Prédiction du niveau d'eau de l'aquifère au front d'exploitation minière basée sur VMD-LSTM

Pourquoi une exploitation plus sûre dépend de la connaissance de l'eau en profondeur

En profondeur, les mines de charbon se trouvent souvent au-dessus de couches de roche imbibées d'eau. Si cette eau se précipite soudainement dans une galerie, elle peut inonder les équipements, mettre les travailleurs en danger et arrêter la production. Cette étude explore une manière plus intelligente de prédire comment le niveau d'eau dans ces couches souterraines va monter et descendre près d'un front d'exploitation actif, permettant aux responsables de mine d'agir tôt pour éviter des surprises dangereuses.

Ondes cachées sous la mine

Dans la mine étudiée, une couche de charbon repose au-dessus d'une couche de calcaire qui stocke les eaux souterraines comme un réservoir caché. À mesure que le charbon est extrait, les contraintes dans la roche changent et l'eau peut se déplacer vers les galeries. Mesurer directement l'eau qui déferle dans une galerie est délicat car de nombreux facteurs perturbent les capteurs. En revanche, suivre le niveau d'eau dans la couche de calcaire voisine est plus propre et plus stable. Les auteurs se concentrent donc sur la prédiction de ce niveau d'aquifère comme indicateur du risque d'entrée d'eau soudaine.

Désassembler un signal complexe en parties plus simples

Le relevé quotidien du niveau d'eau est irrégulier et cahoteux, mêlant tendances lentes et variations brusques. Pour y faire face, les chercheurs nettoient d'abord les données, en éliminant les erreurs évidentes et en comblant les jours manquants. Ensuite, ils utilisent une méthode appelée décomposition en modes variationnels (variational mode decomposition), qui traite l'enregistrement du niveau d'eau comme un mélange de plusieurs ondes qui se chevauchent. Elle sépare la courbe originale en huit composantes plus simples, chacune représentant des variations à une échelle de temps différente, des tendances à long terme aux ondulations à court terme. Cela facilite pour un modèle informatique la reconnaissance de motifs qui pourraient autrement être masqués par le bruit.

Apprendre à un réseau à se souvenir du passé

Après la décomposition, chacune des courbes d'eau simplifiées est alimentée dans un type de réseau neuronal artificiel conçu pour les séries temporelles, connu sous le nom de réseau à mémoire à long terme (long short term memory). Ce réseau est conçu pour se souvenir d'informations importantes sur de nombreuses journées passées tout en ignorant les détails moins utiles. Le modèle est entraîné sur la majeure partie des données enregistrées puis testé sur les jours restants. L'équipe compare plusieurs approches, y compris des versions construites avec d'autres modèles de séquence populaires et des versions qui sautent complètement l'étape de décomposition.

Améliorations nettes de la précision des prévisions

Le modèle combiné décomposition en modes variationnels plus réseau LSTM fournit les prévisions les plus précises parmi toutes les méthodes testées. Il suit la montée et la descente globales du niveau d'aquifère et performe particulièrement bien lorsque le niveau évolue rapidement, comme lors de fortes chutes ou de pics soudains. Lorsque les auteurs comparent des mesures d'erreur standard, leur modèle hybride montre systématiquement des erreurs plus faibles et une correspondance plus étroite avec les mesures réelles que les modèles sans décomposition ou ceux utilisant d'autres architectures de réseau. Cela suggère que démêler d'abord le signal mélangé puis utiliser un réseau à mémoire facilite la capture du comportement réel de l'eau souterraine.

Ce que cela signifie pour la sécurité des mines

Pour les exploitants de mine, l'étude indique un outil pratique pour surveiller l'eau cachée sous les fronts d'exploitation. En fournissant des avertissements plus précoces et plus fiables sur les niveaux d'eau futurs, le modèle peut étayer les décisions concernant le forage, le pompage et le renforcement avant que l'eau n'envahisse les galeries. Comme la méthode est relativement simple une fois mise en place et fonctionne sur des mesures quotidiennes, elle offre un moyen commode de renforcer la prévention des risques hydriques et de soutenir une production de charbon plus sûre et plus efficiente.

Citation: 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

Mots-clés: eau de mine, niveau d'aquifère, prévision de séries temporelles, apprentissage profond, sécurité en exploitation charbonnière