gas en diciembre de 2021. La captura de pantalla del sistema se muestra en la Fig. 11.

Se muestra la captura de pantalla del innovador sistema integrado de alerta de gas implementado en la mina del estudio de caso. El sistema integra el modelo de Análisis de Triple Correlación en el sistema de monitoreo de gas con análisis incorporado de gas y gas, gas y temperatura, y gas y viento. Las líneas cian indican correlaciones existentes entre gas y gas. Las líneas azules indican correlaciones existentes entre el gas y la temperatura. Las líneas marinas indican las correlaciones existentes entre el gas y el viento.

Esta investigación tiene como objetivo explorar un enfoque de análisis FSV propuesto para verificar la solidez del marco teórico del análisis de correlación de disparo para desarrollar un sistema de alerta de gas para mejorar la sensibilidad de los sistemas de alerta y reducir la incidencia de explosiones de gas. Se adopta una metodología de investigación mixta cualitativa y cuantitativa, que incluye un estudio de caso e investigación correlacional.

El análisis de la primera ronda utiliza datos obtenidos el 5 de febrero de 2022 en la mina del Estudio de Caso. El análisis de la segunda ronda utiliza datos recopilados el 6 de febrero de 2022. Luego se sigue un análisis de verificación para comparar los resultados de los análisis de la primera y la segunda ronda para confirmar la confiabilidad y validez de los datos. También se llevan a cabo cuatro experimentos adicionales para comprobar si tales correlaciones existían en diferentes caras de trabajo (nº 1217 y nº 3209) y otras estaciones (verano e invierno). Todas las pruebas indican tres correlaciones significativas entre el gas, la temperatura y el viento que verifican la solidez del marco teórico del análisis de triple correlación (ver Fig. 1).

Para ayudar a los investigadores y profesionales a comprender mejor el diseño arquitectónico del sistema, se desarrolla un UML para demostrar cómo se integra este marco en un sistema de gas (ver Fig. 10). También se proporciona pseudocódigo para describir la implementación del sistema, incluido el análisis de datos y la lógica de procesamiento del sistema, lo que puede ayudar a los investigadores de otros dominios a implementar la metodología presentada en este trabajo (consulte el Apéndice 7 en línea).

Los resultados implican que este marco es potencialmente valioso para desarrollar otros sistemas de alerta. El enfoque FSV propuesto también se puede adoptar para explorar patrones de datos de manera profunda y ofrecer nuevas perspectivas para desarrollar sistemas de alerta para diferentes aplicaciones industriales. Otro hallazgo es que los sensores T4 y T5 no están en uso debido a que no se retiraron del sistema de monitoreo de gas. La implicación es que pueden contribuir al marco teórico del análisis de correlación de disparos en futuras investigaciones para desarrollar un sistema de alerta más sensible. Es más valioso utilizar tales hallazgos para explorar un marco teórico ampliado del análisis de correlación de viajes en futuras investigaciones.

La limitación es que los sensores de gas, temperatura y viento se cambian periódicamente mensualmente debido al procesamiento minero en curso en la mina del estudio de caso. Los cambios pueden incluir la reubicación del hardware, la eliminación de sensores y la adición de detectores. El análisis de correlación de los datos recopilados de gas, temperatura y viento debe volver a realizarse para cualquier cambio en el sensor siguiendo el procedimiento del enfoque de análisis FSV. La segunda limitación es que esta investigación se centra en verificar la robustez del Marco Teórico del Análisis de Correlación de Viaje, que incorpora el análisis de gas y gas, gas y temperatura, y gas y viento. Las condiciones ambientales siguen siendo las mismas el 5 de febrero y el 6 de febrero de 2022. Se necesitan más investigaciones para explorar si otras condiciones ambientales afectan el rendimiento y la eficacia de los sistemas de alerta de gas, como la humedad, el viento, el sol, la nubosidad e incluso las perturbaciones humanas. Otra limitación es que esta investigación no considera otros problemas de calidad de los datos, como errores de medición, ruido, valores faltantes, etc. Deben resolverse mediante dispositivos de hardware y algoritmos del sistema actualizados. Por ejemplo, muchos estudios han proporcionado métodos para resolver errores de medición21. Se podrían utilizar sensores más eficaces con algoritmos de sistema eficientes aplicados al marco teórico del análisis de correlación de disparos para desarrollar un sistema innovador de alerta de gas para mejorar la sensibilidad de los sistemas de alerta y reducir la incidencia de explosiones de gas. Es valioso investigarlos más a fondo.

