Karaktärisering av akustiska emissionsparametrar och identifiering av stegvis brottutbredning i en kombination av försolidifierad fyllning och kol baserat på experimentella och maskininlärningsmetoder

Lyssna efter problem djupt under jord

Moderna kolgruvor förlitar sig på underjordiska pelare och konstgjord återfyllning för att bära hundratals meter berg. Om dessa stöd plötsligt sviktar kan det leda till katastrofala takras. Denna studie visar hur ingenjörer kan ”lyssna” på de små sprickljuden inne i en kombinerad struktur av försolidifierad återfyllning och kolpelare och använda artificiell intelligens för att känna igen varningssteg före brott, vilket pekar mot smartare och tidigare säkerhetslarm i verkliga gruvor.

Hur ett konstgjort bergmaterial och kol samverkar

I vissa kinesiska gruvor ersätter en teknik kallad kontinuerlig färdsel och gangue-återfyllning en del av kolet med en försolidifierad block av avfallsberg, cement och sand. Detta block och den återstående kolpelaren delar på uppgiften att bära marken ovanför och bildar det författarna kallar en kombination av försolidifierad kropp och kol. Eftersom denna struktur ligger i en zon med koncentrerad spänning och störs av pågående brytning är det avgörande för långsiktig stabilitet och arbetssäkerhet att förstå exakt hur och när den börjar spricka.

Omvandla små sprickor till användbara signaler

När berg utsätts för tryck avger de högfrekventa elastiska vågor när mikrosprickor bildas och växer. Känsliga akustiska emissionssensorer, fastlimmade på sidorna av provkropparna i laboratoriet, kan plocka upp dessa signaler långt innan synliga skador uppstår. Forskarna skapade kombinerade provstycken av kol och försolidifierad återfyllning och pressade dem långsamt samtidigt som de spelade in miljontals akustiska händelser. De undersökte flera aspekter av dessa signaler: hur ofta de inträffade, hur deras energi var fördelad och hur vågformernas utseende förändrades över tid. Genom att följa dessa parametrar tillsammans med provens spänning och töjning kunde de koppla förändringar i ljudmönster till distinkta stadier av intern skada.

Spricktillväxt i igenkännbara stadier

Testerna visade att den kombinerade strukturen inte går sönder på en gång; istället passerar den genom en sekvens av stadier. Inledningsvis pressas porer och små glipor helt enkelt ihop, med endast några få svaga akustiska signaler. När belastningen ökar går materialet in i ett elastiskt stadium där mikrosprickor börjar nukleera och aktiviteten stiger kraftigt, vilket ger en första topp i antalet signaler. Senare, när större sprickor initieras, kopplar ihop sig över återfyllningen och kolet och interagerar med varandra, blir signalmönstren intensivare och mer komplexa, vilket leder till en andra, starkare topp associerad med instabil fraktur och slutligt brott. Mätningar baserade på energi-frekvensfördelning och vågformsform reagerade på karakteristiska sätt under dessa stadier, vilket innebär att ”ljudsignaturen” för kompaktering, stabil spricktillväxt och instabil genomslag kan särskiljas.

Lära maskiner att läsa varningstecknen

För att göra dessa mönster till ett praktiskt verktyg matade teamet in fyra nyckelparametrar från akustiska emissioner i flera maskininlärningsmodeller utformade för att känna igen i vilket skadestadium provet befann sig vid varje ögonblick. De testade random forests, support vector machines och två avancerade gradientboosting-metoder. Alla fyra lärde sig att klassificera stadierna med hög noggrannhet, men Light Gradient Boosting Machine presterade bäst och identifierade korrekt mer än 85 % av tidsfönstren över alla stadier. Författarna använde sedan en populär tolkbarhetsmetod för att se vilka parametrar som betydde mest och använde dessa viktighetspoäng för att bygga ett enda kombinerat varningsindex. Detta index blandar olika aspekter av det akustiska beteendet till en kurva som stiger när strukturen rör sig från säkra till farliga tillstånd.

Vad detta innebär för gruvisäkerheten

Enkelt uttryckt visar studien att återfyllnings–kol-stödsystemet talar innan det brister, och att datorer kan lära sig att förstå dess språk. Genom att övervaka ett litet antal noggrant utvalda akustiska egenskaper och förena dem till en enda varningsindikator kan ingenjörer i princip upptäcka när strukturen skiftar från ofarlig sprickbildning till snabbt spridande brott som föregår kollaps. Även om det föreslagna indexet fortfarande bygger på kontrollerade laboratorietester och måste justeras för de bullrigare och mer komplexa förhållandena under jord, erbjuder det en tydlig ram för framtida övervakningssystem i gruvor som syftar till att omvandla svaga underjordiska viskningar till pålitliga tidiga varningar.

Citering: 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

Nyckelord: akustisk emission, stabilitet i kolgruva, bergbrott, övervakning med maskininlärning, tidiga varningssystem