Hoge-precisiemethode voor het voorspellen van mijnvervorming op basis van GNSS RTK en stacking ensemble learning

Waarom het volgen van grondbeweging levens kan redden

Moderne mijnen hervormen het landschap continu, dag en nacht. Het grootste deel van die beweging is traag en onschadelijk, maar soms glijden hellingen plotseling of geven stortplaatsen toe, waardoor werknemers, apparatuur en omliggende gemeenschappen in gevaar komen. Deze studie laat zien hoe satellietgebaseerde positionering en geavanceerde gegevensanalyse kleine verschuivingen van de grond—tot op fracties van een millimeter—kunnen volgen en omzetten in vroegtijdige waarschuwingen voordat kleine doorbuigingen uitgroeien tot grote rampspoed.

De mijn beluisteren met satellietsignalen

In plaats van alleen te vertrouwen op visuele controles of occasionele opnames, gebruiken de auteurs een netwerk van permanente Global Navigation Satellite System (GNSS)-stations rond een dagbouw-koolmijn in Xinjiang, China. Deze stations werken in Real-Time Kinematic (RTK)-modus en meten continu hun driedimensionale positie met centimeter-nauwkeurigheid elk uur, dag en nacht. Over maanden en jaren ontstaat zo een rijke tijdreeks van hoe elk punt op het mijnoppervlak langzaam omhoog beweegt, wegzakt of verschuift. In deze data schuilen vroege signalen van problemen—maar ze liggen bedolven onder verstoringen door de atmosfeer, satellietbanen, elektronische ruis en springwerk.

Het signaal reinigen zodat echte beweging opvalt

Om luidruchtige metingen om te zetten in betrouwbare grondbeweging bouwt het team een "fusion filtering"-pipeline die meerdere ruisonderdrukkingsmethoden combineert in plaats van op één enkele techniek te vertrouwen. Eerst verwijdert een mediaanfilter plotselinge pieken veroorzaakt door kortstondig signaalverlies of elektrische storingen. Vervolgens wordt een Butterworth-filter verschillend afgestemd voor rustige, stabiele zones en voor actievere hellingen, waardoor hoogfrequente jitter wordt weggestripd terwijl echte laagfrequente grondbeweging behouden blijft. Een Savitzky–Golay-filter gladstrijkt daarna de data terwijl belangrijke lokale buigingen en knikken, die veranderend gedrag kunnen signaleren, behouden blijven. Ten slotte past een adaptief Kalman-filter zich aan afhankelijk van hoe snel de grond beweegt, en geeft het meer gewicht aan ofwel eerdere trends ofwel verse waarnemingen. Dit stapsgewijze proces vermindert de spreiding in de coördinatendata met ongeveer een derde in verticale richting, zonder betekenisvolle vervorming te wissen.

Modellen leren kleine verschuivingen te voorspellen

Nadat de gegevens zijn gereinigd, schakelen de auteurs van meten naar voorspellen. Ze zetten de stationcoördinaten om in cumulatieve vervorming—hoe ver elk punt is verschoven sinds het begin—en splitsen deze beweging vervolgens in drie onderdelen: een langetermijntrend, periodieke seizoensschommelingen en onregelmatige restcomponenten. Ze berekenen ook hoe snel de beweging verandert (snelheid) en hoe snel die snelheid zelf verandert (acceleratie). Deze elementen vormen een soort gezondheidsdossier voor elke locatie. In plaats van te vertrouwen op één voorspellingsmethode, zetten de onderzoekers een team van modellen in: klassieke tijdreeksinstrumenten die goed zijn in stabiele trends en cycli, en moderne machine-learningmodellen die uitblinken in complexe, niet-lineaire patronen. Een uiteindelijke "scheidsrechter"-model leert hoe elk lid van dit team gewogen moet worden zodat de gecombineerde voorspelling zo dicht mogelijk bij de werkelijkheid komt.

Van ruwe cijfers naar betrouwbare waarschuwingen

In tests op bijna twee jaar aan gegevens van 19 stations voorspelt de gecombineerde aanpak toekomstige vervorming met root-mean-square fouten onder 0,3 millimeter, zelfs tot drie dagen vooruit. De methode volgt zowel geleidelijke langetermijnzakking als scherpere veranderingen gekoppeld aan mijnactiviteiten, en blijft stabiel wanneer omstandigheden tussen stations en in de tijd variëren. Bovenop de voorspellingen voegen de auteurs een waarschuwingssysteem toe dat elk moment classificeert in fasen—stabiele kruip, langzame versnelling of snelle instabiliteit—gebaseerd op snelheid en acceleratie. Met een clusteralgoritme en een schuivend statistisch venster past het systeem automatisch zijn drempels aan zodat kleine, onschuldige fluctuaties geen alarm veroorzaken, terwijl duidelijke afwijkingen van verwacht gedrag wel leiden tot waarschuwingen.

Voorspellingen omzetten in veiligere mijnen

Voor niet-specialisten is de kernboodschap dat dit werk subtiele, moeilijk te interpreteren satellietpositioneringsgegevens omzet in een praktisch vroegwaarschuwingssysteem. Door het signaal slim te reinigen en meerdere voorspellingsmethoden te combineren, kunnen de auteurs grondbeweging in risicovolle zones zoals binnenste afvalbergen en steile hellingen met submillimeternauwkeurigheid voorspellen. Dit maakt de hardware niet nauwkeuriger dan de natuurwetten toelaten; het betekent dat de resterende voorspellingsfouten, nadat ruis is weggefilterd en uit het verleden is geleerd, extreem klein zijn. Dergelijke gedetailleerde vooruitziendheid stelt mijnexploitanten in staat gevaarlijke trends eerder te herkennen, inspecties te richten op de meest onstabiele gebieden en versterkings- of evacuatieplannen op te stellen voordat een langzame doorbuiging in een plotselinge schuiving verandert.

Bronvermelding: Dong, X., Ma, R., Tian, W. et al. High-precision prediction method for mine deformation based on GNSS RTK and stacking ensemble learning. Sci Rep 16, 12277 (2026). https://doi.org/10.1038/s41598-026-41945-x

Trefwoorden: monitoring van mijnvervorming, GNSS RTK, vroegtijdige waarschuwing voor aardverschuivingen, machine learning voorspelling, veiligheid in dagbouwmijnen