Identificación y evaluación de riesgos para eventos de seguridad de múltiples tipos bajo el acoplamiento de factores ambientales

Por qué importan los patrones ocultos en los datos industriales

Las fábricas modernas, túneles y minas de carbón están cubiertos por sensores que registran en silencio niveles de gas, vibración, temperatura y más. Sin embargo, siguen ocurriendo accidentes graves porque no es una sola lectura la que señala peligro, sino la forma en que muchas condiciones cambiantes empujan a un sistema hacia la falla de manera conjunta. Este artículo muestra cómo convertir esas corrientes de datos enredadas en una imagen más clara del riesgo, para que los operarios puedan detectar señales tempranas de múltiples tipos de problemas a la vez—antes de que disturbios menores se conviertan en eventos perjudiciales.

De la causa y efecto simple a cadenas enmarañadas de eventos

Los modelos clásicos de seguridad suelen imaginar los accidentes como líneas rectas: un error humano aquí, una barrera fallida allá y, finalmente, un incendio, explosión o colapso. A lo largo del último siglo, teorías como las cadenas de dominó, el modelo del queso suizo y los enfoques de teoría de sistemas han intentado capturar esa lógica. Pero con la monitorización multisensorial y de alta velocidad actual, esos diagramas simples se quedan cortos. Les cuesta describir cómo decenas de factores interactúan, fluctúan en el tiempo y se influyen mutuamente de modos que hacen que ciertas combinaciones sean especialmente peligrosas. Los autores sostienen que, para entender esta complejidad, debemos tratar los eventos de seguridad como resultados que “emergen” de una red de condiciones interactivas en distintas escalas.

Capas de condiciones que conducen al peligro

El estudio distingue entre tres capas de condiciones ambientales. En el núcleo están los factores causantes del desastre, como la estructura física del carbón, las tensiones en la roca circundante o la cantidad de gas almacenada en un banco. A su alrededor se sitúan factores derivados que reflejan esas condiciones centrales pero pueden ser difíciles de medir directamente. Finalmente están los factores ambientales medibles—como el flujo de gas desde sondeos, los recortes de perforación y las señales electromagnéticas—que los sensores pueden monitorear fácilmente. Estas magnitudes medibles están fuertemente vinculadas a las causas más profundas y difíciles de observar. Cuando grupos de ellas derivan hacia rangos inestables de forma conjunta, generan eventos de alerta temprana, que a su vez pueden encadenarse y superponerse para crear accidentes graves.

Ver los eventos como redes, no como incidentes aislados

En lugar de tratar cada evento de seguridad por separado, los autores describen una red en la que los eventos pueden desencadenarse o amplificarse entre sí. Una pequeña anomalía de gas hoy podría aumentar la probabilidad de un problema de ventilación mañana, lo que a su vez podría hacer que una explosión sea más probable al día siguiente. Factores ambientales compartidos conectan estos eventos: las mismas señales medibles pueden presagiar distintos tipos de problemas. El artículo formaliza esta idea como interacción entre escalas. Los cambios en condiciones medibles se propagan a través de su propia red, mientras que los eventos a mayor escala forman una cadena de causas y consecuencias. Entender cómo fluye la información a través de ambas redes a la vez es clave para predecir qué combinación de lecturas realmente significa “actuar ahora”.

Un modelo de aprendizaje que pondera lo que importa

Sobre esta base, los autores introducen un modelo de identificación y evaluación de riesgos (RIAM) que aprende directamente de los datos de sensores. Primero, estandariza las lecturas de distintos sensores e inserta esas señales en una representación interna compartida. Un módulo de “captura de información clave” aprende luego qué factores tienden a variar juntos, capturando los acoplamientos ocultos entre ellos. Un módulo de mapeo entre escalas relaciona estos patrones con eventos de seguridad específicos, produciendo una matriz de contribuciones que muestra con qué intensidad cada factor medible influye en cada tipo de evento. Finalmente, el modelo ofrece la probabilidad de que uno o más eventos estén ocurriendo o estén a punto de ocurrir. Debido a que registra las contribuciones de forma explícita, no solo señala el riesgo sino que también indica qué señales están impulsando la alerta, mejorando la transparencia para los responsables humanos.

Ponendo el enfoque a prueba bajo tierra

Para probar RIAM, los investigadores utilizaron datos reales de monitorización de una mina de carbón china donde los estallidos de carbón y gas representan un peligro grave. Se centraron en tres tipos de eventos: el propio estallido y dos condiciones precursoras relacionadas con el flujo de gas y la adsorción de gas en los recortes de perforación. Seis factores medibles formaron las entradas, que iban desde la velocidad del gas en el sondeo hasta señales de radiación electromagnética. Como los estallidos verdaderos son raros, complementaron los datos reales limitados con muestras sintéticas cuidadosamente diseñadas que imitan el ruido de los sensores y estados operativos poco frecuentes sin distorsionar el comportamiento subyacente. Usando validación cruzada de diez pliegues, compararon RIAM con métodos estándar como regresión logística, máquinas de vectores de soporte, naïve Bayes, cadenas de clasificadores, conjuntos de árboles y redes neuronales simples.

Qué significa esto para sistemas complejos más seguros

Tanto en las pruebas de eventos únicos como en las de múltiples eventos, RIAM identificó sistemáticamente las condiciones de riesgo con mayor precisión y fiabilidad que los enfoques comparados, especialmente cuando distintos tipos de eventos se solapaban. Igualmente importante, el modelo reveló qué lecturas de sensores eran más relevantes para cada evento, confirmando, por ejemplo, que ciertos indicadores de gas y electromagnéticos desempeñan papeles destacados en la predicción de estallidos. Para los no especialistas, la conclusión principal es que la seguridad en entornos complejos y de alto riesgo depende menos de vigilar un “número mágico” y más de comprender cómo múltiples factores cambiantes se combinan a lo largo del tiempo. Al tratar los accidentes como resultados emergentes de condiciones entrelazadas—y al usar modelos basados en datos que preservan esa estructura—podemos pasar de explicaciones reactivas a advertencias tempranas proactivas e interpretables que ayuden a mantener a salvo a trabajadores y equipos.

Cita: Liu, Q., Li, J. & Jin, Z. Risk identification and assessment for multitype safety events under the coupling of environmental factors. Sci Rep 16, 9320 (2026). https://doi.org/10.1038/s41598-026-39940-3

Palabras clave: seguridad industrial, evaluación de riesgos, datos de sensores, accidentes en minas de carbón, aprendizaje automático