Automatyczna identyfikacja i analiza cech spękań powierzchni wywołanych eksploatacją przy użyciu ulepszonego DRA‑UNet

Dlaczego drobne pęknięcia w gruncie mają znaczenie

Na złożach węgla na całym świecie podziemna eksploatacja może cicho rozrywać powierzchnię ziemi. To, co początkowo wygląda jak włosowate rysy w suchym gruncie, może przekształcić się w długie spękania powierzchniowe odprowadzające wodę deszczową, osłabiające drogi, a nawet wywołujące osuwiska lub uszkodzenia budynków. Kontrole pęknięć pieszo są powolne, niebezpieczne i łatwo przegapić istotne uszkodzenia. Badanie pokazuje, jak drony i sztuczna inteligencja mogą automatycznie wykrywać i mierzyć spękania wywołane eksploatacją w dużych szczegółach, oferując nowe, skuteczne narzędzie do zwiększania bezpieczeństwa i zrównoważenia obszarów górniczych.

Więcej widać z powietrza

Naukowcy skupili się na kopalni węgla Huojitu na skraju pustyni Mu Us w Chinach, gdzie podziemna eksploatacja węgla wygenerowała złożoną sieć spękań powierzchni. Skanowali teren przemysłowym quadrokopterem wyposażonym w aparat o wysokiej rozdzielczości, rejestrując obrazy wystarczająco ostre, by rozróżnić detale nieco poniżej trzech centymetrów. Po korekcjach geometrycznych i jasności obrazy zostały zszyte w szczegółowe mapy z góry. Ludzie‑interpretatorzy starannie wytyczyli widoczne spękania, tworząc tysiące oznaczonych przykładów, które nauczyły komputer, czego szukać w podobnych scenach.

Nauczenie sieci neuronowej śledzenia włosowatych rys

W centrum prac znajduje się ulepszony system analizy obrazu nazwany DRA‑UNet, rodzaj głębokiej sieci neuronowej pierwotnie zaprojektowanej do segmentacji obrazów medycznych. Model analizuje każdą płytkę obrazu z drona i decyduje, piksel po pikselu, czy należy on do pęknięcia, czy do nienaruszonej powierzchni. Zespół rozwinął klasyczną architekturę w trzech kluczowych aspektach: połączenia rezydualne ułatwiające trenowanie głębokiej sieci, moduł podwójnej uwagi pomagający skupić się na najbardziej informatywnych wzorcach w przestrzeni i w kanałach kolorów oraz moduł wieloskalowy poszukujący spękań o różnych szerokościach jednocześnie. Specjalnie zaprojektowana funkcja strat dodatkowo skłania sieć do unikania pomijania cienkich rys i doczystego odwzorowania ich krawędzi.

Od map spękań do mierzalnych kształtów

Gdy model wygeneruje czarno‑białą mapę spękań, badanie idzie o krok dalej. Algorytm „przewężania” usuwa piksele brzegowe, aż pozostanie tylko centralny »szkielet« każdego spękania, niczym środkowa linia wyschniętego koryta rzeki. Na podstawie tego szkieleu badacze obliczają długość każdego pęknięcia, średnią szerokość, pole powierzchni, kierunek oraz stopień prostokątności lub nieregularności obrysu. Pomiary przeliczane są z pikseli na jednostki rzeczywiste przy użyciu znanej rozdzielczości gruntu na zdjęciach. Przypisując każdemu pęknięciu unikalne ID i prostokąt ograniczający, zespół może porównywać kształty, śledzić wzrost spękań i wiązać je z układem kopalni oraz kierunkiem postępu eksploatacji.

Co wzory spękań mówią o kopalni

Testy wykazały, że ulepszony DRA‑UNet przewyższa kilka dobrze znanych modeli segmentacji obrazów na zbiorze danych z obszaru kopalni i dobrze uogólnia się także na oddzielnym benchmarku pęknięć na drogach i nawierzchniach. Był szczególnie skuteczny w zachowywaniu cienkich, słabo widocznych rys na tle złożonym z żwiru, roślinności i cieni. Uzyskane pomiary ukazują wyraźne trendy: większość spękań jest krótka, wąska i mała pod względem pola, z kilkoma długimi tworzącymi główny szkielet prowadzący deformację gruntu. W pobliżu granic ściany roboczej gęstość i złożoność spękań rośnie, co odpowiada strefom wyższych naprężeń. Krótkie spękania mają tendencję do skręcania i rozgałęziania, podczas gdy dłuższe prostują się wzdłuż dominującego kierunku rozciągania, ukazując, jak lokalne zaburzenia ustępują miejsca szerszym polom naprężeń w miarę postępu eksploatacji.

Jak to pomaga zwiększyć bezpieczeństwo obszarów górniczych

Dla osób niebędących specjalistami kluczowy wniosek jest taki, że drobne spękania powierzchniowe stanowią wczesne ostrzeżenie o głębszych zmianach gruntu nad kopalniami. Badanie demonstruje zautomatyzowany sposób wykrywania i pomiaru tych pęknięć z powietrza z wysoką precyzją, bez wysyłania inspektorów w niebezpieczne strefy czy polegania na powolnym ręcznym mapowaniu. Łącząc obrazy z dronów, inteligentne sieci neuronowe i analizę kształtów, system może wskazywać miejsca koncentracji uszkodzeń i ich ewolucję w czasie. W praktyce oznacza to, że operatorzy kopalni i władze lokalne mogą częściej monitorować duże obszary, lepiej przewidywać awarie gruntu i planować działania łagodzące w celu ochrony infrastruktury, ekosystemów i społeczności zamieszkujących nad aktywnymi pokładami węgla.

Cytowanie: Zhou, W., Zou, Y. & Chai, H. Automatic identification and feature analysis of Min-ing-Induced surface cracks using an improved DRA-UNet. Sci Rep 16, 6591 (2026). https://doi.org/10.1038/s41598-026-37548-1

Słowa kluczowe: spękania powierzchni wywołane eksploatacją, mapowanie spękań UAV, segmentacja przy użyciu uczenia głębokiego, monitorowanie deformacji gruntu, ocena zagrożeń geotechnicznych