VMD-LSTM-baserad prognos av grundvattennivå i akvifer vid gruvarbetsyta

Varför säkrare gruvdrift beror på att känna till vattnet under

Djupt under jord ligger kolgruvor ofta ovanpå vattenmättade berglager. Om det vattnet plötsligt forsar in i en tunnel kan det översvämma utrustning, hota arbetare och stoppa produktionen. Denna studie utforskar ett smartare sätt att förutsäga hur vattennivån i dessa underjordiska lager kommer att stiga och sjunka nära en aktiv gruvfront, vilket hjälper driftledningen att agera i tid för att undvika farliga överraskningar.

Dolda vågor under gruvan

I den studerade gruvan ligger ett kolskikt ovanpå ett kalkstenslager som lagrar grundvatten som en dold reservoar. När kol tas bort förändras påfrestningarna i berget och vatten kan röra sig mot tunnlarna. Att direkt mäta vatten som strömmar in i en tunnel är svårt eftersom många faktorer påverkar sensorerna. Att i stället följa vattennivån i det närliggande kalkstenslagret är renare och mer stabilt. Författarna fokuserar därför på att prognostisera denna akvifernivå som en indikator på risken för plötslig vatteninströmning.

Att dela upp en komplex signal i enklare delar

Dagsserien för vattennivån är guppig och oregelbunden, med långsamma trender blandat med skarpa svängningar. För att hantera detta rengör forskarna först datan, tar bort uppenbara fel och fyller i saknade dagar. Därefter använder de en metod kallad variational mode decomposition, som behandlar vattennivåserien som en blandning av flera överlappande vågor. Den separerar den ursprungliga kurvan i åtta enklare komponenter, vardera representerande förändringar på olika tidsskalor, från långsiktiga trender till kortfristiga krusningar. Det gör det lättare för en dator att känna igen mönster som annars skulle kunna begravas i brus.

Att lära ett nätverk att minnas det förflutna

Efter uppdelningen matas varje av de enklare vattennivåkurvorna in i en typ av artificiellt neuralt nätverk avsett för tidsserier, känt som long short term memory-nätverk. Detta nätverk är byggt för att komma ihåg viktig information från många dagar tillbaka samtidigt som det ignorerar mindre användbar detalj. Modellen tränas på större delen av de inspelade data och testas sedan på de återstående dagarna. Teamet jämför flera angreppssätt, inklusive versioner byggda med andra populära sekvensmodeller och versioner som hoppar över uppdelningssteget helt.

Tydliga förbättringar i prognosnoggrannhet

Den kombinerade variational mode decomposition plus long short term memory-modellen levererar de mest exakta prognoserna bland alla testade metoder. Den följer akviferns övergripande upp- och nedgångar och presterar särskilt bra när nivån förändras snabbt, till exempel kring kraftiga dalar eller plötsliga toppar. När författarna jämför standardmått på fel visar deras hybridmodell konsekvent lägre fel och en närmare överensstämmelse med faktiska mätningar än modeller utan uppdelning eller de som använder andra nätverksdesigner. Detta tyder på att först reda ut den blandade signalen och sedan använda ett minnesbaserat nätverk gör det enklare att fånga det verkliga beteendet hos det underjordiska vattnet.

Vad detta betyder för gruvsäkerheten

För gruvoperatörer pekar studien på ett praktiskt verktyg för att övervaka det dolda vattnet under arbetsytorna. Genom att ge tidigare och mer pålitliga varningar om framtida vattennivåer kan modellen stödja beslut om borrning, pumpning och förstärkningar innan vatten bryter in i tunnlarna. Eftersom metoden är relativt enkel när den väl satts upp och körs på dagliga mätningar, erbjuder den ett bekvämt sätt att stärka förebyggandet av vattenrisker och stödja en säkrare, mer effektiv kolproduktion.

Citering: 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

Nyckelord: gruvvatten, akvifernivå, tidsserieprognos, djuplärande, säkerhet vid kolbrytning