Application Study of a water conducting fracture zone height prediction model based on bp neural network optimized by genetic algorithme—Shendong mining area

Tief unter den ariden und semiariden Landschaften Nordwestchinas liegt ein Schatz an Kohle – eine Ressource, die das industrielle Wachstum der Region seit Jahrzehnten vorantreibt. Der Abbau dieser Kohle geht jedoch mit einem hohen Preis für die lokale Umwelt einher. Wenn Bergleute tief in die Erde graben, um dicke Kohleschichten zu entfernen, bleiben die darüber liegenden Gesteinsschichten nicht einfach an ihrem Platz; sie verschieben sich, reißen auf und brechen zusammen. Diese Bewegung erzeugt eine vertikale Säule aus gebrochenem Gestein und offenen Klüften, die sich von der Kohleflöz bis hin zur Oberfläche erstreckt. Wissenschaftler nennen dies die wasserleitende Bruchzone. Da diese Risse wie offene Rohre wirken, lassen sie Grundwasser aus dem Oberboden in die Mine abfließen, was den Grundwasserspiegel sinken lässt. In einer Region, in der Wasser ohnehin schon knapp ist, kann dieser Verlust das fragile Ökosystem verwüsten und einst lebensfähiges Land in Staub verwandeln. Die entscheidende Frage für Ingenieure und Ökologen gleichermaßen ist simpel, aber lebenswichtig: Wie hoch werden diese Risse reichen? Nur die Kenntnis der exakten Höhe dieser Bruchzone ermöglicht die Vorhersage, ob eine Mine einen lokalen Aquifer entleert oder das Oberflächenwasser intakt lässt.

Im Bergbaugebiet Shendong, das für seine massiven Reserven und flachen Kohleflöze bekannt ist, verlassen sich Bergleute seit langem auf alte Faustregeln, um diese Höhe zu schätzen. Diese traditionellen Methoden, die oft auf einfachen Formeln basieren, welche aus jahrzehntelanger Erfahrung abgeleitet wurden, setzen voraus, dass die Höhe des Schadens hauptsächlich von der Dicke der Kohle abhängt. Doch mit dem Fortschritt der Bergbautechnologie, durch immer schnellere Maschinen und breitere Abbauflächen, haben diese alten Formeln begonnen zu versagen. Sie können das komplexe Zusammenspiel moderner Abbaugeschwindigkeiten, der spezifischen Winkel der Kohleflöze oder der variierenden Härte der darüber liegenden Gesteinsschichten nicht berücksichtigen. Um dies zu lösen, wandte sich ein Team von Forschern der China University of Mining and Technology an ein anderes Werkzeug: ein Computermodell, das aus Daten lernt, anstatt einer festen Gleichung zu folgen. Sie versuchten, ein System zu entwickeln, das die spezifischen Bedingungen eines Bergwerks – wie tief es ist, wie schnell gegraben wird und wie hart das umgebende Gestein ist – betrachten und die Höhe der Schadenszone präzise vorhersagen kann, noch bevor der Abbau beginnt.

Die Forscher sammelten reale Daten von zwanzig verschiedenen Abbauflächen im Gebiet Shendong und benachbarten Minen. Sie zeichneten jedes relevante Detail auf: die Länge der Abbaufront, die Höhe der geförderten Kohle, die Tiefe der Mine, den Winkel des Flözs, die Geschwindigkeit des Maschinenfortschritts und den Anteil an hartem Gestein in den darüber liegenden Schichten. Sie maßen auch die tatsächliche Höhe der wasserleitenden Bruchzone an jedem Standort, wodurch sie einen Satz aus zwanzig realen Beispielen erhielten. Um diese Daten zu interpretieren, nutzten sie zunächst eine statistische Methode, um zu sehen, welche Faktoren am wichtigsten sind. Sie fanden heraus, dass zwar alle Faktoren mit der Höhe des Schadens verbunden sind, drei jedoch als die einflussreichsten hervorstechen: die Länge der Abbaufront, die Abbaugeschwindigkeit und die Höhe der extrahierten Kohle. Die Härte des Gesteins und die Tiefe der Mine spielten eine Rolle, waren aber weniger dominant als die operativen Faktoren.

