Previsão do nível do aquífero na frente de trabalho de mineração baseada em VMD-LSTM

Por que uma mineração mais segura depende de conhecer a água abaixo

No subsolo profundo, minas de carvão frequentemente repousam sobre camadas de rocha saturadas de água. Se essa água entrar repentinamente em um túnel, pode inundar equipamentos, ameaçar trabalhadores e interromper a produção. Este estudo investiga uma forma mais inteligente de prever como o nível de água nessas camadas subterrâneas vai subir e descer perto de uma frente de extração ativa, ajudando os operadores de mina a agir cedo para evitar surpresas perigosas.

Ondas ocultas sob a mina

Na mina estudada, um lençol de carvão situa-se acima de uma camada de calcário que armazena água subterrânea como um reservatório oculto. À medida que o carvão é removido, as tensões na rocha mudam e a água pode se deslocar em direção aos túneis. Medir diretamente a água que entra num túnel é complicado porque muitos fatores interferem nos sensores. Em contraste, monitorar o nível de água na camada de calcário próxima é mais limpo e estável. Por isso, os autores concentram-se em prever esse nível do aquífero como substituto do risco de entrada súbita de água.

Quebrando um sinal complexo em partes mais simples

O registro diário do nível de água é irregular e ondulado, com tendências lentas misturadas a oscilações bruscas. Para lidar com isso, os pesquisadores primeiro limpam os dados, removendo erros óbvios e preenchendo dias ausentes. Em seguida, utilizam um método chamado decomposição modal variacional, que trata o registro do nível de água como uma mistura de várias ondas sobrepostas. Ele separa a curva original em oito componentes mais simples, cada uma representando mudanças em uma escala de tempo diferente, desde tendências de longo prazo até ondulações de curto prazo. Isso facilita para um modelo computacional reconhecer padrões que, de outra forma, poderiam ficar enterrados no ruído.

Ensinando uma rede a lembrar o passado

Após a decomposição, cada uma das curvas de nível de água mais simples é alimentada em um tipo de rede neural artificial projetada para séries temporais, conhecida como rede de memória de longo e curto prazo (LSTM). Essa rede é construída para lembrar informações importantes de muitos dias atrás enquanto ignora detalhes menos relevantes. O modelo é treinado na maior parte dos dados registrados e depois testado nos dias restantes. A equipe compara várias abordagens, incluindo versões construídas com outros modelos de sequência populares e versões que pulam a etapa de decomposição completamente.

Ganho claro na acurácia de previsão

O modelo combinado de decomposição modal variacional mais LSTM oferece as previsões mais precisas entre todos os métodos testados. Ele acompanha a elevação e queda geral do nível do aquífero e se sai especialmente bem quando o nível muda rapidamente, como em grandes quedas ou picos súbitos. Quando os autores comparam medidas padrão de erro, seu modelo híbrido consistentemente mostra erros menores e uma correspondência mais próxima com as medições reais do que modelos sem decomposição ou aqueles que usam outros projetos de rede. Isso sugere que primeiro desembaraçar o sinal misturado e depois usar uma rede baseada em memória facilita capturar o comportamento real da água subterrânea.

O que isso significa para a segurança das minas

Para os operadores de mina, o estudo aponta para uma ferramenta prática para vigiar a água oculta sob as frentes de trabalho. Ao fornecer avisos mais precoces e confiáveis sobre níveis futuros de água, o modelo pode apoiar decisões sobre perfuração, bombeamento e reforço antes que a água invada os túneis. Como o método é relativamente simples uma vez configurado e funciona com medições diárias, oferece uma forma conveniente de reforçar a prevenção de riscos hídricos e apoiar uma produção de carvão mais segura e eficiente.

Citação: 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

Palavras-chave: água de mina, nível do aquífero, previsão de séries temporais, aprendizado profundo, segurança na mineração de carvão