Wasserstandsvorhersage des Aquifers an der Abbaufront im Bergbau basierend auf VMD-LSTM

Warum sichereres Bergbauen vom Wissen über das Wasser darunter abhängt

Tief unter der Erde liegen Kohlebergwerke oft über wassergetränkten Gesteinsschichten. Wenn dieses Wasser plötzlich in einen Stollen strömt, kann es Maschinen überfluten, Arbeiter gefährden und die Produktion stoppen. Diese Studie untersucht einen intelligenteren Weg, vorherzusagen, wie der Wasserstand in diesen unterirdischen Schichten in der Nähe einer aktiven Abbaufront steigt und fällt, damit Betreiber frühzeitig Maßnahmen ergreifen können, um gefährliche Überraschungen zu vermeiden.

Verborgene Wellen unter dem Bergwerk

In dem untersuchten Bergwerk liegt eine Kohleflöz über einer Kalksteinschicht, die als versteckter Wasserspeicher fungiert. Wenn Kohle abgebaut wird, ändern sich die Spannungen im Gestein und Wasser kann sich in Richtung der Stollen bewegen. Das direkte Messen von Wassereinbrüchen in einen Stollen ist schwierig, weil viele Faktoren die Sensoren stören. Dagegen ist das Verfolgen des Wasserstandes in der benachbarten Kalksteinschicht sauberer und stabiler. Die Autoren konzentrieren sich daher auf die Vorhersage dieses Aquiferstands als Stellvertreter für das Risiko plötzlicher Wasserzuflüsse.

Ein komplexes Signal in einfachere Teile zerlegen

Die tägliche Wasserstandskurve ist holprig und unregelmäßig, mit langsamen Trends vermischt mit scharfen Ausschlägen. Um damit umzugehen, bereinigen die Forschenden zunächst die Daten, entfernen offensichtliche Fehler und füllen fehlende Tage auf. Anschließend verwenden sie eine Methode namens Variational Mode Decomposition (variationale Modenzerlegung), die den Wasserstand wie eine Mischung mehrerer sich überlagernder Wellen behandelt. Sie zerlegt die ursprüngliche Kurve in acht einfachere Komponenten, von langfristigen Trends bis zu kurzfristigen Schwankungen. Dadurch kann ein Computer­modell Muster erkennen, die sonst im Rauschen verborgen blieben.

Ein Netzwerk lehren, sich an die Vergangenheit zu erinnern

Nach der Zerlegung wird jede der einfacheren Wasserstandskurven in einen Typ künstlichen neuronalen Netzwerks eingespeist, der für Zeitreihen entwickelt wurde: ein Long Short-Term Memory Netzwerk. Dieses Netzwerk ist darauf ausgelegt, wichtige Informationen aus vielen Tagen zurück zu behalten und weniger nützliche Details zu ignorieren. Das Modell wird mit dem Großteil der aufgezeichneten Daten trainiert und anschließend an den verbleibenden Tagen getestet. Das Team vergleicht mehrere Ansätze, darunter Varianten mit anderen gebräuchlichen Sequenzmodellen und Varianten, die ganz auf die Zerlegung verzichten.

Deutliche Verbesserungen der Vorhersagegenauigkeit

Das kombinierte Modell aus variationaler Modenzerlegung und Long Short-Term Memory liefert die genauesten Vorhersagen unter den getesteten Methoden. Es bildet den allgemeinen Anstieg und Fall des Aquiferstands gut ab und zeigt besonders gute Leistung bei schnellen Pegeländerungen, etwa bei starken Abfällen oder plötzlichen Spitzen. Beim Vergleich gängiger Fehlermaße weist ihr Hybridmodell durchgehend niedrigere Fehler und eine engere Übereinstimmung mit den Messwerten auf als Modelle ohne Zerlegung oder solche mit anderen Netzwerkarchitekturen. Das legt nahe, dass das Entwirren des gemischten Signals vor dem Einsatz eines gedächtnisbasierten Netzwerks das Erfassen des tatsächlichen Verhaltens des unterirdischen Wassers erleichtert.

Was das für die Sicherheit im Bergbau bedeutet

Für Betreiber weist die Studie auf ein praktisches Werkzeug hin, um das verborgene Wasser unter den Abbaufronten zu überwachen. Indem das Modell frühere und verlässlichere Warnungen zu künftigen Wasserständen liefert, kann es Entscheidungen über Bohrungen, Pumpmaßnahmen und Verstärkungen unterstützen, bevor Wasser in Stollen einbricht. Da die Methode nach der Einrichtung relativ einfach ist und auf täglichen Messungen läuft, bietet sie einen bequemen Weg, den Schutz vor Wassergefahren zu stärken und eine sicherere, effizientere Kohleförderung zu unterstützen.

Zitation: Zhang, G., Jiao, B., Ji, X. et al. VMD-LSTM based water level prediction of aquifer in mining working face. Sci Rep 16, 15088 (2026). https://doi.org/10.1038/s41598-026-45287-6

Schlüsselwörter: Bergbauwasser, Aquiferstand, Zeitreihenvorhersage, Tiefenlernen, Sicherheit im Kohlebergbau