Abgrenzung homogener Zonen für mechanische Eigenschaften von Fugenwänden in Tagebaushrägen basierend auf einem multi-indikativen Stack‑Generalization‑Modell

Warum die Festigkeit versteckter Risse wichtig ist

Hoch über den Lastwagen und Baggern in einem Tagebau entscheidet die Stabilität der abgestuften Felswände darüber, ob ein Arbeitstag routiniert verläuft oder in einer Katastrophe endet. Diese Wände sind keine festen Blöcke, sondern werden von zahllosen natürlichen Rissen und Fugen durchzogen. Der Zustand der dünnen Gesteinsoberflächen entlang dieser Fugen beeinflusst maßgeblich, ob ein Hang standhält oder versagt. Diese Studie zeigt, wie ein moderner, datengetriebener Ansatz Bereiche mit ähnlicher Fugenqualität an einer Wand kartieren kann und so ein klareres, objektiveres Bild davon liefert, wo Hänge am sichersten und wo sie am gefährdetsten sind.

Gerissenes Gestein ist nicht gleich

Im Tagebau teilen Ingenieure den Felskörper oft in „homogene Zonen“ – Bereiche, in denen sich das Gestein ungefähr gleich verhält. Traditionsreiche Systeme, wie etablierte Rock‑Quality‑Ratings, verdichten viele Beobachtungen zu einzelnen Werten. Nützlich für grobe Entscheidungen, verwischen sie jedoch feinräumige Unterschiede, die entlang der Fugenflächen wirklich zählen. Fugen variieren in ihrer Festigkeit, darin, wie leicht sie bei Wechsel von nass zu trocken zerfallen, im Verwitterungsgrad und in ihrer Häufigkeit pro Längeneinheit. Einen gesamten Hang als einheitlichen Block zu behandeln, birgt das Risiko, schwächere Teilzonen zu übersehen, in denen ein Versagen wahrscheinlicher beginnt.

Messgrößen, die wirklich die Hang­sicherheit steuern

Die Autorinnen und Autoren konzentrieren sich direkt auf die mechanischen Eigenschaften von Fugenwänden in einem großen Tagebau für Blei‑Zink in Yunnan, Südwestchina. Innerhalb einer einheitlichen Sandsteinformation sammelten sie 153 Gesteinsproben und maßen sorgfältig fünf Schlüsselindikatoren. Dazu gehören die Druckfestigkeit der Fugenfläche (ermittelt mit einem Rebound‑Hammer an exponierten Fugen), die Widerstandsfähigkeit gegen Zerfall bei wiederholtem Befeuchten und Austrocknen, zwei Messgrößen, die den Verwitterungsgrad widerspiegeln, und die Anzahl der Fugen pro Längeneinheit. Zusammen erfassen diese Messungen, wie wahrscheinlich es ist, dass Fugen unter der Last eines Hangabschnitts schwächer werden, sich öffnen und verrutschen.

Von Felddaten zu intelligenter Zonierung

Anstatt sich auf ein Bewertungssystem oder einen einzigen Modelltyp zu stützen, nutzten die Forschenden eine maschinelle Lernstrategie namens stacked generalization. Einfach gesagt lernen mehrere verschiedene Algorithmen zunächst Muster in den Daten und treffen jeweils eigene Vorhersagen, welcher Unterzone eine Probe angehört. Ein finales „Meta“-Modell lernt dann, diese Einschätzungen am besten zu einer einzigen, verlässlicheren Entscheidung zu kombinieren. Damit das System subtile, gekrümmte Zusammenhänge zwischen den fünf Indikatoren und dem Gesteinsverhalten erkennen kann, erweiterten die Autorinnen und Autoren die Rohmesswerte um quadrierte und Kreuzprodukt‑Terme und verwendeten anschließend einen informationsbasierten Filter, um nur die aussagekräftigsten Merkmale zu behalten.

Vier Zonen, ein Hang

Anhand von 53 Proben, deren Unterzonen im Feld identifiziert worden waren, trainierte und optimierte das Team sechs gängige Modelle des maschinellen Lernens und baute dann aus den drei stärksten ein stacked Modell. Dieses Ensemble erreichte eine ausgewogene Genauigkeit von rund 94 Prozent bei der Klassifizierung der Gesteinsproben in vier Unterzonen und übertraf damit deutlich jedes einzelne Modell für sich. Die restlichen 100 Proben, die aus optisch uneindeutigen Bereichen stammten, wurden anschließend vom stacked Modell den Zonen zugewiesen. Das Eintragen aller 153 klassifizierten Punkte in eine geologische Karte des Tagebaus zeigte vier deutlich unterscheidbare homogene Zonen über den Hang verteilt, jeweils mit charakteristischer Fugenfestigkeit, Verwitterungszustand und Fugendichte.

Was das für sicherere Minen bedeutet

Für Bergbauplaner und Sicherheitsingenieure ergibt sich daraus eine realistischere Karte darüber, wo Hänge von Natur aus stärker oder schwächer sind. Anstatt davon auszugehen, dass überall dieselben Gesteinseigenschaften gelten, können sie jedem Bereich in ihren Stabilitätsberechnungen und numerischen Simulationen unterschiedliche mechanische Parameter zuordnen. Das hilft, gezielt jene Stellen zu bestimmen, an denen Verstärkungen, Entwässerung oder konstruktive Änderungen dringend nötig sind, und gleichzeitig unnötige Übervorsicht andernorts zu vermeiden. Obwohl die vorliegende Arbeit auf einem Sandstein‑Tagebau basiert, stützt sich die Methode auf Messungen, die in den meisten Gesteinstypen durchführbar sind. Mit zusätzlichen Daten aus anderen Standorten könnte dieses gestapelte Modellierungs‑Framework zu einer standardisierten Methode werden, um detaillierte Messungen an Fugenwänden in praxisorientierte, zonenbasierte Empfehlungen für dauerhaft sichere Tagebauhänge zu übersetzen.

Zitation: Yu, X., Zheng, A., Ye, J. et al. Delineating homogeneous zones for rock joint wall mechanical properties in open-pit mine slope based on a multi-indicator stacked generalization model. Sci Rep 16, 5117 (2026). https://doi.org/10.1038/s41598-026-35547-w

Schlüsselwörter: Hangstabilität, Tagebau, Gesteinsklüfte, maschinelles Lernen, geotechnische Zonierung