Clear Sky Science
הסברים מבוססי ראיות, עם מעט ז'רגון

Clear Sky Science · he

חיזוי מפלס מי תהום בעומק מכרה על בסיס VMD-LSTM

· חזרה לאינדקס

מדוע כרייה בטוחה יותר תלויה בידיעת המים שמתחת

בתוך עומק, מכרות פחם לעתים קרובות נמצאים מעל שכבות סלע רוויות מים. אם המים האלה פתאום יזרמו לתוך מנהרה, הם עלולים להציף ציוד, לסכן עובדים ולעצור את הייצור. המחקר הזה חוקר דרך חכמה יותר לחזות כיצד מפלס המים בשכבות התת-קרקעיות הללו יעלה ויירד בקרבת חזית כרייה פעילה, ומאפשרת למנהלי המכרה להיערך מוקדם כדי להימנע מהפתעות מסוכנות.

גלים נסתרים מתחת למכרה

במכרה הנחקר, שכבת פחם שוכנת מעל שכבת גיר המאכסנת מי תהום כמו מאגר מוסתר. ככל שהפחם מוסר, הלחצים בסלע משתנים והמים עשויים לנוע לכיוון המנהרות. מדידה ישירה של זרימת מים לתוך מנהרה היא מורכבת מאחר שמגוון גורמים מפריעים לחיישנים. לעומת זאת, מעקב אחר מפלס המים בשכבת הגיר הסמוכה הוא נקי ויציב יותר. לכן המחברים מתמקדים בחיזוי מפלס מאגר זה כמדד לסיכון לחדירת מים פתאומית.

Figure 1. כיצד ניתוח חכם יותר של מפלסי המים התת-קרקעיים יכול לעזור למכרות פחם למנוע הצפות פתאומיות בחזיתות העבודה הפעילות.
Figure 1. כיצד ניתוח חכם יותר של מפלסי המים התת-קרקעיים יכול לעזור למכרות פחם למנוע הצפות פתאומיות בחזיתות העבודה הפעילות.

לפצל אות מורכב לחלקים פשוטים יותר

רישום מפלס המים היומי הוא גלוי ומאופיין באי-סדירות, עם מגמות איטיות המעורבות בתנודות חדות. כדי להתמודד עם זה, החוקרים ראשית מנקים את הנתונים, מסירים שגיאות ברורות וממלאים ימים חסרים. לאחר מכן הם משתמשים בשיטה הנקראת פירוק מצבי ואריאציוני (VMD), שמתייחסת לרישום המפלס כאל שילוב של מספר גלים חופפים. השיטה מפרידה את העקומה המקורית לשמונה רכיבים פשוטים יותר, כל אחד מייצג שינויים בקנה מידה זמן שונה, מהמגמות הארוכות לטלטלות קצרות טווח. זה מקל על מודל מחשב לזהות דפוסים שעלולים אחרת להיטמע ברעש.

ללמד רשת לזכור את העבר

לאחר הפירוק, כל אחת מעקומות המפלס הפשוטות מוזנת לסוג של רשת עצבית מלאכותית המיועדת לסדרות זמן, הידועה כרשת זיכרון לטווח קצר וארוך (LSTM). רשת זו נבנית כדי לזכור מידע חשוב מהימים שעברו תוך התעלמות מפרטים פחות שימושיים. המודל מאומן על רוב הנתונים הרשומים ונבדק על הימים שנותרו. הצוות משווה מספר גישות, כולל גרסאות המבוססות על מודלים סדרתיים פופולריים אחרים וגרסאות המוותרות על שלב הפירוק לחלוטין.

Figure 2. כיצד פירוק עקומת מפלס לא אחידה לתנודות פשוטות מאפשר לרשת עצבית לחזות את המפלס העתידי בדיוק רב יותר.
Figure 2. כיצד פירוק עקומת מפלס לא אחידה לתנודות פשוטות מאפשר לרשת עצבית לחזות את המפלס העתידי בדיוק רב יותר.

שיפורים ברורים בדיוק החיזוי

השילוב של פירוק מצבי ואריאציוני עם רשת LSTM מספק את התחזיות המדויקות ביותר מתוך כל השיטות שנבדקו. הוא עוקב אחרי עליות וירידות כלליות במפלס המאגר ומתאפיין בביצועים טובים במיוחד כאשר המפלס משתנה במהירות, כגון סביב ירידות חזקות או פסגות פתאומיות. כאשר המחברים משווים מדדי שגיאה סטנדרטיים, המודל ההיברידי שלהם מציג באופן עקבי שגיאות נמוכות יותר והתאמה צמודה יותר למדידות בפועל מאשר מודלים ללא פירוק או כאלה המשתמשים בעיצובים רשתיים אחרים. הממצאים מרמזים שפירוק אות מעורב ולאחריו שימוש ברשת מבוססת זיכרון מקל על תפיסת ההתנהגות האמיתית של המים התת-קרקעיים.

מה משמעות הדבר לבטיחות במכרה

עבור מנהלי מכרה, המחקר מצביע על כלי פרקטי למעקב אחר המים הנסתרים מתחת לחזיתות העבודה. על ידי מתן התרעות מוקדמות ואמינות יותר לגבי מפלסי מים עתידיים, המודל יכול לתמוך בהחלטות בנוגע לקידוח, שאיבה וחיזוק לפני שהמים יחדרו למנהרות. מאחר שהשיטה יחסית פשוטה לאחר התקנה ופועלת על מדידות יומיות, היא מציעה דרך נוחה לחיזוק מניעת סיכוני מים ולתמיכה בייצור פחם בטוח ויעיל יותר.

ציטוט: 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

מילות מפתח: מי מכרה, מפלס מי תהום, חיזוי סדרות זמן, למידה עמוקה, בטיחות כריית פחם