Onderzoek naar de voorspelde hoogte van waterdoorlatende breukzones op basis van het BO-RFR-model en SHAP-analyse

Waarom scheuren boven kolenmijnen ertoe doen

Diep onder de grond verandert kolenmijnbouw geruisloos de gesteenten erboven. Als die gesteenten tot in waterrijke lagen barsten, kunnen ondergrondse waterstromen plots de mijn binnendringen en zo arbeiders, apparatuur en nabije ecosystemen in gevaar brengen. Deze studie stelt een praktische vraag met levensbedreigende consequenties: hoe hoog kunnen deze breukzones worden, en kunnen we hun omvang betrouwbaar voorspellen zodat er veilig onder watervoerende lagen kan worden gewerkt?

Verborgen waterroutes ondergronds

Wanneer een koollaag wordt ontgonnen, buigt en zakt het dak erboven en breekt het uiteindelijk. Deze schade creëert een verticale zone van gebroken en gescheurd gesteente, een zogenaamde waterdoorlatende breukzone. Als die zone een overliggende watervoerende laag bereikt, kunnen de scheuren een verborgen route vormen waardoor water de mijn binnenstroomt. China, dat sterk afhankelijk is van kolen, staat voor deze uitdaging in zeer uiteenlopende geologische omgevingen. In de centrale en oostelijke regio’s liggen de meeste kolen in oudere Carbonaat–Perm-periodes gesteenten die diep en sterk zijn. In de westelijke regio’s liggen de kolen in jongere Jurassische gesteenten die ondieper en mechanisch zwakker zijn. Deze verschillen betekenen dat dezelfde mijnbouwactiviteit in verschillende delen van het land tot heel uiteenlopende breukhoogten kan leiden.

Van vuistregels naar datagedreven voorspelling

Decennialang schatten ingenieurs breukhoogten in met eenvoudige formules of computersimulaties. Die methoden concentreerden zich vaak op één factor, bijvoorbeeld de dikte van de ontgonnen koollaag, en lieten andere belangrijke invloeden buiten beschouwing. Ze hadden ook moeite zich aan te passen aan complexe, veranderlijke geologie. In deze studie verzamelden de auteurs 258 metingen van breukhoogte uit representatieve mijnen: 147 uit de oudere oostelijke kolenvelden en 111 uit de jongere westelijke velden. Voor elk terrein registreerden ze vijf praktische variabelen die mijnplanners goed kennen: hoe dik een plakje kool was dat werd verwijderd (winninghoogte), hoe diep de laag ligt, hoe lang het ontgonnen paneel is, hoeveel hard gesteente in de bovenliggende lagen voorkomt (hardrockratio) en welke winningmethode werd toegepast.

Een bos aan algoritmen leren de gesteenten lezen

Om deze gemengde, onvolmaakte data te doorgronden, wendde het team zich tot een machine-learningmethode genaamd random forest regressie, een techniek die veel beslisboommodellen combineert tot één robuuste voorspeller. Ze gebruikten vervolgens Bayesian optimization — een efficiënte zoekstrategie — om de interne instellingen van het model automatisch af te stemmen zodat het ook met relatief weinig voorbeelden goed presteert. Dit gecombineerde BO-RFR-model werd afzonderlijk getraind voor de oostelijke en westelijke kolenvelden en daarna rigoureus getest en gekruisverifieerd op ongeziene data, waaronder "blinde" monsters van extra mijnen. In alle tests voorspelde het geoptimaliseerde model de breukhoogten veel nauwkeuriger dan traditionele formules en verschillende andere geavanceerde algoritmen, en wist het de complexe, niet-lineaire wisselwerking tussen geologie en mijnontwerp te vangen.

Uiteenzetten wat het meest telt

Krachtige modellen zijn alleen nuttig als ingenieurs ze begrijpen en erop kunnen vertrouwen. Om de "black box" te openen gebruikten de auteurs een moderne interpreteerbaarheidstool genaamd SHAP, die voor elk geval inschat hoeveel elke invoerfactor een voorspelling omhoog of omlaag duwt. Deze analyse toonde aan dat in zowel oude als jonge gesteenten één hefboom domineert: de winninghoogte is veruit de sterkste bepalende factor voor hoe hoog de breukzones worden. De op één na belangrijkste factor verschilt echter per regio. In de oudere, sterkere Carbonaat–Perm-gesteenten staat de hardrockratio direct achter de winninghoogte, wat het sleutelrol van dikke, stijve lagen in het bijeenhouden van de rotmassa weerspiegelt. In de jongere, zwakkere Jurassische gesteenten speelt de winnende diepte een grotere rol, waardoor de breukgroei meer samenhangt met het totale overdekgewicht en de spanning dan met individuele sterke lagen.

Inzichten omzetten in veiligere mijnen

Door velddata, een zorgvuldig afgestemd machine-learningmodel en een transparante manier om de beslissingen te verklaren te combineren, biedt deze studie mijnplanners een praktisch stappenplan. In de oostelijke, oudere hardgesteente kolenvelden van China moeten veilige ontwerpen zich richten op het in kaart brengen en begrijpen van belangrijke stijve lagen en het beperken van de winninghoogte onder die lagen. In de westelijke, zachtere Jurabekkens moeten ingenieurs meer aandacht besteden aan dieptegerelateerde spanningen en het risico op grote, instabiele instortingen, en winninghoogte en diepte als gezamenlijke regelaars behandelen. In het algemeen laat het werk zien dat geavanceerde, uitlegbare algoritmen de sector kunnen brengen voorbij uniforme vuistregels naar op maat gemaakte, op bewijsmateriaal gebaseerde strategieën die mijnwerkers en watervoorraden beter beschermen.

Bronvermelding: Qiu, M., Wen, Y., Teng, C. et al. Research on the predicted height of water-conducting fracture zones based on the BO-RFR model and SHAP analysis. Sci Rep 16, 7230 (2026). https://doi.org/10.1038/s41598-026-38043-3

Trefwoorden: veiligheid in kolenmijnbouw, grondwaterrisico's, rotsbreuken, machine learning-modellen, Chinese kolenvelden