Caractérisation des paramètres d’émission acoustique et identification de la propagation de la rupture par paliers dans la combinaison corps solidifié–charbon basée sur des approches expérimentales et d’apprentissage automatique

Écouter les signaux de détresse au fond de la mine

Les mines de charbon modernes reposent sur des piliers souterrains et des remblais artificiels pour soutenir des centaines de mètres de roche. Si ces soutiens cèdent soudainement, les conséquences peuvent être des effondrements catastrophiques du toit. Cette étude montre comment des ingénieurs peuvent « écouter » les petits bruits de fissuration à l’intérieur d’une structure combinée bloc de remblai solidifié–pilier de charbon et utiliser l’intelligence artificielle pour reconnaître les stades d’avertissement avant la rupture, ouvrant la voie à des alertes de sécurité plus intelligentes et plus précoces dans les mines réelles.

Comment une roche artificielle et le charbon coopèrent

Dans certaines mines chinoises, une technique appelée creusement continu et remblaiement par stériles remplace une partie du charbon par un bloc solidifié fabriqué à partir de déchets rocheux, de ciment et de sable. Ce bloc et le pilier de charbon restant partagent la tâche de soutenir le terrain sus-jacent, formant ce que les auteurs appellent une combinaison corps solidifié–charbon. Comme cette structure se trouve dans une zone de contraintes concentrées et est perturbée par l’exploitation continue, comprendre précisément comment et quand elle commence à se fissurer est essentiel pour la stabilité à long terme et la sécurité des travailleurs.

Transformer de minuscules fissures en signaux utiles

Lorsque les roches sont comprimées, elles émettent des ondes élastiques haute fréquence à mesure que des microfissures se forment et croissent. Des capteurs d’émission acoustique sensibles, collés sur les côtés des éprouvettes de laboratoire, peuvent capter ces signaux bien avant l’apparition de dommages visibles. Les chercheurs ont fabriqué des éprouvettes combinées de charbon et de remblai solidifié, puis les ont comprimées lentement tout en enregistrant des millions d’événements acoustiques. Ils ont examiné plusieurs aspects de ces signaux : leur fréquence d’apparition, la répartition de leur énergie et l’évolution de leurs formes d’onde au fil du temps. En suivant ces paramètres parallèlement à la contrainte et à la déformation des éprouvettes, ils ont pu relier les changements des motifs sonores à des stades distincts de dommage interne.

Croissance des fissures en stades reconnaissables

Les tests ont montré que la structure combinée ne cède pas d’un seul coup ; elle traverse plutôt une séquence de stades. Au départ, les pores et petits vides se comprimant sont simplement écrasés, avec seulement quelques signaux acoustiques faibles. À mesure que la charge augmente, le matériau entre dans un stade élastique où des microfissures commencent à nucléer, et l’activité augmente fortement, produisant un premier pic dans le nombre de signaux. Plus tard, lorsque des fissures plus importantes s’initient, se connectent à travers le remblai et le charbon et interagissent entre elles, les motifs de signaux deviennent plus intenses et complexes, conduisant à un second pic plus marqué associé à la fracture instable et à la rupture finale. Les mesures basées sur la répartition énergie‑fréquence et la forme des signaux ont réagi de manière caractéristique durant ces stades, ce qui signifie que la « signature sonore » de la compaction, de la croissance stable des fissures et de la percée instable peut chacune être distinguée.

Apprendre aux machines à lire les signes avant‑coureurs

Pour transformer ces motifs en outil pratique, l’équipe a alimenté quatre paramètres acoustiques clés dans plusieurs modèles d’apprentissage automatique conçus pour reconnaître à quel stade de dommage se trouvait l’éprouvette à chaque instant. Ils ont testé des forêts aléatoires, des machines à vecteurs de support et deux méthodes avancées de gradient boosting. Les quatre ont appris à classer les stades avec une grande précision, mais le light gradient boosting machine a obtenu les meilleures performances, identifiant correctement plus de 85 % des fenêtres temporelles sur l’ensemble des stades. Les auteurs ont ensuite utilisé une méthode d’interprétabilité populaire pour voir quels paramètres importaient le plus, et ont employé ces scores d’importance pour construire un indice d’alerte combiné unique. Cet indice fusionne différents aspects du comportement acoustique en une seule courbe qui s’élève à mesure que la structure passe d’un état sûr à un état dangereux.

Ce que cela signifie pour la sécurité des mines

En termes simples, l’étude montre que le système de soutien remblai–charbon prévient avant de casser, et que les ordinateurs peuvent apprendre à comprendre son langage. En surveillant une poignée de caractéristiques acoustiques choisies avec soin et en les fusionnant en un indicateur d’alerte unique, les ingénieurs peuvent, en principe, détecter quand la structure passe de fissurations inoffensives à des fractures qui se propagent rapidement et précèdent l’effondrement. Bien que l’indice proposé soit encore basé sur des essais de laboratoire contrôlés et doive être adapté aux conditions souterraines plus bruyantes et complexes, il offre un cadre clair pour les futurs systèmes de surveillance des mines visant à transformer de faibles chuchotements souterrains en alertes précoces fiables.

Citation: 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

Mots-clés: émission acoustique, stabilité des mines de charbon, fracture des roches, surveillance par apprentissage automatique, systèmes d’alerte précoce