Méthode de prédiction haute précision de la déformation minière basée sur GNSS RTK et apprentissage ensembliste par empilement

Pourquoi surveiller les mouvements du sol peut sauver des vies

Les mines modernes remodelent discrètement le paysage à toute heure. La plupart de ces mouvements sont lents et sans danger, mais parfois des talus glissent soudainement ou des remblais cèdent, menaçant les travailleurs, les équipements et les communautés voisines. Cet article montre comment le positionnement par satellite et l’analyse avancée des données peuvent suivre des déplacements infimes du sol — jusqu’à des fractions de millimètre — et les transformer en alertes précoces avant qu’un tassement mineur ne devienne une catastrophe majeure.

Écouter la mine grâce aux signaux satellites

Plutôt que de se fier uniquement aux inspections visuelles ou à des levés occasionnels, les auteurs utilisent un réseau de stations GNSS (Système mondial de navigation par satellite) permanentes autour d’une mine à ciel ouvert de charbon au Xinjiang, en Chine. Ces stations, fonctionnant en mode RTK (cinématique en temps réel), mesurent en continu leur position tridimensionnelle avec une précision centimétrique toutes les heures, de jour comme de nuit. Sur des mois et des années, cela crée une riche série chronologique montrant comment chaque point de la surface minière se soulève, s’enfonce ou glisse lentement. Des indices précoces de dysfonctionnement se cachent dans ces données — mais ils sont noyés dans un mélange d’interférences provenant de l’atmosphère, des orbites satellites, du bruit électronique et des opérations de dynamitage.

Nettoyer le signal pour faire ressortir le vrai mouvement

Pour transformer des mesures bruitées en mouvements de terrain fiables, l’équipe construit un pipeline de « filtrage par fusion » qui combine plusieurs méthodes de suppression du bruit au lieu de ne compter que sur une seule. D’abord, un filtre médian élimine les pics soudains causés par des pertes de signal momentanées ou des anomalies électriques. Ensuite, un filtre de Butterworth est réglé différemment pour les zones calmes et stables et pour les talus plus actifs, supprimant les oscillations haute fréquence tout en conservant les véritables mouvements basse fréquence. Un filtre de Savitzky–Golay lisse ensuite les données tout en préservant des courbures et des inflexions locales importantes qui peuvent signaler un changement de comportement. Enfin, un filtre de Kalman adaptatif s’ajuste selon la vitesse du mouvement du sol, donnant plus de poids soit aux tendances passées soit aux observations récentes. Ce processus par étapes réduit la dispersion des coordonnées d’environ un tiers dans la direction verticale, sans effacer les déformations significatives.

Apprendre aux modèles à prévoir des déplacements infimes

Une fois les données nettoyées, les auteurs passent de la mesure à la prédiction. Ils convertissent les coordonnées des stations en déformation cumulée — la distance parcourue par chaque point depuis le début — puis scindent ce mouvement en trois composantes : une tendance à long terme, des oscillations saisonnières répétées et des résidus irréguliers. Ils calculent aussi la vitesse d’évolution du mouvement (taux) et la vitesse à laquelle ce taux change (accélération). Ces éléments constituent un dossier de santé pour chaque emplacement. Plutôt que de parier sur une méthode unique de prévision, les chercheurs assemblent une équipe de modèles : des outils classiques de séries temporelles, performants pour les tendances et cycles réguliers, et des modèles modernes d’apprentissage automatique, efficaces pour des comportements non linéaires complexes. Un modèle final « arbitre » apprend à pondérer chaque membre de cette équipe pour que la prévision combinée colle le mieux possible à la réalité.

Des chiffres bruts à des alertes fiables

Sur des tests portant sur près de deux ans de données provenant de 19 stations, l’approche combinée prédit la déformation future avec des erreurs quadratiques moyennes (RMSE) inférieures à 0,3 millimètre, même pour des horizons allant jusqu’à trois jours. La méthode suit aussi bien l’affaissement lisse à long terme que les changements plus nets liés aux activités minières, et elle reste stable lorsque les conditions varient entre stations et dans le temps. En complément des prévisions, les auteurs ajoutent un système d’alerte qui classe chaque instant en étapes — fluage stable, accélération lente ou instabilité rapide — en se basant sur le taux et l’accélération. Grâce à un algorithme de regroupement et une fenêtre statistique glissante, le système ajuste automatiquement ses seuils pour que de petites fluctuations inoffensives ne déclenchent pas d’alarmes, tandis que les écarts nets par rapport au comportement attendu le font.

Transformer les prévisions en mines plus sûres

Pour un non-spécialiste, le message clé est que ce travail transforme des données de positionnement par satellite subtiles et difficiles à interpréter en un outil d’alerte précoce pratique. En nettoyant intelligemment le signal et en combinant plusieurs méthodes de prédiction, les auteurs peuvent anticiper les mouvements du sol dans les zones à haut risque, telles que les remblais internes et les talus raides, avec une précision submillimétrique. Cela ne rend pas le matériel plus précis que ce que permet la physique ; cela signifie plutôt que les erreurs de prévision restantes, après avoir filtré le bruit et appris du passé, sont extrêmement réduites. Une telle prévoyance détaillée permet aux exploitants miniers de repérer plus tôt les tendances dangereuses, de concentrer les inspections sur les zones les plus instables et de planifier des renforts ou des évacuations avant qu’un tassement lent ne se transforme en glissement soudain.

Citation: Dong, X., Ma, R., Tian, W. et al. High-precision prediction method for mine deformation based on GNSS RTK and stacking ensemble learning. Sci Rep 16, 12277 (2026). https://doi.org/10.1038/s41598-026-41945-x

Mots-clés: surveillance de la déformation minière, GNSS RTK, alerte précoce aux glissements de terrain, prévision par apprentissage automatique, sécurité des mines à ciel ouvert