井下灾害监测需同时覆盖 工作面职业环境 与 采空区气体演化，而非仅盯单一瓦斯曲线。Dey、Chaulya 与 Kumar（2021）在 Process Safety and Environmental Protection 将 IoT 传感网络 与 混合 CNN-LSTM 结合，分别预测工作面 矿工健康质量指数（MHQI, Miner's Health Quality Index） 与采空区 CH₄。下文按「背景—MHQI—系统—结果—局限—工程启示」归纳。
1. 问题背景
1.1 为何 IoT + 深度学习
传统监测多 测点有限，难以覆盖 偏远井下区域。IoT 可扩大采集范围；混合深度模型可同时利用 空间结构（CNN） 与 时间动态（LSTM）。
1.2 本文范围
系统面向 预防性灾害识别，输出两类目标：
| 输出 | 区域 | 含义 | |------|------|------| | MHQI | 工作面 | 综合职业/环境健康指数 | | CH₄ | 采空区 | 甲烷预报，服务爆炸/火灾风险 |
相对单独 CNN 或 LSTM，混合模型在两项指标上报告更低 MSE。
2. MHQI（工作面）
MHQI 由空气质量与热舒适子指数合成（原文定义）：
MHQI = 0.8 × MAQHI + 0.2 × HCI
| 子指数 | 典型输入 | |--------|----------| | MAQHI（矿井空气质量健康指数） | CO、CO₂、CH₄、SO₂、NO₂、H₂S | | HCI（热舒适指数） | 温度、风速、湿度 |
各气体浓度通过分级断点映射为健康风险档（很低→很高），便于在 ppm 曲线之外给出可解释预警。
3. 系统架构
IoT 传感器（工作面 + 采空区）→ 采集 → CNN（空间特征）+ LSTM（时序）→ MHQI / CH₄ 预报 → 预警
- IoT 层： 提升 偏远井下位置 的监测覆盖与可扩展性
- CNN： 从传感数据中提取空间/特征模式
- LSTM： 建模灾害演化的时序依赖
- CNN-LSTM： 融合二者，分别预报 MHQI 与采空区 CH₄
实验采用约 80% 训练 / 20% 测试 的划分（以原文设置为准）。
4. 结果（相对基线）
作者以 MSE、R² 对比 CNN-LSTM 与 单独 CNN、LSTM：
| 目标 | CNN-LSTM MSE（报告值） | 相对基线（摘要） | |------|------------------------|------------------| | MHQI | < 0.0009 | 优于 LSTM 的 0.0025 等单模型误差 | | 采空区 CH₄ | 0.0011 | 优于 LSTM 的 0.0033 等 |
摘要亦报告相对 CNN/LSTM 的 R² 提升（MHQI、CH₄ 约 0.005–0.007 量级）。指标具 数据集属性，部署前需在本地流数据上复现。
5. 与本系列其他读笔记的关系
与 UMAP-LSTM 密闭区火灾 同属 CIMFR / Chaulya 研究线：IoT 气体监测 + 序列模型；本文扩展为 工作面 MHQI + 采空区甲烷，采用 CNN–LSTM 时空融合，而非 UMAP 降维。
6. 局限与复现注意
- MHQI 权重（0.8/0.2）与气体断点需按本地规程校准。
- 采空区 CH₄ 预报不替代火灾比值、爆炸性图等 domain 指标。
- IoT 可靠性： 井下延迟、供电、组网在后续综述中被视为落地瓶颈。
- 验证范围： 引用指标前需核对原文矿井、传感器布点与划分方式。
- 安全冗余： 预报仅辅助预警，不能替代法定气体监测、通风联锁与撤人程序。
7. 工程启示
- 监测宜 多目标设计：工作面 MHQI（多气体 + 热环境）与采空区 CH₄ 并行。
- CNN + LSTM 是可落地的时空基线，再考虑更重 CFD 代理模型。
- IoT 布点应覆盖作者强调的 偏远、监测薄弱 区段。
- 预报对接 分级告警（MHQI 档位 + 甲烷限值）并保留人工确认。
- 后续可引入 通风量、产量 等外生变量，与本系列涌出量/浓度模型衔接。
参考文献
Dey, P.; Chaulya, S. K.; Kumar, S. Hybrid CNN-LSTM and IoT-based Coal Mine Hazards Monitoring and Prediction System. Process Safety and Environmental Protection 2021, 152, 249–263.