En esta investigación se utiliza IBM® SPSS® Statistics versión 26 para analizar datos. Este artículo publicado y sus archivos de información complementaria incluyen todos los datos generados o analizados durante este estudio. Los datos que respaldan los hallazgos del estudio están disponibles en el dominio público Zenodo con licencia CC BY4.0 en https://zenodo.org/record/6450546, https://zenodo.org/record/6450554 y https://doi. .org/10.5281/zenodo.7603551.

AIE. Análisis y pronóstico del carbón para 2020 hasta 2025. Consultado el 7 de enero de 2021, https://www.iea.org/reports/coal-2020/supply (2020).

Hutzler. La recuperación económica de China será impulsada por el carbón. Consultado el 8 de enero de 2021, https://www.powermag.com/chinas-economic-recovery-will-be-powered-bycoal/ (2020).

Wu, MX y cols. Un análisis comparativo del análisis de componentes principales y los métodos de ponderación de entropía para establecer la medida de indexación. MÁS UNO 17(1), 1–26 (2022).

Artículo CAS Google Scholar

Zhang, JY, Ai, ZB, Guo, LW y Cui, X. Investigación del sistema de alerta de sinergia para explosiones de gas basado en entropía-peso bayesiano. En t. J. Computación. Intel. Sistema. 14(1), 376–385 (2021).

Artículo de Google Scholar

Wu, MX y cols. Una investigación correlacional sobre el desarrollo de un innovador sistema integrado de alerta de gas: un estudio de caso en ZhongXing, China. Geomat. Nat. Haz. Riesgo 12(1), 3175–3204 (2021).

Artículo de Google Scholar

Boukerche, A. & Wang, JH Modelos de predicción de tráfico basados ​​en aprendizaje automático para sistemas de transporte inteligentes. Computadora. Neto. 181, 1-21 (2020).

Artículo de Google Scholar

Moghadasi, M., Ozgoli, HA y Farhani, F. Predicción del consumo de vapor de un proceso de endulzamiento de gas con disolvente de metildietanolamina mediante enfoques de aprendizaje automático. En t. J. Energía Res. 45(1), 879–893 (2021).

Artículo de Google Scholar

Barlow, AM, Sherlock, C. & Tawn, J. Inferencia de valores extremos bajo reglas de parada basadas en umbrales. Estadística JR. Soc. Ser. C: Aplic. Estadística. 69(4), 765–789 (2020).

Artículo MathSciNet Google Scholar

Schwertman, NC, Owens, MA y Adnan, R. Un método de diagrama de caja más general y simple para identificar valores atípicos. Computadora. Estadística. Análisis de datos. 47(1), 165-174 (2004).

Artículo MathSciNet MATEMÁTICAS Google Scholar

Williamson, DF, Parker, RA y Kendrick, JS El diagrama de caja: un método visual sencillo para interpretar datos. Ana. Interno. Medicina. 110(11), 916–921 (1989).

Artículo CAS PubMed Google Scholar

Larriva-Novo, X., Villagrá, VA, Vega-Barbas, M., Rivera, D. & Sanz Rodrigo, M. Un enfoque de sistema de detección de intrusiones centrado en IoT basado en la caracterización del preprocesamiento de conjuntos de datos de ciberseguridad. Sensores 21(2), 1–15 (2021).

Artículo de Google Scholar

Luana, LM, Mariana, MDB & Masato, K. Efectos de diferentes métodos de normalización, agregación y clasificación en la construcción de índices de vulnerabilidad a inundaciones. Agua (Suiza) 13(98), 1–16 (2021).

Google Académico

Zach. Normalización de puntuación Z: definición y ejemplos. Consultado el 28 de enero de 2023. https://www.statology.org/z-score-normalization/ (2023).

Wu, MX, Gide, E. & Jewell, R. Un diagrama de globo ocular: ilustrando los CSF comunes en la satisfacción empresarial del comercio electrónico para la adopción exitosa de sistemas de comercio electrónico por parte de las PYME. En t. J. Electrón. Relación con el cliente. Gestionar. 6(2), 169–192 (2012).