Nachdem diese Schlüsselfaktoren identifiziert worden waren, erstellte das Team ein digitales Vorhersagemodell unter Verwendung einer Art künstlicher Intelligenz, die als neuronales Netz bekannt ist. Man kann sich ein neuronales Netz wie ein Computersystem vorstellen, das die Art und Weise nachahmt, wie ein menschliches Gehirn durch das Erkennen von Mustagen in Daten lernt. Standardmäßige neuronale Netze können jedoch manchmal in einem Trott stecken bleiben und sich mit einer „gut genug“ Antwort zufrieden geben, anstatt die bestmögliche Lösung zu finden. Um dies zu beheben, verwendeten die Forscher einen genetischen Algorithmus – eine Technik, die von der natürlichen Evolution inspiriert ist –, um das Netzwerk zu trainieren. Dieser Prozess funktioniert wie ein digitales „Überleben des Stärkeren“, bei dem tausende potenzielle Lösungen getestet werden, die besten behalten werden und diese über viele Generationen hinweg gemischt und angepasst werden, bis das System den genauesten Weg findet, die Bruchhöhe vorherzusagen. Das Ergebnis war ein Hybridmodell, ein GA-BP-Netzwerk, das die Mustererkennungskraft des neuronalen Netzes mit der Optimierungskraft des genetischen Algorithmus kombinierte.

Als das Team ihr neues Modell testete, war der Unterschied eklatant. Sie verglichen die Vorhersagen ihres neuen Systems mit den tatsächlich gemessenen Höhen aus den Minen sowie mit den alten empirischen Formeln und einem Standard-Neuronalen-Netz ohne Optimierung. Die traditionellen Formeln lagen um fast zwölf Prozent daneben, und das Standard-neuronale Netz war sogar noch schlechter und verfehlte das Ziel um fünfundzwanzig Prozent. Im Gegensatz dazu war das neue GA-BP-Modell bemerkenswert präzise, mit einer Fehlerrate von weniger als acht Prozent. Um zu beweisen, dass dies nicht nur ein glücklicher Zufall mit den Trainingsdaten war, nahmen die Forscher ihr Modell mit zu einer spezifischen Mine in Shangwan, wo sie zwei tiefe Bohrlöcher bohrten, um die tatsächliche Höhe der Bruchzone zu messen. Das Modell sagte eine Höhe von etwa sechzig Metern voraus, während die physischen Messungen im Boden zeigten, dass die Bruchzone etwa sechsund fünfzig Meter erreichte. Diese geringe Differenz bestätigte, dass das Modell die reale Komplexität mit hoher Zuverlässigkeit bewältigen kann.

Die Studie kommt zu dem Schluss, dass die Höhe der wasserleitenden Bruchzone in dieser Region keine feste Zahl ist, die allein durch die Dicke der Kohle bestimmt wird, sondern ein dynamisches Ergebnis der Art und Weise, wie die Mine betrieben wird. Durch das Verständnis, dass die Abbaugeschwindigkeit und die Größe der Abbaufront die primären Treiber des Schadens sind, können Ingenieure ihre Abläufe so anpassen, dass die Bruchzone unterhalb des Grundwasserspiegels bleibt. Das neue Modell bietet ein praktisches, genaues Werkzeug für diese Entscheidungen und ermöglicht eine Balance zwischen dem Bedarf an Kohle und der dringenden Notwendigkeit, die Wasserressourcen der Region zu schützen. Es stellt einen Wandel dar – weg vom Raten basierend auf vergangener Erfahrung, hin zum Vorhersagen basierend auf einem tiefen Verständnis der spezifischen Bedingungen vor Ort, um sicherzustellen, dass die nächste Generation des Bergbaus fortfahren kann, ohne das Land auszutrocknen.