Caratterizzazione dei parametri di emissione acustica e identificazione della propagazione a tappe della frattura nella combinazione corpo solidificato‑carbone basata su approcci sperimentali e di machine learning

Ascoltare i segnali di pericolo nelle profondità

Le miniere di carbone moderne si affidano a pilastri sotterranei e a riempimenti artificiali per sostenere centinaia di metri di roccia. Se questi supporti cedono improvvisamente, il risultato può essere un collasso del tetto catastrofico. Questo studio mostra come gli ingegneri possano "ascoltare" i piccoli suoni di fessurazione all'interno di una struttura combinata di blocco solidificato e pilastro di carbone e utilizzare l'intelligenza artificiale per riconoscere le fasi di allarme prima del cedimento, indicando la strada verso avvisi di sicurezza più intelligenti e precoci nelle miniere reali.

Come lavorano insieme una roccia artificiale e il carbone

In alcune miniere cinesi, una tecnica chiamata scavo continuo e riempimento con sterili sostituisce parte del carbone con un blocco solidificato composto da materiale di risulta, cemento e sabbia. Questo blocco e il pilastro di carbone rimanente condividono il compito di sostenere il terreno soprastante, formando ciò che gli autori definiscono una combinazione corpo solidificato–carbone. Poiché questa struttura si trova in una zona di stress concentrato ed è perturbata dall'attività mineraria in corso, comprendere esattamente come e quando inizia a fessurarsi è essenziale per la stabilità a lungo termine e la sicurezza dei lavoratori.

Trasformare le microfessure in segnali utili

Quando le rocce vengono compresse, emettono onde elastiche ad alta frequenza mentre si formano e crescono microfessure. Sensori di emissione acustica sensibili, incollati ai lati dei campioni di laboratorio, possono captare questi segnali molto prima che compaia qualsiasi danno visibile. I ricercatori hanno creato provini combinati di carbone e riempimento solidificato, quindi li hanno compressi lentamente registrando milioni di eventi acustici. Hanno esaminato diversi aspetti di questi segnali: la frequenza degli eventi, la distribuzione di energia e come le forme d'onda cambiavano nel tempo. Monitorando questi parametri insieme allo sforzo e alla deformazione dei provini, sono riusciti a collegare cambiamenti nei pattern sonori a fasi distinte del danneggiamento interno.

Crescita delle fessure in fasi riconoscibili

I test hanno mostrato che la struttura combinata non fallisce tutto in una volta; al contrario, attraversa una sequenza di fasi. Inizialmente, pori e piccoli vuoti vengono semplicemente compressi, con pochi deboli segnali acustici. Con l'aumento del carico, il materiale entra in una fase elastica in cui le microfessure iniziano a nucleare e l'attività aumenta bruscamente, producendo un primo picco nel conteggio dei segnali. Successivamente, man mano che si innescano crepe più grandi, che si connettono attraverso il riempimento e il carbone e interagiscono tra loro, i pattern dei segnali diventano più intensi e complessi, portando a un secondo picco più forte associato a fratture instabili e al cedimento finale. Misure basate sulla distribuzione energia‑frequenza e sulla forma d'onda hanno risposto in modi caratteristici durante queste fasi, il che significa che la "firma sonora" della compattazione, della crescita stabile delle crepe e della rottura instabile può essere distinta ciascuna.

Addestrare le macchine a leggere i segnali di allarme

Per trasformare questi pattern in uno strumento pratico, il team ha inserito quattro parametri acustici chiave in vari modelli di machine learning progettati per riconoscere in quale fase di danneggiamento si trovasse il provino in un dato momento. Hanno testato random forest, macchine a vettori di supporto e due metodi avanzati di gradient boosting. Tutti e quattro hanno imparato a classificare le fasi con elevata accuratezza, ma il modello light gradient boosting machine ha ottenuto i migliori risultati, identificando correttamente oltre l'85% delle finestre temporali attraverso tutte le fasi. Gli autori hanno poi utilizzato un metodo di interpretabilità molto usato per vedere quali parametri erano più importanti e hanno impiegato quei punteggi di importanza per costruire un unico indice di allerta combinato. Questo indice fonde diversi aspetti del comportamento acustico in una sola curva che sale man mano che la struttura si sposta da stati sicuri a stati pericolosi.

Implicazioni per la sicurezza in miniera

In termini semplici, lo studio mostra che il sistema di supporto riempimento–carbone comunica prima di rompersi e che i computer possono imparare a comprendere il suo linguaggio. Monitorando una manciata di caratteristiche acustiche selezionate con cura e fondendole in un unico indicatore di allerta, gli ingegneri possono, in linea di principio, rilevare quando la struttura passa da fessurazioni innocue a fratture che si diffondono rapidamente e che precedono il collasso. Sebbene l'indice proposto sia ancora basato su test di laboratorio controllati e debba essere adattato alle condizioni più rumorose e complesse in sotterraneo, offre un quadro chiaro per i futuri sistemi di monitoraggio in miniera che mirano a trasformare i deboli sussurri sotterranei in avvisi precoci affidabili.

Citazione: 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

Parole chiave: emissione acustica, stabilità delle miniere di carbone, frattura della roccia, monitoraggio tramite machine learning, sistemi di allerta precoce