Metoda wysokoprecyzyjnego przewidywania deformacji kopalni oparta na GNSS RTK i warstwowym uczeniu zespołowym

Dlaczego obserwacja przesunięć gruntu może ratować życie

Współczesne kopalnie nieustannie przekształcają krajobraz, przez całą dobę każdego dnia. Większość tych przemieszczeń jest powolna i niegroźna, ale czasami stoki nagle się osuwają lub hałdy zawalają, zagrażając pracownikom, sprzętowi i pobliskim społecznościom. Artykuł pokazuje, jak pozycjonowanie satelitarne i zaawansowana analiza danych mogą śledzić mikroskopijne przesunięcia gruntu — sięgające ułamków milimetra — i przekształcać je w wczesne ostrzeżenia, zanim niewielkie zapadanie się stanie się poważną katastrofą.

Słuchając kopalni za pomocą sygnałów satelitarnych

Zamiast polegać wyłącznie na oględzinach lub okazjonalnych pomiarach, autorzy wykorzystują sieć stałych stacji Globalnego Systemu Nawigacji Satelitarnej (GNSS) wokół odkrywkowej kopalni węglowej w Xinjiangu w Chinach. Stacje te, pracujące w trybie Real-Time Kinematic (RTK), mierzą ciągle swoje trójwymiarowe położenie z precyzją na poziomie centymetrów co godzinę, dzień i noc. W ciągu miesięcy i lat tworzy to obszerny zapis zmian w czasie, pokazujący, jak każdy punkt na powierzchni kopalni powoli unosi się, opada lub przemieszcza się. W tych danych ukryte są wczesne sygnały problemów — lecz zatopione są w szumie pochodzącym z atmosfery, orbit satelitów, zakłóceń elektronicznych i operacji strzałowych.

Czyszczenie sygnału, aby wyróżnić rzeczywisty ruch

Aby przekształcić zaszumione pomiary w wiarygodne ruchy gruntu, zespół opracowuje potok „fuzji filtrów”, łączący kilka metod usuwania szumów zamiast polegać na jednej. Najpierw filtr medianowy eliminuje nagłe skoki spowodowane chwilową utratą sygnału lub zakłóceniami elektrycznymi. Następnie filtr Butterwortha jest dostrajany odrębnie dla cichych, stabilnych obszarów i bardziej aktywnych stoków, usuwając wysokoczęstotliwościowe drgania przy zachowaniu rzeczywistych, niskoczęstotliwościowych ruchów gruntu. Filtr Savitzky’ego–Golaya wygładza dalej dane, zachowując istotne lokalne załamania i krzywizny, które mogą sygnalizować zmianę zachowania. Na końcu adaptacyjny filtr Kalmana dostosowuje się w zależności od prędkości ruchu gruntu, nadając większą wagę albo przeszłym trendom, albo świeżym obserwacjom. Ten etapowy proces redukuje rozrzut w danych współrzędnych w kierunku pionowym nawet o około jedną trzecią, nie zacierając jednak istotnych deformacji.

Nauczanie modeli przewidywania drobnych przesunięć

Po oczyszczeniu danych autorzy przechodzą od pomiaru do prognozy. Przekształcają współrzędne stacji w skumulowane odkształcenie — jak daleko przesunął się każdy punkt od początku obserwacji — a następnie dzielą ten ruch na trzy części: długoterminowy trend, powtarzalne wahania sezonowe i nieregularne resztki. Obliczają też, jak szybko zmienia się ruch (prędkość) oraz jak szybko zmienia się ta prędkość (przyspieszenie). Elementy te tworzą swego rodzaju kartę stanu dla każdej lokalizacji. Zamiast polegać na jednej metodzie prognostycznej, badacze zestawiają zespół modeli: klasyczne narzędzia szeregów czasowych, dobre w przewidywaniu stabilnych trendów i cykli, oraz nowoczesne modele uczenia maszynowego, które radzą sobie z złożonym, nieliniowym zachowaniem. Końcowy model „referee” uczy się, jak ważyć wkład każdego członka zespołu, tak aby złożona prognoza jak najwierniej odpowiadała rzeczywistości.

Od surowych liczb do wiarygodnych ostrzeżeń

W testach na prawie dwuletnich danych z 19 stacji podejście łączone prognozuje przyszłe deformacje z błędami średniokwadratowymi poniżej 0,3 milimetra, nawet przy horyzoncie do trzech dni. Metoda odtwarza zarówno płynne długoterminowe osiadanie, jak i ostrzejsze zmiany związane z działalnością wydobywczą, i pozostaje stabilna przy zmiennych warunkach między stacjami i w czasie. Do prognoz autorzy dodają system ostrzegawczy, klasyfikujący każdy moment w etapy — stabilne pełzanie, wolne przyspieszenie lub gwałtowna niestabilność — na podstawie prędkości i przyspieszenia. Z użyciem algorytmu klasteryzacji i przesuwnego okna statystycznego system automatycznie dostosowuje progi, tak by małe, niegroźne fluktuacje nie wywoływały alarmów, natomiast wyraźne odchylenia od oczekiwanego zachowania już tak.

Przekuwanie prognoz w bezpieczniejsze kopalnie

Dla osoby niebędącej specjalistą kluczowy wniosek jest taki, że praca ta przekształca subtelne, trudne do interpretacji dane z pozycjonowania satelitarnego w praktyczne narzędzie wczesnego ostrzegania. Dzięki inteligentnemu oczyszczeniu sygnału i łączeniu kilku metod prognostycznych autorzy potrafią przewidzieć ruchy gruntu w strefach wysokiego ryzyka, takich jak wewnętrzne hałdy odpadów i strome stoki, z precyzją poniżej milimetra. To nie sprawia, że sprzęt staje się dokładniejszy niż pozwalają prawa fizyki; oznacza raczej, że pozostałe błędy prognozy, po odfiltrowaniu szumu i nauczeniu się na podstawie przeszłych zachowań, są niezwykle małe. Taka szczegółowa przewidywalność pozwala operatorom kopalni wcześniej wykrywać niebezpieczne trendy, skupiać inspekcje na najbardziej niestabilnych obszarach oraz planować wzmocnienia lub ewakuację, zanim powolne zapadanie przerodzi się w gwałtowne osunięcie.

Cytowanie: 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

Słowa kluczowe: monitorowanie deformacji kopalni, GNSS RTK, wczesne ostrzeganie przed osuwiskami, prognozowanie uczeniem maszynowym, bezpieczeństwo w kopalniach odkrywkowych