Caracterização dos parâmetros de emissão acústica e identificação da propagação de fratura em estágios na combinação corpo solidificado‑carvão com base em abordagens experimentais e de aprendizado de máquina

Ouvindo problemas nas profundezas

Minas de carvão modernas dependem de pilares subterrâneos e de preenchimento artificial para sustentar centenas de metros de rocha. Se esses suportes falham subitamente, o resultado pode ser desabamentos catastróficos do teto. Este estudo mostra como engenheiros podem “ouvir” pequenos estalidos internos em uma estrutura combinada de pilar de carvão e preenchimento solidificado e usar inteligência artificial para reconhecer os estágios de aviso antes da falha, apontando para alertas de segurança mais inteligentes e antecipados em minas reais.

Como uma rocha artificial e o carvão atuam juntos

Em algumas minas chinesas, uma técnica chamada escavação contínua com preenchimento de rejeito substitui parte do carvão por um bloco solidificado feito de rocha residual, cimento e areia. Esse bloco e o pilar de carvão remanescente compartilham a função de suportar o terreno acima, formando o que os autores chamam de combinação corpo solidificado‑carvão. Como essa estrutura fica numa zona de concentração de tensões e é perturbada pela mineração em curso, entender exatamente como e quando ela começa a fissurar é essencial para a estabilidade a longo prazo e a segurança dos trabalhadores.

Transformando microfissuras em sinais úteis

Quando as rochas são comprimidas, elas emitem ondas elásticas de alta frequência à medida que microfissuras se formam e crescem. Sensores sensíveis de emissão acústica, colados às faces das amostras de laboratório, podem captar esses sinais muito antes de qualquer dano visível. Os pesquisadores criaram amostras combinadas de carvão e preenchimento solidificado e as comprimiram lentamente enquanto registravam milhões de eventos acústicos. Eles examinaram vários aspectos desses sinais: frequência de ocorrência, distribuição de energia e mudanças de forma de onda ao longo do tempo. Ao acompanhar esses parâmetros juntamente com a tensão e deformação das amostras, foi possível associar mudanças nos padrões sonoros a estágios distintos de dano interno.

Crescimento de fissuras em estágios reconhecíveis

Os testes mostraram que a estrutura combinada não falha de uma só vez; em vez disso, passa por uma sequência de estágios. Inicialmente, poros e pequenas lacunas simplesmente se comprimem, com apenas alguns sinais acústicos fracos. À medida que a carga aumenta, o material entra em um estágio elástico onde microfissuras começam a nucleação e a atividade sobe acentuadamente, produzindo um primeiro pico na contagem de sinais. Mais adiante, quando fissuras maiores se iniciam, se conectam através do preenchimento e do carvão e interagem entre si, os padrões de sinal tornam‑se mais intensos e complexos, levando a um segundo pico mais forte associado à fratura instável e à falha final. Medidas baseadas na distribuição energia‑frequência e na forma de onda responderam de maneiras características durante esses estágios, o que significa que a “assinatura sonora” de compactação, crescimento estável de fissuras e rompimento instável pode ser distinguida em cada caso.

Ensinando máquinas a ler os sinais de aviso

Para transformar esses padrões em uma ferramenta prática, a equipe alimentou quatro parâmetros acústicos chave em vários modelos de aprendizado de máquina projetados para reconhecer em qual estágio de dano a amostra se encontrava a cada momento. Eles testaram florestas aleatórias, máquinas de vetores de suporte e dois métodos avançados de gradient boosting. Todos aprenderam a classificar os estágios com alta precisão, mas a light gradient boosting machine teve o melhor desempenho, identificando corretamente mais de 85% das janelas temporais em todos os estágios. Os autores então usaram um método popular de interpretabilidade para ver quais parâmetros eram mais relevantes e empregaram essas pontuações de importância para construir um único índice de alerta combinado. Esse índice funde diferentes aspectos do comportamento acústico em uma curva que sobe conforme a estrutura transita de estados seguros para perigosos.

O que isso significa para a segurança em minas

Em termos simples, o estudo mostra que o sistema de suporte preenchimento‑carvão dá sinais antes de romper, e que computadores podem aprender a entender essa linguagem. Monitorando um punhado de características acústicas cuidadosamente escolhidas e fundindo‑as em um único indicador de alerta, os engenheiros podem, em princípio, detectar quando a estrutura muda de fissuras inofensivas para fraturas que se espalham rapidamente e precedem o colapso. Embora o índice proposto ainda esteja baseado em testes laboratoriais controlados e precise ser ajustado para as condições mais ruidosas e complexas do subsolo, ele oferece um quadro claro para futuros sistemas de monitoramento de minas que visem transformar sussurros subterrâneos tênues em alertas precoces confiáveis.

Citação: 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

Palavras-chave: emissão acústica, estabilidade de mina de carvão, fratura de rocha, monitoramento por aprendizado de máquina, sistemas de alerta precoce