Previsione del livello d'acqua dell'acquifero nella fronte di lavoro mineraria basata su VMD-LSTM

Perché una miniera più sicura dipende dalla conoscenza dell'acqua sottostante

In profondità, le miniere di carbone spesso si trovano sopra stratificazioni rocciose sature d'acqua. Se quell'acqua dovesse improvvisamente infiltrarsi in una galleria, può allagare i macchinari, mettere in pericolo i lavoratori e interrompere la produzione. Questo studio esplora un modo più intelligente per prevedere come il livello dell'acqua in questi strati sotterranei salirà e scenderà vicino a una fronte di scavo attiva, aiutando gli operatori a intervenire per tempo ed evitare sorprese pericolose.

Onde nascoste sotto la miniera

Nella miniera studiata, uno strato di carbone si trova sopra uno strato di calcare che immagazzina acqua sotterranea come un serbatoio nascosto. Con l'estrazione del carbone cambiano le sollecitazioni nella roccia e l'acqua può muoversi verso le gallerie. Misurare direttamente l'acqua che entra in una galleria è difficile perché molti fattori interferiscono con i sensori. Al contrario, monitorare il livello dell'acqua nello strato calcareo vicino è più pulito e stabile. Gli autori si concentrano quindi sulla previsione di questo livello dell'acquifero come proxy per il rischio di afflusso d'acqua improvviso.

Spezzare un segnale complesso in parti più semplici

Il registro giornaliero del livello dell'acqua è irregolare e accidentato, con tendenze lente mescolate a oscillazioni brusche. Per gestirlo, i ricercatori prima puliscono i dati, rimuovendo errori evidenti e interpolando i giorni mancanti. Poi utilizzano un metodo chiamato decomposizione modale variazionale, che tratta il record del livello dell'acqua come una sovrapposizione di più onde. Esso separa la curva originale in otto componenti più semplici, ognuna rappresentante variazioni su una diversa scala temporale, dalle tendenze a lungo termine alle increspature a breve termine. Questo facilita per un modello informatico il riconoscimento di pattern che altrimenti sarebbero sepolti nel rumore.

Insegnare a una rete a ricordare il passato

Dopo la decomposizione, ciascuna delle curve semplificate del livello dell'acqua viene alimentata in un tipo di rete neurale artificiale progettata per le serie temporali, nota come rete a memoria a lungo termine (LSTM). Questa rete è costruita per ricordare informazioni rilevanti anche di molti giorni prima, ignorando i dettagli meno utili. Il modello viene addestrato sulla maggior parte dei dati registrati e poi testato sui giorni rimanenti. Il team confronta diversi approcci, incluse versioni costruite con altri modelli di sequenza popolari e versioni che saltano del tutto la fase di decomposizione.

Vantaggi chiari nella precisione delle previsioni

Il modello combinato decomposizione modale variazionale più LSTM fornisce le previsioni più accurate tra tutti i metodi testati. Segue l'andamento generale di salita e discesa del livello dell'acquifero e si comporta particolarmente bene quando il livello cambia rapidamente, ad esempio durante forti cali o picchi improvvisi. Confrontando le misure di errore standard, il loro modello ibrido mostra costantemente errori inferiori e una corrispondenza più stretta con le misurazioni reali rispetto ai modelli senza decomposizione o a quelli che usano altre architetture di rete. Ciò suggerisce che prima districare il segnale misto e poi usare una rete basata sulla memoria facilita la cattura del comportamento reale dell'acqua sotterranea.

Cosa significa per la sicurezza in miniera

Per gli operatori minerari, lo studio indica uno strumento pratico per sorvegliare l'acqua nascosta sotto le fronti di lavoro. Fornendo avvisi più precoci e affidabili sui livelli d'acqua futuri, il modello può supportare decisioni su trivellazione, pompaggio e consolidamento prima che l'acqua entri nelle gallerie. Poiché il metodo è relativamente semplice una volta implementato e funziona su misurazioni giornaliere, offre un modo conveniente per rafforzare la prevenzione dei rischi idrici e favorire un'estrazione del carbone più sicura ed efficiente.

Citazione: 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

Parole chiave: acque di miniera, livello dell'acquifero, previsione di serie temporali, deep learning, sicurezza nell'estrazione del carbone