Google Académico

Nahm, KN Lo que realmente nos dicen los valores P. Coreano J. Pain 30(4), 241–242 (2017).

Artículo PubMed PubMed Central Google Scholar

Malhotra, N., Hal, J., Shaw, M. y Oppenheim, P. Investigación de mercados: una orientación aplicada (Pearson, 2006).

Reservar Google Académico

Benjamin, DJ & Berger, JO Tres recomendaciones para mejorar el uso de los valores p. Soy. Estadística. 73(1), 186-191 (2019).

Artículo MathSciNet MATEMÁTICAS Google Scholar

Messerli, FH Consumo de chocolate, función cognitiva y premios Nobel. N. inglés. J. Med. 367(16), 1562-1564 (2012).

Artículo CAS PubMed Google Scholar

AL‐Rousan, N., Mat Isa, NA & Mat Desa, MK Análisis de correlación y MLP/CMLP para variables óptimas para predecir ángulos de orientación e inclinación en sistemas inteligentes de seguimiento solar. En t. J. Energía Res. 45(1), 453–477 (2021).

Artículo de Google Scholar

Cómo hacer estadísticas. Coeficiente de correlación: definición simple, fórmula, pasos sencillos. Consultado el 28 de enero de 2023. https://www.statisticshowto.com/probability-and-statistics/correlation-coficient-formula/ (2023).

Wilcox, RR Fundamentos de los métodos estadísticos modernos: mejora sustancial del poder y la precisión, 2ª ed. (Springer, 2010). https://doi.org/10.1007/978-1-4419-5525.

Libro MATEMÁTICAS Google Scholar

Descargar referencias

La investigación presentada en este artículo está financiada por el '14º Plan Quinquenal' de Ciencias de la Educación Provincial de Shanxi 2021 (GH-21316), el Proyecto de Carbón Coquizable de Shanxi (201809fx03) y la Federación de Ciencias Sociales de Shanxi (SSKLZDKT2019053).

Estos autores contribuyeron igualmente: Robert MX Wu, Zhongwu Zhang y Huan Zhang.

Estos autores supervisaron conjuntamente este trabajo: Yongwen Wang, Niusha Shafiabady y Wanjun Yan.

Facultad de Ingeniería y Tecnología de la Información, Universidad Tecnológica de Sydney, Sydney, 2000, Australia

Robert MX Wu

Escuela de Geografía, Universidad Normal de Shanxi, Taiyuan, 030009, China

Robert MX Wu, Zhongwu Zhang y Huan Zhang

Shanxi Fenxi Mining Industry (Group) Co. Ltd, Jiexiu, 032000, China

Yongwen Wang y Wanjun Yan

Facultad de Ciencia y Tecnología, Universidad Charles Darwin (Campus de Sydney), Sydney, 2000, Australia

Niusha Shafiabady

Shanxi Fenxi Mining Zhongxing Coal Industry Co. Ltd, Lvliang, 030500, China

Jinwen Gou

Escuela de Ingeniería y Tecnología, Universidad Central de Queensland, Sydney, 2000, Australia

Ergun Gide

Universidad Normal de Taiyuan, Taiyuan, 030009, China

Siqing Zhang

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

Conceptualización: RMXWRecolección de datos: YW, WY, JG, HZ,Análisis formal: RMXW, NS, HZ, SZInvestigación: RMXW, YW, NS, WY, JG Metodología: RMXW, NS, EG.Administración de proyectos: RMXW, ZZ, YW, WY, JG Recursos: RMXW, ZZ, YW, NS, WY, JG Supervisión: RMXW, ZZ, YW, NS Validación: RMXW, NS, HZ, SZVisualización: RMXW, HZWriting—borrador original: RMXW, HZ, EGWriting—revisión y edición: RMXW, NS

Correspondencia a Robert MX Wu.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado al autor(es) original(es) y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Wu, RMX, Zhang, Z., Zhang, H. et al. Un enfoque de análisis FSV para verificar la solidez del marco teórico del análisis de triple correlación. Informe científico 13, 9621 (2023). https://doi.org/10.1038/s41598-023-35900-3

Descargar cita

Recibido: 22 de noviembre de 2022

Aceptado: 25 de mayo de 2023

Publicado: 14 de junio de 2023

DOI: https://doi.org/10.1038/s41598-023-35900-3

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.