Högprecisionsmetod för prognoser av gruvdeformation baserad på GNSS RTK och staplad ensembleinlärning

Varför det kan rädda liv att observera markens rörelser

Moderna gruvor omformar landskapet i det tysta dygnet runt. Det mesta av denna rörelse är långsamt och ofarligt, men ibland glider sluttningar plötsligt eller avsättningar kollapsar, vilket hotar arbetare, utrustning och närliggande samhällen. Denna artikel visar hur satellitbaserad positionering och avancerad dataanalys kan spåra mycket små markförskjutningar—ner till bråkdelar av en millimeter—och omvandla dem till tidiga varningar innan mindre sättningar blir en allvarlig katastrof.

Lyssna på gruvan med satellitsignaler

I stället för att förlita sig enbart på visuella kontroller eller sporadiska uppmätningar använder författarna ett nätverk av permanenta GNSS-stationer (Global Navigation Satellite System) runt ett öppet kolbrott i Xinjiang, Kina. Dessa stationer, som arbetar i Real-Time Kinematic (RTK)-läge, mäter kontinuerligt sin tredimensionella position med centimetersnoggrannhet varje timme, dag som natt. Över månader och år skapar detta en rik tidsserie av hur varje punkt på gruvytan långsamt stiger, sjunker eller glider. Dolda i dessa data finns tidiga tecken på problem—men de ligger begravda under störningar från atmosfären, satellitbanor, elektroniskt brus och sprängningsarbeten.

Rengöra signalen så att verklig rörelse framträder

För att omvandla brusiga mätningar till tillförlitlig markrörelse bygger teamet en "fusionsfiltrerings"-pipeline som kombinerar flera brusborttagningsmetoder i stället för att förlita sig på en enda. Först rensar ett medianfilter bort plötsliga toppar orsakade av kortvariga signalförluster eller elektriska fel. Därefter ställs ett Butterworth-filter in olika för lugna, stabila områden och mer aktiva sluttningar, vilket tar bort högfrekvent jitter samtidigt som genuina lågfreventa markrörelser bevaras. Ett Savitzky–Golay-filter jämnar sedan ut data samtidigt som viktiga lokala böjar och knäck bevaras, vilka kan signalera förändrat beteende. Slutligen anpassar ett adaptivt Kalman-filter sig beroende på hur snabbt marken rör sig och ger mer vikt åt antingen tidigare trender eller färska observationer. Denna stegvisa process minskar spridningen i koordinatdata med upp till ungefär en tredjedel i vertikal led, utan att sudda ut meningsfull deformation.

Lära modeller att förutsäga små förskjutningar

När data väl är rengjorda går författarna från mätning till prognos. De konverterar stationernas koordinater till kumulativ deformation—hur långt varje punkt har förflyttats sedan start—och delar sedan upp denna rörelse i tre delar: en långsiktig trend, återkommande säsongsvariationer och oregelbundna resttermer. De beräknar också hur snabbt rörelsen förändras (hastighet) och hur snabbt den hastigheten i sin tur förändras (acceleration). Dessa komponenter bildar ett slags hälsoregister för varje plats. I stället för att satsa på en enda prognosmetod sätter forskarna samman ett team av modeller: klassiska tidsserieverktyg som är bra på stabila trender och cykler, samt moderna maskininlärningsmodeller som utmärker sig vid komplicerat, icke-linjärt beteende. En slutlig "domarmodell" lär sig hur varje teammedlems bidrag ska viktas så att den sammansatta prognosen matchar verkligheten så nära som möjligt.

Från råa siffror till tillförlitliga varningar

I tester på nästan två års data från 19 stationer förutspår den kombinerade metoden framtida deformation med rotmedelkvadratfel under 0,3 millimeter, även när man tittar upp till tre dagar framåt. Metoden följer både mjuka långsiktiga sänkningar och skarpare förändringar kopplade till gruvdrift, och den förblir stabil när förhållanden varierar mellan stationer och över tid. Utöver prognoserna lägger författarna till ett larmsystem som klassificerar varje ögonblick i stadier—stabil krypning, långsam acceleration eller snabb instabilitet—baserat på hastighet och acceleration. Med en klustringsalgoritm och ett glidande statistiskt fönster justerar systemet automatiskt sina tröskelvärden så att små, ofarliga fluktuationer inte utlöser larm, men tydliga avvikelser från förväntat beteende gör det.

Göra prognoser till säkrare gruvor

För en icke-specialist är huvudbudskapet att detta arbete omvandlar subtila, svårtolkade satellitpositionsdata till ett praktiskt tidigt varningsverktyg. Genom att smart rengöra signalen och blanda flera prognosmetoder kan författarna förutse markrörelser i högriskzoner som inre avfallsberg och branta sluttningar med submillimeternoggrannhet. Det gör inte hårdvaran mer exakt än vad fysiken tillåter; det innebär i stället att de återstående prognosfelen, efter att ha filtrerat bort brus och lärt av tidigare beteende, är extremt små. Sådan detaljerad förutseende gör det möjligt för gruvoperatörer att upptäcka farliga trender tidigare, fokusera inspektioner på de mest instabila områdena och planera förstärkningar eller evakuering innan en långsam sättning övergår i ett plötsligt ras.

Citering: 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

Nyckelord: övervakning av gruvdeformation, GNSS RTK, tidig varning för jordskred, maskininlärningsprognoser, öppna dagbrott säkerhet