Charakterystyka parametrów emisji akustycznej i identyfikacja etapowego rozprzestrzeniania się złamań w kombinacji ciała zespolonego‑węgla na podstawie podejść eksperymentalnych i uczenia maszynowego

Słuchając problemów głęboko pod ziemią

Nowoczesne kopalnie węgla opierają się na podziemnych filarach i sztucznie wypełnianych masach, które podtrzymują setki metrów skały. Gdy te podpory nagle zawiodą, może dojść do katastrofalnych zapadnięć stropu. Badanie pokazuje, jak inżynierowie mogą „słuchać” drobnych dźwięków pękania wewnątrz zespolonej struktury z utwardzonego wypełnienia i filaru węglowego oraz używać sztucznej inteligencji do rozpoznawania ostrzegawczych etapów przed awarią, co wskazuje drogę do szybszych i bardziej inteligentnych alarmów bezpieczeństwa w rzeczywistych kopalniach.

Jak współdziałają sztuczna skała i węgiel

W niektórych chińskich kopalniach technika zwana ciągłym wyrobiskiem z zasypywaniem skałą odpadową zastępuje część węgla bloczkiem utwardzonym z odpadów skalnych, cementu i piasku. Ten bloczek i pozostający filar węglowy wspólnie dźwigają nadległą masę, tworząc to, co autorzy nazywają kombinacją ciała utwardzonego–węgla. Ponieważ struktura ta znajduje się w strefie skoncentrowanych naprężeń i jest zaburzana przez bieżące prace wydobywcze, zrozumienie, jak i kiedy zaczyna pękać, jest niezbędne dla długoterminowej stabilności i bezpieczeństwa pracowników.

Przekształcanie drobnych pęknięć w użyteczne sygnały

Gdy skały są ściskane, emitują wysokoczęstotliwościowe fale sprężyste w miarę formowania i wzrostu mikrospękań. Czułe czujniki emisji akustycznej, przyklejone do boków próbek laboratoryjnych, mogą wychwycić te sygnały na długo przed pojawieniem się widocznych uszkodzeń. Badacze stworzyli połączone próbki z węgla i utwardzonego zasypu, a następnie stopniowo je ściskali, rejestrując miliony zdarzeń akustycznych. Analizowali kilka aspektów tych sygnałów: jak często się pojawiały, jak rozkładała się ich energia oraz jak zmieniały się ich przebiegi w czasie. Śledząc te parametry równolegle z naprężeniem i odkształceniem próbek, powiązali zmiany w wzorcach dźwiękowych z odrębnymi etapami wewnętrznych uszkodzeń.

Wzrost pęknięć w rozpoznawalnych etapach

Badania wykazały, że struktura zespolona nie zawodzi jednocześnie; przechodzi raczej przez sekwencję etapów. Początkowo pory i małe szczeliny są po prostu zgniatane, dając tylko kilka słabych sygnałów akustycznych. W miarę wzrostu obciążenia materiał wchodzi w fazę sprężystą, gdzie zaczynają się tworzyć jądra mikrospękań, a aktywność rośnie gwałtownie, powodując pierwszy szczyt liczby sygnałów. Później, gdy inicjują się i łączą większe pęknięcia w zasypie i węglu oraz wzajemnie oddziałują, wzorce sygnałów stają się bardziej intensywne i złożone, prowadząc do drugiego, silniejszego szczytu związanego z niestabilnym pękaniem i końcową awarią. Miary oparte na rozkładzie energia‑częstotliwość i kształcie przebiegu reagowały w charakterystyczny sposób w tych etapach, co oznacza, że „sygnatura dźwiękowa” zagęszczania, stabilnego wzrostu pęknięć i niestabilnego przełamania może być rozróżniona.

Nauczanie maszyn rozpoznawania znaków ostrzegawczych

Aby przekształcić te wzorce w narzędzie praktyczne, zespół podał cztery kluczowe parametry akustyczne kilku modelom uczenia maszynowego zaprojektowanym do rozpoznawania, w jakim stadium uszkodzenia znajduje się próbka w danym momencie. Testowali lasy losowe, maszyny wektorów nośnych oraz dwie zaawansowane metody gradientowego wzmacniania. Wszystkie cztery nauczyły się klasyfikować etapy z wysoką dokładnością, ale lekka maszyna gradientowego wzmacniania (light gradient boosting machine) wypadła najlepiej, poprawnie identyfikując ponad 85% okien czasowych we wszystkich etapach. Autorzy następnie użyli popularnej metody interpretowalności, aby zobaczyć, które parametry są najważniejsze, i wykorzystali te wagi istotności do zbudowania pojedynczego złożonego wskaźnika ostrzegawczego. Wskaźnik ten łączy różne aspekty zachowania akustycznego w jedną krzywą, która rośnie w miarę przechodzenia struktury ze stanu bezpiecznego do niebezpiecznego.

Co to oznacza dla bezpieczeństwa w kopalniach

Mówiąc wprost, badanie pokazuje, że system podparcia z zasypu i węgla komunikuje się, zanim ulegnie zniszczeniu, i że komputery mogą nauczyć się rozumieć jego język. Monitorując kilka starannie dobranych cech akustycznych i łącząc je w pojedynczy wskaźnik ostrzegawczy, inżynierowie mogą w zasadzie wykryć moment, gdy struktura przechodzi od niegroźnego pękania do szybko rozprzestrzeniających się złamań poprzedzających zapadnięcie. Chociaż proponowany wskaźnik opiera się nadal na kontrolowanych badaniach laboratoryjnych i musi być dostosowany do głośniejszych, bardziej złożonych warunków pod ziemią, oferuje jasne ramy dla przyszłych systemów monitoringu kopalń, które mają na celu przemianę słabych podziemnych szeptów w niezawodne wczesne ostrzeżenia.

Cytowanie: 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

Słowa kluczowe: emisja akustyczna, stabilność kopalni węgla, złamanie skały, monitorowanie uczeniem maszynowym, systemy wczesnego ostrzegania