Caracterización de parámetros de emisión acústica e identificación de la propagación fracturada por etapas en la combinación cuerpo solidificado‑carbón basada en enfoques experimentales y de aprendizaje automático

Escuchando el peligro en lo profundo

Las minas de carbón modernas dependen de pilares subterráneos y de rellenos artificiales para sostener cientos de metros de roca. Si estos soportes fallan de forma repentina, el resultado puede ser un colapso catastrófico del techo. Este estudio muestra cómo los ingenieros pueden "escuchar" los pequeños sonidos de fisuración en una estructura combinada de pilar de carbón y relleno solidificado y utilizar inteligencia artificial para reconocer las etapas de advertencia previas a la falla, lo que apunta a alertas de seguridad más tempranas e inteligentes en minas reales.

Cómo funcionan juntos la roca artificial y el carbón

En algunas minas chinas, una técnica llamada avance continuo y relleno con desechos sustituye parte del carbón por un bloque solidificado hecho de roca de desecho, cemento y arena. Este bloque y el pilar de carbón restante comparten la tarea de sostener el terreno superior, formando lo que los autores denominan una combinación cuerpo solidificado‑carbón. Dado que esta estructura se sitúa en una zona de concentración de esfuerzos y está perturbada por la extracción continua, comprender exactamente cómo y cuándo empieza a agrietarse es esencial para la estabilidad a largo plazo y la seguridad de los trabajadores.

Convertir microfisuras en señales útiles

Cuando las rocas se comprimen, emiten ondas elásticas de alta frecuencia conforme surgen y crecen microfisuras. Sensores de emisión acústica sensibles, pegados a los laterales de las probetas de laboratorio, pueden captar estas señales mucho antes de que aparezca daño visible. Los investigadores crearon especímenes combinados de carbón y relleno solidificado, y los comprimieron lentamente mientras registraban millones de eventos acústicos. Examinaron varios aspectos de estas señales: la frecuencia de ocurrencia, la distribución de su energía y cómo cambiaban sus formas de onda con el tiempo. Al rastrear estos parámetros junto con el esfuerzo y la deformación de las probetas, pudieron vincular cambios en los patrones sonoros con etapas distintas de daño interno.

Crecimiento de grietas en etapas reconocibles

Las pruebas mostraron que la estructura combinada no falla de golpe; en cambio, atraviesa una secuencia de etapas. Inicialmente, los poros y pequeños huecos se cierran por compresión, con solo unas pocas señales acústicas débiles. A medida que aumenta la carga, el material entra en una etapa elástica donde comienzan a nuclearse microfisuras y la actividad se eleva bruscamente, produciendo un primer pico en el recuento de señales. Más adelante, cuando se inician grietas mayores, se conectan a través del relleno y del carbón e interactúan entre sí, los patrones de señal se vuelven más intensos y complejos, conduciendo a un segundo pico más fuerte asociado con fractura inestable y la falla final. Medidas basadas en la distribución energía‑frecuencia y la forma de la onda respondieron de manera característica durante estas etapas, lo que significa que la "firma sonora" de compactación, crecimiento estable de grietas y ruptura inestable puede distinguirse por separado.

Enseñar a las máquinas a leer las señales de advertencia

Para convertir estos patrones en una herramienta práctica, el equipo alimentó cuatro parámetros acústicos clave a varios modelos de aprendizaje automático diseñados para reconocer en qué etapa de daño se encontraba la probeta en cada momento. Probaron bosques aleatorios, máquinas de vectores de soporte y dos métodos avanzados de impulsión de gradiente. Los cuatro aprendieron a clasificar las etapas con alta precisión, pero la máquina ligera de boosting por gradiente rindió mejor, identificando correctamente más del 85% de las ventanas temporales en todas las etapas. Los autores usaron luego un método popular de interpretabilidad para ver qué parámetros eran más relevantes, y emplearon esas puntuaciones de importancia para construir un único índice de alerta combinado. Este índice fusiona diferentes aspectos del comportamiento acústico en una sola curva que asciende a medida que la estructura pasa de estados seguros a peligrosos.

Qué significa esto para la seguridad en minas

En términos simples, el estudio demuestra que el sistema de soporte relleno‑carbón avisa antes de romperse, y que los ordenadores pueden aprender a entender su lenguaje. Al monitorizar un puñado de características acústicas cuidadosamente elegidas y fusionarlas en un indicador único de advertencia, los ingenieros pueden, en principio, detectar cuándo la estructura pasa de fisuración inocua a fracturas que se propagan rápidamente y preceden al colapso. Aunque el índice propuesto se basa todavía en ensayos de laboratorio controlados y debe ajustarse a las condiciones subterráneas, más ruidosas y complejas, ofrece un marco claro para futuros sistemas de monitorización de minas que aspiren a convertir susurros subterráneos débiles en avisos tempranos fiables.

Cita: 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

Palabras clave: emisión acústica, estabilidad de minas de carbón, fractura de roca, monitorización mediante aprendizaje automático, sistemas de alerta temprana