Omfattande säkerhetsutvärdering för styrsystem för efterfyllning baserat på modifierad set pair-matter-element-förlängningsmodell

Varför säkrare efterfyllning i djupa gruvor spelar roll

När kol- och malmförekomster nära ytan börjar ta slut flyttas gruvdriften allt djupare, där bergtrycket är större och risken för ras eller miljöskador ökar. Ett av huvudverktygen för att göra djupgruvdrift säkrare är efterfyllning: att pumpa avfallsten och cement in i tomma tunnlar för att stödja marken. Men dagens efterfyllningssystem blir allt mer komplexa, fyllda med sensorer, pumpar, ledningar och mjukvara. Denna studie tar itu med en enkel men avgörande fråga: hur kan vi avgöra om en gruvas styrsystem för efterfyllning verkligen är säkert, intelligent och tillförlitligt?

Från enkel fyllning till intelligent styrning

Moderna efterfyllningssystem gör mer än att bara flytta slam genom rör. De övervakar kontinuerligt hur fyllnadsmaterialet blandas, hur det flödar genom långa underjordiska ledningar och hur starkt det blir när det härdar i de uttagna utrymmena. Med nätverk, molnbaserad beräkning och big data-verktyg kan systemen justera pumpsnabbheter, blandningsförhållanden och spoloperationer i realtid, samtidigt som de ger tidiga varningar om något börjar gå fel. Genomfört väl förbättrar detta säkerheten, minskar materialspill och sparar arbetskraft. Trots det är dessa system fortfarande relativt nya, och det har saknats ett klart, vetenskapligt sätt att bedöma hur avancerad eller pålitlig en given installation faktiskt är.

Bryta ner ett komplext system i tydliga delar

Författarna föreslår ett strukturerat sätt att utvärdera efterfyllningsstyrsystem som helhet. De delar upp systemet i fyra huvuddelar: hur slamen förbereds på ytan, hur den transporteras och övervakas längs ledningen, hur den härdade fyllnadens styrka och stabilitet övervakas, och hur väl hela systemet förvaltas visuellt och digitalt. Inom dessa fyra områden definierar de 16 specifika indikatorer, såsom hur intelligent sandsförsörjningen är, hur tillförlitligt slamen blandas, hur väl trycket i ledningen övervakas, om fel triggar tidiga varningar och hur effektivt styrkan i den härdade fyllningen spåras över tid. De graderar sedan systemen i fem nivåer, från grundläggande (Nivå I) till mycket avancerad (Nivå V), där högre nivåer återspeglar mer automation, robusthet och integration.

Kombinera expertbedömning med hårda data

För att göra denna ram till ett fungerande utvärderingsverktyg blandar teamet expertbedömningar med matematiska metoder avsedda för osäkerhet. Specialister inom gruvdrift och teknik poängsätter varje indikator, men i stället för ett enda tal anger de ett intervall som speglar deras osäkerhet. En metod kallad blind number-teori omvandlar dessa intervall och varje experts trovärdighet till ett enda, mer objektivt värde för varje indikator. Viktningen av varje indikator beräknas sedan på två sätt: en subjektiv metod som fångar experternas uppfattning om vad som är viktigast, och en objektiv metod som ser på hur mycket information varje indikator faktiskt bär i verkliga data. En Lagrange-baserad formel förenar dessa till kombinerade vikter som varken är rent åsiktsbaserade eller rent statistiska.

Mäta likhet, skillnad och risk

När varje indikator har ett värde och en vikt tillämpar författarna en matematisk metod känd som set pair matter-element-förlängningsmodellen. I grund och botten jämför denna metod systemets uppmätta tillstånd med standarderna för varje nivå och behandlar dem som ett ”par” som kan vara delvis identiska, delvis olika och delvis motsatta. För varje indikator och för varje möjlig nivå beräknar modellen en medlemsgrad som visar hur starkt systemet matchar den nivån. Dessa blandas sedan över alla indikatorer med hjälp av de kombinerade vikterna för att producera en övergripande medlemskapspoäng för varje nivå. Den nivå som får högst medlemskap tas som systemets betyg, och ett ytterligare beräknat värde visar om systemet rör sig mot en bättre eller sämre nivå inom skalan.

Verkliga gruvor prövas

För att kontrollera om deras utvärderingsmodell är praktisk tillämpar forskarna den på tre aktiva gruvor, var och en med ett modernt efterfyllningsstyrsystem. En panel om fem experter poängsätter de 16 indikatorerna vid varje plats, och data bearbetas genom blind number-, vikt- och set pair–förlängningsstegen. Alla tre gruvor bedöms till Nivå IV, vilket indikerar en hög grad av intelligens och säkerhet, men fortfarande under den bästa möjliga nivån. De detaljerade indikatorpoängen framhäver var varje gruva kan förbättras — till exempel mer stabil kontroll av vätskenivåer i blandtrummor i ett fall, bättre utformning av askdistributionssystemet i ett annat, och mer robust ledningsövervakning och nödsvar i ett tredje. För att skapa förtroende jämför författarna sina resultat med två andra utvärderingsmetoder, en molnmodell och en attributigenkänningsmodell; alla tre metoderna stämmer överens med varandra och med erfarenheter på plats.

Vad fynden betyder för säkrare gruvdrift

I praktiska termer erbjuder detta arbete gruvoperatörer en slags säkerhets-”hälsokontroll” för deras efterfyllningsstyrsystem. Istället för att förlita sig på magkänsla eller enstaka prestandamått samlar den nya modellen många aspekter av design, sensorer, automation och datastyrning i en enda, graderad bild, samtidigt som den visar vilka delsystem som hindrar en gruva från topprestation. Att metoden stämmer överens med andra modeller och verkliga observationer tyder på att den kan fungera som ett pålitligt beslutsstöd för att uppgradera system, förebygga ledningsblockeringar och stärka underjordiskt stöd. I takt med att efterfyllningstekniken blir mer komplex och viktig för djupgruvdrift kommer sådana transparenta och balanserade utvärderingsverktyg att vara viktiga för att styra mot säkrare, mer effektiva och mer miljöansvariga verksamheter.

Citering: Yin, Y., Yang, S., Yang, Y. et al. Comprehensive safety evaluation for back-filling control system based on modified set pair matter-element extension model. Sci Rep 16, 9056 (2026). https://doi.org/10.1038/s41598-026-39557-6

Nyckelord: intelligent efterfyllning, gruvsäkerhet, övervakning av slamledningar, riskutvärderingsmodeller, automatisering i underjordsgruvdrift