Высокоточный метод прогнозирования деформаций рудника на основе GNSS RTK и стекингового ансамблевого обучения

Почему наблюдение за движением земли может спасти жизни

Современные шахты постоянно меняют ландшафт — каждый час и каждый день. Большая часть этих перемещений медленная и безвредная, но иногда откосы внезапно сдвигаются, а отвалы проседают, угрожая рабочим, технике и близлежащим населённым пунктам. В этой статье показано, как спутниковая позиционирование и продвинутый анализ данных позволяют отслеживать крошечные сдвиги грунта — до долей миллиметра — и превращать их в ранние предупреждения, прежде чем незначительная просадка перерастёт в серьёзную катастрофу.

Слушая шахту при помощи спутниковых сигналов

Вместо того чтобы полагаться только на визуальные осмотры или разовые съёмки, авторы используют сеть постоянных станций глобальной навигационной спутниковой системы (GNSS) вокруг открытого угольного карьера в Синьцзяне, Китай. Эти станции, работающие в режиме RTK (Real-Time Kinematic), непрерывно измеряют своё трёхмерное положение с точностью на уровне сантиметров каждый час, днём и ночью. За месяцы и годы это формирует подробную хронологическую запись о том, как каждая точка на поверхности карьера медленно поднимается, опускается или сдвигается. В этих данных скрыты ранние признаки проблем — но они замаскированы помехами от атмосферы, орбитальных ошибок спутников, электронного шума и взрывных работ.

Очистка сигнала, чтобы выделить реальное движение

Чтобы превратить зашумлённые измерения в надёжные данные о движении грунта, команда строит конвейер «слияния фильтров», который сочетает несколько методов удаления шума вместо использования одного. Сначала медианный фильтр устраняет резкие выбросы, вызванные временной потерей сигнала или электрическими сбоями. Затем фильтр Баттерворта настраивается по-разному для тихих, устойчивых зон и более активных откосов, удаляя высокочастотные флуктуации и сохраняя настоящие низкочастотные перемещения. Фильтр Савицкого–Голея сглаживает данные, при этом сохраняя важные локальные изгибы и перегибы, которые могут сигнализировать об изменении поведения. Наконец, адаптивный фильтр Калмана подстраивается в зависимости от скорости движения грунта, отдавая больший вес либо прошлым трендам, либо свежим наблюдениям. Этот поэтапный процесс уменьшает разброс координат примерно на треть по вертикали, не стирая значимые деформации.

Обучение моделей прогнозировать крошечные сдвиги

После очистки данных авторы переходят от измерений к прогнозированию. Они преобразуют координаты станций в накопительную деформацию — насколько сместилась каждая точка со старта наблюдений — и затем разлагают это движение на три компонента: долгосрочный тренд, повторяющиеся сезонные колебания и нерегулярные остатки. Также вычисляют скорость изменения перемещения и ускорение (насколько быстро меняется эта скорость). Эти элементы формируют своего рода медицинскую карту для каждой точки. Вместо того чтобы полагаться на один метод прогнозирования, исследователи собирают ансамбль моделей: классические инструменты временных рядов, хорошо работающие с ровными трендами и циклами, и современные модели машинного обучения, способные уловить сложное нелинейное поведение. Финальная «рефери»-модель учится взвешивать вклад каждого участника ансамбля так, чтобы объединённый прогноз максимально соответствовал реальности.

От сырых чисел к надёжным предупреждениям

В тестах на данных почти за два года с 19 станций комбинированный подход предсказывает будущие деформации с среднеквадратичной ошибкой менее 0,3 мм, даже при прогнозе на три дня вперёд. Метод отслеживает как плавное долгосрочное проседание, так и более резкие изменения, связанные с горными работами, и остаётся стабильным при различиях между станциями и со временем. Поверх прогнозов авторы добавляют систему оповещений, которая классифицирует каждый момент по стадиям — стабильный ползучий процесс, медленное ускорение или резкая нестабильность — на основе скорости и ускорения. С помощью алгоритма кластеризации и скользящего статистического окна система автоматически корректирует пороги так, чтобы небольшие, безвредные флуктуации не вызывали ложных тревог, а явные отклонения от ожидаемого поведения — вызывали.

Превращая прогнозы в более безопасные шахты

Для неспециалиста ключевая мысль заключается в том, что эта работа превращает тонкие, трудноинтерпретируемые данные спутникового позиционирования в практичный инструмент раннего предупреждения. За счёт грамотной очистки сигнала и комбинирования нескольких методов прогнозирования авторы могут предвидеть перемещения грунта в зонах высокого риска — таких как внутренние отвалы и крутые откосы — с субмиллиметровой точностью. Это не делает оборудование более точным, чем позволяет физика; скорее, это означает, что оставшиеся ошибки прогноза, после удаления шума и обучения на исторических данных, оказываются чрезвычайно малы. Такая детальная предвидимость позволяет операторам шахт раньше замечать опасные тренды, сосредоточивать инспекции на наиболее нестабильных участках и планировать усиление конструкций или эвакуацию до того, как медленная просадка превратится в внезапный сдвиг.

Цитирование: 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

Ключевые слова: мониторинг деформаций рудника, GNSS RTK, раннее предупреждение о оползнях, машинное обучение для прогнозирования, безопасность открытого карьера