Predicción del nivel de agua del acuífero en el frente de trabajo minero basada en VMD-LSTM

Por qué una minería más segura depende de conocer el agua que hay debajo

En lo profundo, las minas de carbón suelen estar sobre capas de roca empapadas de agua. Si ese agua irrumpe de repente en un túnel, puede inundar equipos, poner en peligro a los trabajadores y detener la producción. Este estudio explora una forma más inteligente de predecir cómo subirá y bajará el nivel de agua en estas capas subterráneas cerca de un frente de trabajo activo, ayudando a los operadores de la mina a actuar con antelación para evitar sorpresas peligrosas.

Ondas ocultas bajo la mina

En la mina estudiada, una capa de carbón yace sobre una capa de caliza que almacena aguas subterráneas como un depósito oculto. A medida que se extrae el carbón, cambian las tensiones en la roca y el agua puede desplazarse hacia los túneles. Medir directamente el agua que entra en un túnel es complicado porque muchos factores interfieren con los sensores. En cambio, seguir el nivel de agua en la capa de caliza cercana es más limpio y estable. Por ello, los autores se centran en predecir este nivel del acuífero como un indicador del riesgo de entradas de agua súbitas.

Dividir una señal compleja en partes más sencillas

El registro diario del nivel de agua es irregular y accidentado, con tendencias lentas mezcladas con oscilaciones bruscas. Para afrontarlo, los investigadores primero limpian los datos, eliminando errores evidentes y rellenando los días faltantes. Luego usan un método llamado descomposición modal variacional, que trata el registro del nivel de agua como una mezcla de varias ondas superpuestas. Separa la curva original en ocho componentes más sencillas, cada una representando cambios en una escala temporal distinta, desde tendencias a largo plazo hasta ripples a corto plazo. Esto facilita que un modelo informático reconozca patrones que de otro modo quedarían enterrados en el ruido.

Enseñar a una red a recordar el pasado

Tras la descomposición, cada una de las curvas de nivel de agua más sencillas se introduce en un tipo de red neuronal artificial diseñada para series temporales, conocida como red de memoria a largo y corto plazo (LSTM). Esta red está construida para recordar información importante de muchos días atrás mientras ignora detalles menos útiles. El modelo se entrena con la mayor parte de los datos registrados y luego se prueba con los días restantes. El equipo compara varios enfoques, incluidas versiones construidas con otros modelos de secuencia populares y versiones que omiten por completo el paso de descomposición.

Mejoras claras en la precisión de la predicción

El modelo combinado de descomposición modal variacional más LSTM ofrece las predicciones más precisas entre todos los métodos probados. Sigue las subidas y bajadas generales del nivel del acuífero y funciona especialmente bien cuando el nivel cambia con rapidez, como en torno a grandes descensos o picos súbitos. Al comparar medidas de error estándar, su modelo híbrido muestra de forma consistente errores más bajos y una mejor coincidencia con las mediciones reales que los modelos sin descomposición o los que emplean otros diseños de red. Esto sugiere que primero desenredar la señal mixta y luego usar una red basada en memoria facilita capturar el comportamiento real del agua subterránea.

Qué significa esto para la seguridad en las minas

Para los operadores de minas, el estudio apunta a una herramienta práctica para vigilar el agua oculta bajo los frentes de trabajo. Al ofrecer advertencias más tempranas y fiables sobre niveles futuros de agua, el modelo puede apoyar decisiones sobre perforaciones, bombeo y refuerzos antes de que el agua entre en los túneles. Dado que el método es relativamente sencillo una vez configurado y funciona con mediciones diarias, ofrece una forma conveniente de reforzar la prevención de riesgos hídricos y contribuir a una producción de carbón más segura y eficiente.

Cita: 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

Palabras clave: agua de mina, nivel del acuífero, predicción de series temporales, aprendizaje profundo, seguridad en la minería del carbón