Karakterisering van akoestische emissieparameters en identificatie van gefaseerde breukvoortplanting in een gestolde massa‑steenkoolcombinatie op basis van experimentele en machinelearningbenaderingen

Luisteren naar problemen diep onder de grond

Moderne steenkoolmijnen vertrouwen op ondergrondse pilaren en kunstmatig aangebrachte opvulling om honderden meters rots te ondersteunen. Als deze steun plotseling faalt, kan dat leiden tot catastrofale dakinstortingen. Deze studie toont hoe ingenieurs met het "luisteren" naar zwakke krakende geluiden in een gecombineerde gestolde opvulling–steenkoolpilaarstructuur en met behulp van kunstmatige intelligentie de waarschuwingsfasen vóór instorting kunnen herkennen, wat wijst op slimmere, vroegtijdigere veiligheidswaarschuwingen in echte mijnen.

Hoe een kunstmatig gesteente en steenkool samenwerken

In sommige Chinese mijnen vervangt een techniek die continu rijden en gangue‑opvulling heet een deel van de steenkool door een gestolde blok opgebouwd uit afvalgesteente, cement en zand. Dit blok en de resterende steenkoolpilaar delen de taak om het bovenliggende gesteente te dragen, en vormen wat de auteurs een gestolde massa–steenkoolcombinatie noemen. Omdat deze structuur in een zone met geconcentreerde spanningen ligt en wordt verstoord door voortgaand mijnbouwen, is het essentieel voor de lange termijn stabiliteit en de veiligheid van werknemers om precies te begrijpen hoe en wanneer scheuren beginnen.

Van kleine scheurtjes naar bruikbare signalen

Wanneer gesteenten worden samengedrukt, zenden ze hoge‑frequente elastische golven uit zodra micro‑scheurtjes ontstaan en groeien. Gevoelige akoestische emissiesensoren, op de zijkanten van laboratoriumproefstukken gelijmd, kunnen deze signalen opvangen lang voordat er zichtbare schade is. De onderzoekers maakten gecombineerde proefstukken van steenkool en gestolde opvulling en drukten die langzaam in terwijl ze miljoenen akoestische gebeurtenissen registreerden. Ze onderzochten verschillende aspecten van deze signalen: hoe vaak ze voorkwamen, hoe hun energie werd verdeeld en hoe hun golfvormen in de loop van de tijd veranderden. Door deze parameters te volgen naast de spannings‑ en rekmetingen van de proefstukken, konden ze veranderingen in geluidspatronen koppelen aan onderscheiden stadia van interne schade.

Scheurgroei in herkenbare fasen

De tests toonden aan dat de gecombineerde structuur niet in één keer faalt; in plaats daarvan doorloopt zij een reeks fasen. Aanvankelijk worden poriën en kleine openingen simpelweg dichtgedrukt, met slechts enkele zwakke akoestische signalen. Naarmate de belasting toeneemt, komt het materiaal in een elastische fase waarin micro‑scheurtjes beginnen te nucleëren en de activiteit scherp toeneemt, wat een eerste piek in het aantal signalen veroorzaakt. Later, wanneer grotere scheuren ontstaan, zich verbinden door de opvulling en steenkool en onderling gaan interageren, worden de signaalpatronen intensiever en complexer, wat leidt tot een tweede, sterkere piek die samenhangt met onstabiele breuk en uiteindelijke instorting. Maten gebaseerd op energie‑frequentieverdeling en golfvormresponsen reageerden op karakteristieke manieren tijdens deze fasen, wat betekent dat de "geluidshandtekening" van compactie, stabiele scheurgroei en onstabiele doorbraak elk te onderscheiden is.

Machines leren de waarschuwingssignalen lezen

Om deze patronen in een praktisch hulpmiddel om te zetten, voerde het team vier belangrijke akoestische parameters in verschillende machine learning‑modellen die bedoeld zijn om te herkennen in welk schade‑stadium het proefstuk zich op elk moment bevindt. Ze testten random forests, support vector machines en twee geavanceerde gradient‑boostingmethoden. Alle vier leerden de fasen met hoge nauwkeurigheid te classificeren, maar de light gradient boosting machine presteerde het beste en identificeerde correct meer dan 85% van de tijdvensters over alle fasen. De auteurs gebruikten vervolgens een populaire interpretatiemethode om te zien welke parameters het belangrijkst waren en gebruikten die belangrijkheidsscores om één gecombineerd waarschuwingsindex op te bouwen. Deze index mengt verschillende aspecten van het akoestische gedrag tot één curve die stijgt naarmate de structuur verschuift van veilige naar gevaarlijke toestanden.

Wat dit betekent voor mijnveiligheid

Simpel gezegd toont de studie aan dat het opvulling–steenkoolsysteem "praat" voordat het breekt, en dat computers kunnen leren de taal te begrijpen. Door een handvol zorgvuldig gekozen akoestische kenmerken te monitoren en deze samen te voegen tot één waarschuwingsindicator, kunnen ingenieurs in principe detecteren wanneer de structuur verschuift van onschuldige scheurtjes naar snel verspreidende breuken die een instorting voorafgaan. Hoewel de voorgestelde index nog gebaseerd is op gecontroleerde laboratoriumtests en moet worden aangepast aan de luidruchtigere, complexere omstandigheden ondergronds, biedt zij een duidelijk raamwerk voor toekomstige mijnbewakingssysteemenen die kleine ondergrondse fluisteringen willen omzetten in betrouwbare vroegtijdige waarschuwingen.

Bronvermelding: 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

Trefwoorden: akoestische emissie, stabiliteit van steenkoolmijnen, breuk in gesteente, machine learning monitoring, waarschuwingssystemen