Forskning om förutsagd höjd på vattenledande sprickzoner baserat på BO-RFR‑modellen och SHAP‑analys

Varför sprickor ovanför kolgruvor spelar roll

Djupt under marken omformar kolbrytning sakta bergmassorna ovanför. När dessa berg spricker hela vägen upp till vattenförande skikt kan underjordiska vattendrag plötsligt strömma in i en gruva och hota arbetare, utrustning och närliggande ekosystem. Denna studie ställer en praktisk fråga med livs‑ och dödsbetydelse: hur höga blir dessa sprickzoner, och kan vi förutsäga deras storlek tillräckligt tillförlitligt för att bryta säkert under vattenförande berg?

Dolda vägar för vatten under marken

När ett kolskikt bryts ut böjer sig taket ovanför, sjunker och slutligen brister. Denna skada skapar en vertikal zon av brott och sprickor i berget som kallas vattenledande sprickzon. Om den zonen når en överliggande akvifer kan sprickorna bli en dold väg för vatten att rusa in i gruvan. Kina, som är starkt beroende av kol, ställs inför denna utmaning i mycket skiftande geologiska miljöer. I centrala och östra regioner ligger det mesta kolet i äldre karbon‑permiska bergarter som är djupa och starka. I västra regioner ligger kolet i yngre jurabergarter som är grundare och mekaniskt svagare. Dessa kontraster innebär att samma brytningsaktivitet kan skapa mycket olika sprickhöjder i olika delar av landet.

Från tumregler till datadriven förutsägelse

I årtionden uppskattade ingenjörer sprickhöjder med enkla formler eller datorsimuleringar. Dessa metoder fokuserade ofta på bara en faktor, såsom tjockleken på det utbrutna kolskiktet, och ignorerade andra viktiga influenser. De hade också svårt att anpassa sig till komplex, föränderlig geologi. I denna studie sammanställde författarna 258 verkliga mätningar av sprickhöjd från representativa gruvor: 147 från de äldre östra kolfälten och 111 från de yngre västra. För varje plats registrerades fem praktiska variabler som gruvplanerare känner väl till: hur tjock en bit kol som togs bort var (brytningstjocklek), hur djupt skiktet ligger, hur långt det utbrutna panelen är, hur stor andel hårda berglager som ingår i de överliggande skikten (andel hårt berg) och vilken brytningsmetod som användes.

Att lära en skog av algoritmer att läsa bergarterna

För att tolka dessa blandade, ofullständiga data vände teamet sig till en maskininlärningsmetod kallad random forest‑regression, en metod som kombinerar många beslutsträd till en enda robust prediktor. De använde sedan bayesiansk optimering—en effektiv sökstrategi—för att automatiskt finjustera modellens interna inställningar så att den skulle prestera väl även med relativt få prover. Den kombinerade BO‑RFR‑modellen tränades separat för östra och västra kolfält och testades sedan noggrant och korsvaliderades på osedda data, inklusive ”blinda” prover från ytterligare gruvor. I samtliga tester förutspådde den optimerade modellen sprickhöjder mycket mer exakt än traditionella formler och flera andra avancerade algoritmer, och fångade det komplexa, icke‑linjära sätt på vilket geologi och gruvdesign samverkar.

Att paketera upp vad som betyder mest

Kraftfulla modeller är bara användbara om ingenjörer kan förstå och lita på dem. För att öppna ”svart lådan” använde författarna ett modernt tolkningsverktyg kallat SHAP, som uppskattar hur mycket varje ingångsfaktor driver en förutsägelse uppåt eller nedåt för varje enskilt fall. Denna analys visade att i både gamla och unga berg dominerar en spak: brytningstjockleken är långt den starkaste drivkraften för hur höga sprickzonerna blir. Men den näst viktigaste faktorn växlar mellan regionerna. I de äldre, starkare karbon‑permiska bergarterna hamnar andelen hårt berg strax efter brytningstjockleken och speglar den avgörande rollen som tjocka, styva lager har för att hålla bergmassan samman. I de yngre, svagare jurabergarterna spelar brytningsdjupet en större roll och knyter spricktillväxten närmare till överlagrad vikt och spänningar snarare än till enskilda starka lager.

Att omvandla insikter till säkrare gruvor

Genom att kombinera fälldata, en noggrant justerad maskininlärningsmodell och ett transparent sätt att förklara dess beslut, erbjuder denna studie en praktisk färdplan för gruvplanerare. I östra Kinas äldre, hårdbergiga kolfält bör säkra utformningar fokusera på att kartlägga och förstå viktiga starka lager och begränsa brytningstjockleken under dem. I de västra, mjukare jurabassängerna bör ingenjörer fästa större uppmärksamhet vid djuprelaterade påfrestningar och risken för stora, instabila kollapser och behandla brytningstjocklek och djup som gemensamma styrparametrar. Sammantaget visar arbetet att avancerade, förklarbara algoritmer kan föra branschen bort från universella tumregler och mot skräddarsydda, evidensbaserade strategier som bättre skyddar både gruvarbetare och vattenresurser.

Citering: Qiu, M., Wen, Y., Teng, C. et al. Research on the predicted height of water-conducting fracture zones based on the BO-RFR model and SHAP analysis. Sci Rep 16, 7230 (2026). https://doi.org/10.1038/s41598-026-38043-3

Nyckelord: kolgruvestabilitet, grundvattenrisker, bergssprickor, maskininlärningsmodeller, kolfälten i Kina