Прогноз уровня воды в водоносном слое забоя на основе VMD-LSTM

Почему более безопасная добыча зависит от знания воды внизу

Глубоко под землей угольные шахты часто располагаются над насыщенными водой горными породами. Если эта вода внезапно хлынет в выработку, она может залить оборудование, угрожать жизни работников и остановить производство. В этом исследовании рассматривается более продуманный способ прогнозирования подъёма и падения уровня воды в этих подземных слоях около активного забоя, который помогает шахтёрам действовать заранее, чтобы избежать опасных сюрпризов.

Скрытые волны под шахтой

В изучаемой шахте угольный пласт расположен над известняковым слоем, который хранит подземные воды как скрытый резервуар. По мере добычи угля изменяются напряжения в породе, и вода может направляться в сторону выработок. Прямое измерение притока воды в выработку затруднено, поскольку на датчики влияют многие факторы. Напротив, отслеживание уровня воды в близлежащем известняковом слое чистее и стабильнее. Авторы поэтому сосредоточились на прогнозировании этого уровня водоносного слоя как показателя риска внезапного притока воды.

Разложение сложного сигнала на более простые части

Дневная запись уровня воды неровная и нерегулярная, с медленными трендами, смешанными с резкими колебаниями. Чтобы справиться с этим, исследователи сначала очищают данные, удаляя явные ошибки и восстанавливая пропущенные дни. Затем они используют метод, называемый вариационным разложением по модам (variational mode decomposition), который рассматривает запись уровня воды как смесь нескольких перекрывающихся волн. Метод разделяет исходную кривую на восемь более простых компонент, каждая из которых отражает изменения на разном временном масштабе — от долгосрочных трендов до кратковременных ряби. Это облегчает компьютерной модели распознавание закономерностей, которые иначе могли бы быть скрыты шумом.

Обучение сети запоминать прошлое

После разложения каждая из упрощённых кривых уровня воды подаётся в тип искусственной нейронной сети, предназначенной для временных рядов, известной как сеть с длительной краткосрочной памятью (LSTM). Эта сеть сконструирована так, чтобы запоминать важную информацию за многие дни назад, отбрасывая менее полезные детали. Модель обучают на большей части записанных данных и затем проверяют на оставшихся днях. Команда сравнивает несколько подходов, включая версии на других популярных последовательных моделях и варианты, которые полностью опускают шаг разложения.

Явные улучшения точности прогноза

Гибридная модель, объединяющая вариационное разложение по модам и LSTM, даёт наиболее точные прогнозы среди всех протестированных методов. Она хорошо отслеживает общие подъёмы и спады уровня водоносного слоя и особенно эффективно работает при быстрых изменениях уровня, например во время резких падений или внезапных пиков. При сравнении стандартных мер ошибок их гибридная модель систематически показывает меньшие погрешности и более близкое соответствие фактическим измерениям по сравнению с моделями без разложения или с другими архитектурами сетей. Это указывает на то, что сначала распутывая смешанный сигнал, а затем применяя сеть с памятью, легче уловить реальное поведение подземных вод.

Что это значит для безопасности шахт

Для руководства шахт исследование указывает на практический инструмент для наблюдения за скрытой водой под забоями. Обеспечивая более ранние и надёжные предупреждения о будущих уровнях воды, модель может помочь в решениях о бурении, откачке и усилении крепи до того, как вода прорвётся в выработки. Поскольку метод относительно прост в эксплуатации после настройки и работает на основе ежедневных измерений, он предлагает удобный способ усилить предотвращение водных рисков и поддержать более безопасное и эффективное угледобывающее производство.

Цитирование: 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

Ключевые слова: шахтная вода, уровень водоносного слоя, прогноз временных рядов, глубокое обучение, безопасность угледобычи