VMD-LSTM gebaseerde voorspelling van grondwaterstand van het aquifer in een mijnwerkplaats

Waarom veiliger delven afhangt van het kennen van het water daaronder

Diep ondergronds liggen kolenmijnen vaak boven waterdoordrenkte gesteentelagen. Als dat water plotseling een tunnel instroomt, kan het apparatuur overstromen, werknemers in gevaar brengen en de productie stilleggen. Deze studie onderzoekt een slimmere manier om te voorspellen hoe het waterpeil in deze ondergrondse lagen zal stijgen en dalen nabij een actief mijnfront, zodat mijnbeheerders eerder kunnen ingrijpen om gevaarlijke verrassingen te voorkomen.

Verborgen golven onder de mijn

In de bestudeerde mijn ligt een kolenlaag boven een kalksteenlaag die grondwater als een verborgen reservoir opslaat. Naarmate kolen worden verwijderd, veranderen de spanningen in het gesteente en kan water naar de tunnels bewegen. Direct meten van water dat een tunnel instroomt is lastig omdat veel factoren sensoren beïnvloeden. Daarentegen is het volgen van het waterpeil in de nabijgelegen kalksteenlaag schoner en stabieler. De auteurs richten zich daarom op het voorspellen van dit aquiferniveau als een proxy voor het risico op plotselinge instroom van water.

Een complex signaal opsplitsen in eenvoudigere delen

Het dagelijkse waterstandrecord is hobbelig en onregelmatig, met langzame trends vermengd met scherpe schommelingen. Om dit aan te pakken, reinigen de onderzoekers eerst de gegevens, verwijderen duidelijke fouten en vullen ontbrekende dagen aan. Daarna gebruiken ze een methode genaamd variational mode decomposition, die het waterstandrecord behandelt als een mengsel van meerdere overlappende golven. Het splitst de oorspronkelijke kromme op in acht eenvoudigere componenten, elk representatief voor veranderingen op een ander tijdschaal, van langetermijntrends tot kortetermijnrimpelingen. Dit maakt het voor een computermodel gemakkelijker patronen te herkennen die anders in ruis verborgen zouden blijven.

Een netwerk leren het verleden te onthouden

Na decompositie wordt elke van de eenvoudigere waterstandskrommen ingevoerd in een type kunstmatig neuraal netwerk dat ontworpen is voor tijdreeksen, bekend als een long short term memory-netwerk. Dit netwerk is opgebouwd om belangrijke informatie van vele dagen terug te onthouden en minder nuttige details te negeren. Het model wordt getraind op het grootste deel van de opgenomen data en vervolgens getest op de resterende dagen. Het team vergelijkt meerdere benaderingen, waaronder varianten gebouwd met andere populaire sequentiemodellen en versies die de decompositiestap helemaal overslaan.

Duidelijke winst in voorspellingsnauwkeurigheid

Het gecombineerde model van variational mode decomposition plus long short term memory levert de meest nauwkeurige voorspellingen van alle geteste methoden. Het volgt de algemene stijgingen en dalingen van het aquiferniveau en presteert bijzonder goed wanneer het niveau snel verandert, zoals bij grote dalingen of plotselinge pieken. Wanneer de auteurs standaard foutmaten vergelijken, laat hun hybride model consequent lagere fouten en een nauwere overeenkomst met de werkelijke metingen zien dan modellen zonder decompositie of modellen die andere netwerktopologieën gebruiken. Dit suggereert dat het eerst ontwarren van het gemengde signaal en daarna het toepassen van een geheugen-gebaseerd netwerk het eenvoudiger maakt om het werkelijke gedrag van het ondergrondse water vast te leggen.

Wat dit betekent voor mijnveiligheid

Voor mijnbeheerders wijst de studie op een praktisch instrument om het verborgen water onder werkfronten te monitoren. Door eerder en betrouwbaarder waarschuwingen over toekomstige waterstanden te bieden, kan het model beslissingen ondersteunen over boren, pompen en versteviging voordat water in tunnels doorbreekt. Omdat de methode relatief eenvoudig is zodra die is ingesteld en op dagelijkse metingen draait, biedt het een handige manier om watergevaarpreventie te versterken en een veiligere, efficiëntere kolenproductie te ondersteunen.

Bronvermelding: 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

Trefwoorden: mijnwater, aquiferniveau, tijdreeksvoorspelling, diep leren, veiligheid in de kolenwinning