VMD-LSTMに基づく採掘作業面における帯水層水位予測

なぜ安全な採掘は地下の水位把握に依存するのか

深部の炭鉱では、多くの場合、水に浸された岩層の上に坑道が存在する。もしその水が突如トンネル内に流れ込めば、設備が水没し作業員が危険にさらされ、生産が停止する恐れがある。本研究は、作業面付近の地下帯水層の水位がどのように上下するかをより賢く予測する方法を探り、操業者が危険な驚きを避けるために早めに対処できるよう支援することを目的とする。

坑内に潜む波動

検討した鉱区では、炭層の下に石灰岩層があり、そこが地下水を貯える隠れた貯留層の役割を果たしている。石炭が掘り出されると地盤応力が変化し、水が坑道へ移動することがある。坑道に直接流れ込む水を計測するのは多くの要因がセンサーに影響を与えるため難しい。一方で、近接する石灰岩層の水位を追跡するほうが測定は比較的安定である。したがって著者らは、突発的な流入リスクの代理としてこの帯水層水位の予測に注目している。

複雑な信号をより単純な要素に分解する

日ごとの水位記録は凹凸が多く不規則で、緩やかな傾向と急激な変動が混在している。これに対処するため研究者らはまずデータを精査し、明らかな誤差を取り除き欠測日を補完する。次に変分モード分解（variational mode decomposition; VMD）という手法を用いて、水位記録を重なり合ういくつかの波の混合として扱う。元の曲線を八つのより単純な成分に分け、それぞれが長期傾向から短期の細かな揺らぎまで異なる時間スケールの変化を表す。こうしてノイズに埋もれがちなパターンをコンピュータモデルが認識しやすくする。

過去を記憶するネットワークの学習

分解後、各単純化された水位曲線は時系列向けの人工ニューラルネットワークである長短期記憶（long short term memory; LSTM）ネットワークに入力される。このネットワークは、重要な情報を数日前まで遡って記憶し、あまり有用でない細部を無視するよう設計されている。モデルは記録データの大部分で学習させ、残りの日で検証される。著者らは他の一般的な系列モデルを用いたバージョンや分解処理を行わないバージョンとも比較している。

予測精度の明確な向上

変分モード分解とLSTMを組み合わせたモデルは、テストした方法の中で最も精度の高い予測を示した。全体的な帯水層水位の上下を追跡し、特に大きな下落や突発的なピークなど水位が急変する場面で良好に機能する。標準的な誤差指標で比較すると、ハイブリッドモデルは分解を行わないモデルや他のネットワーク設計のモデルより常に低い誤差を示し、実測値への適合がより良好であった。これはまず混合信号を解きほぐし、その後に記憶機構を持つネットワークを用いることで地下水の本来の振る舞いを捉えやすくなることを示唆している。

鉱山の安全性への含意

鉱山の操業者にとって、本研究は作業面下にある隠れた水を監視する実用的なツールを示している。将来の水位についてより早く、より信頼できる警告を与えることで、掘削・排水・補強といった判断を水が坑道に侵入する前に下す支援ができる。手法は一度構築すれば比較的単純で日々の測定値で運用可能なため、用水ハザードの予防を強化し、より安全で効率的な石炭生産を支える手段を提供する。

引用: 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

キーワード: 坑内水, 帯水層水位, 時系列予測, 深層学習, 石炭採掘の安全性