Charakterisierung akustischer Emissionsparameter und Identifikation gestufter Bruchausbreitung in einer Kombination aus verfestigtem Körper und Kohlesäule basierend auf experimentellen und maschinellen Lernansätzen

Auf Spuren tief unter Tage lauschen

Moderne Kohlebergwerke verlassen sich auf unterirdische Pfeiler und künstliche Auffüllungen, um Hunderte Meter Deckgebirge zu tragen. Versagen diese Stützen plötzlich, können katastrophale Dachstürze die Folge sein. Diese Studie zeigt, wie Ingenieure winzige Knackgeräusche in einer kombinierten Struktur aus verfestigtem Auffüllmaterial und Kohlepfeiler „abhören“ und künstliche Intelligenz einsetzen können, um die Warnstufen vor dem Versagen zu erkennen — ein Schritt hin zu intelligenteren, früheren Sicherheitswarnungen in realen Gruben.

Wie künstlicher Fels und Kohle zusammenwirken

In einigen chinesischen Bergwerken ersetzt ein Verfahren namens kontinuierliches Vortrieb und Schlackenausbauen einen Teil der Kohle durch einen verfestigten Block aus Abraum, Zement und Sand. Dieser Block und der verbleibende Kohlepfeiler teilen sich die Aufgabe, das darüberliegende Gebirge zu stützen, und bilden das, was die Autoren als Kombination aus verfestigtem Körper und Kohle bezeichnen. Weil diese Struktur in einer Zone konzentrierter Spannungen liegt und durch den laufenden Abbau gestört wird, ist es entscheidend für die langfristige Stabilität und die Sicherheit der Arbeiter, genau zu verstehen, wie und wann Risse entstehen.

Winzige Risse in nützliche Signale verwandeln

Wenn Gestein unter Druck gerät, senden Mikro­risse hochfrequente elastische Wellen aus. Sensible akustische Emissionssensoren, an den Seiten von Laborproben aufgeklebt, erfassen diese Signale lange bevor sichtbare Schäden auftreten. Die Forscher fertigten kombinierte Proben aus Kohle und verfestigtem Auffüllmaterial an und belasteten sie langsam, während Millionen akustischer Ereignisse aufgezeichnet wurden. Sie untersuchten mehrere Aspekte dieser Signale: wie häufig sie auftraten, wie ihre Energie verteilt war und wie sich ihre Wellenformen im Zeitverlauf änderten. Durch die Verknüpfung dieser Parameter mit Spannung und Dehnung der Proben konnten sie Änderungen im Klangmuster mit klar abgrenzbaren Stadien innerer Schädigung in Beziehung setzen.

Risswachstum in erkennbaren Stadien

Die Tests zeigten, dass die kombinierte Struktur nicht auf einmal versagt; vielmehr durchläuft sie eine Abfolge von Stadien. Zunächst werden Poren und kleine Hohlräume einfach zusammengedrückt, begleitet nur von wenigen schwachen akustischen Signalen. Mit zunehmender Belastung tritt das Material in eine elastische Phase ein, in der Mikro­risse zu entstehen beginnen und die Aktivität stark ansteigt, was einen ersten Gipfel in der Anzahl der Signale erzeugt. Später, wenn größere Risse initiieren, sich im Auffüllmaterial und in der Kohle verbinden und miteinander interagieren, werden die Signal­muster intensiver und komplexer, was zu einem zweiten, stärkeren Gipfel führt, der mit instabiler Bruchausbreitung und dem endgültigen Versagen verknüpft ist. Maße auf Basis der Energie‑Frequenz‑Verteilung und der Wellenform reagierten während dieser Stadien charakteristisch, sodass sich die „Klangsignatur“ von Kompaktion, stabilem Risswachstum und instabilem Durchbruch jeweils unterscheiden lässt.

Maschinen beibringen, die Warnzeichen zu lesen

Um diese Muster in ein praktisches Werkzeug zu überführen, speiste das Team vier zentrale akustische Parameter in mehrere Modelle des maschinellen Lernens, die darauf ausgelegt sind, das jeweilige Schadensstadium der Probe zu erkennen. Sie testeten Random Forests, Support‑Vector‑Machines und zwei fortgeschrittene Gradient‑Boosting‑Methoden. Alle vier lernten, die Stadien mit hoher Genauigkeit zu klassifizieren, am besten schnitt jedoch die Light Gradient Boosting Machine ab, die mehr als 85 % der Zeitfenster über alle Stadien korrekt identifizierte. Die Autoren verwendeten anschließend eine verbreitete Interpretierbarkeitsmethode, um zu ermitteln, welche Parameter am wichtigsten sind, und nutzten diese Wichtigkeitswerte, um einen einzigen kombinierten Warnindex zu erstellen. Dieser Index kombiniert verschiedene Aspekte des akustischen Verhaltens zu einer Kurve, die ansteigt, wenn sich die Struktur vom sicheren in den gefährlichen Bereich bewegt.

Was das für die Sicherheit im Bergbau bedeutet

Einfach gesagt zeigt die Studie, dass das Auffüll‑Kohle‑Stützensystem vor dem Bruch „spricht“ und dass Computer lernen können, diese Sprache zu verstehen. Durch die Überwachung einer Handvoll sorgfältig ausgewählter akustischer Merkmale und deren Verschmelzung zu einem einzigen Warnindikator können Ingenieure im Prinzip erkennen, wann sich die Struktur von harmlosen Rissen zu schnell ausbreitenden Brüchen entwickelt, die einem Einsturz vorausgehen. Obwohl der vorgeschlagene Index noch auf kontrollierten Labortests beruht und für die lauteren, komplexeren Bedingungen unter Tage angepasst werden muss, bietet er einen klaren Rahmen für zukünftige Überwachungssysteme, die darauf abzielen, leise Untergrund‑Flüstertöne in verlässliche Frühwarnungen zu verwandeln.

Zitation: Tan, Y., Cheng, H., He, M. et al. Characterization of acoustic emission parameters and identification of staged fracture propagation in solidified body-coal combination based on experimental and machine learning approaches. Sci Rep 16, 8314 (2026). https://doi.org/10.1038/s41598-026-37101-0

Schlüsselwörter: akustische Emission, Stabilität von Kohlebergwerken, Felsbruch, Überwachung mit maschinellem Lernen, Frühwarnsysteme