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

Bajo los paisajes áridos y semiáridos del noroeste de China se esconde un tesoro de carbón, un recurso que ha impulsado el crecimiento industrial de la región durante décadas. Sin embargo, la extracción de este carbón conlleva un alto precio para el medio ambiente local. Cuando los mineros excavan profundamente en la tierra para remover gruesas capas de carbón, las capas de roca por encima de la mina no se quedan simplemente en su lugar; se desplazan, se agrietan y colapsan. Este movimiento crea una columna vertical de roca fragmentada y fisuras abiertas que se extiende desde la veta de carbón hasta la superficie. Los científicos llaman a esto la zona de fractura conductora de agua. Debido a que estas grietas actúan como tuberías abiertas, permiten que el agua subterránea se drene desde el suelo superficial hacia la mina, provocando la caída del nivel freático. En una región donde el agua ya es escasa, esta pérdida puede devastar el frágil ecosistema, convirtiendo tierras antes viables en polvo. La pregunta crítica tanto para ingenieros como para ecólogos es simple pero vital: ¿qué tan alto llegarán estas grietas? Conocer la altura exacta de esta zona fracturada es la única forma de predecir si una mina drenará un acuífero local o dejará intacta el agua superficial.

En la zona minera de Shendong, conocida por sus enormes reservas y vetas de carbón poco profundas, los mineros han dependido durante mucho tiempo de viejas reglas empíricas para adivinar esta altura. Estos métodos tradicionales, que a menudo se basan en fórmulas simples derivadas de décadas de experiencia, asumen que la altura del daño depende principalmente de qué tan grueso sea el carbón. Pero a medida que la tecnología minera ha avanzado, con máquinas cada vez más rápidas y frentes de trabajo cada vez más anchos, estas viejas fórmulas han comenzado a fallar. No pueden dar cuenta de la compleja interacción entre las velocidades de minería modernas, los ángulos específicos de las vetas de carbón o la dureza variable de las capas de roca superiores. Para resolver esto, un equipo de investigadores de la Universidad de Minería y Tecnología de China recurrió a una herramienta diferente: un modelo computacional que aprende de los datos en lugar de seguir una ecuación fija. Buscaron construir un sistema que pudiera observar las condiciones específicas de una mina —qué tan profunda es, qué tan rápido se está excavando y qué tan dura es la roca circundante— y predecir con precisión la altura de la zona de daño antes de que comience la minería.

Los investigadores recopilaron datos del mundo real de veinte frentes de trabajo diferentes en la zona de Shendong y minas vecinas. Registraron cada detalle relevante: la longitud del frente de minería, la altura del carbón que se está extrayendo, la profundidad de la mina, el ángulo de la veta, la velocidad a la que avanzan las máquinas y la proporción de roca dura en las capas superiores. También midieron la altura real de la zona de fractura conductora de agua en cada ubicación, creando un conjunto de veinte ejemplos de la vida real. Para dar sentido a estos datos, primero utilizaron un método estadístico para ver qué factores eran más importantes. Descubrieron que, si bien todos los factores estaban conectados con la altura del daño, tres destacaron como los más influyentes: la longitud del frente de minería, la velocidad de la minería y la altura del carbón extraído. La dureza de la roca y la profundidad de la mina jugaron un papel, pero fueron menos dominantes que los factores operativos.

Con estos factores clave identificados, el equipo construyó un modelo de predicción digital utilizando un tipo de inteligencia artificial conocida como red neuronal. Piense en una red neuronal como un sistema informático que imita la forma en que un cerebro humano aprende al reconocer patrones en los datos. Sin embargo, las redes neuronales estándar a veces pueden quedarse estancadas en un bache, conformándose con una respuesta "suficientemente buena" en lugar de la mejor posible. Para solucionar esto, los investigadores utilizaron un algoritmo genético, una técnica inspirada en la evolución natural, para entrenar la red. Este proceso funciona como una supervivencia del más apto digital, donde se prueban miles de soluciones potenciales, se conservan las mejores y se mezclan y ajustan a lo largo de muchas generaciones hasta que el sistema encuentra la forma más precisa de predecir la altura de la fractura. El resultado fue un modelo híbrido, una red GA-BP, que combinó el poder de reconocimiento de patrones de la red neuronal con el poder de optimización del algoritmo genético.

Cuando el equipo probó su nuevo modelo, la diferencia fue notable. Compararon las predicciones de su nuevo sistema con las alturas reales medidas en las minas, así como con las fórmulas empíricas antiguas y una red neuronal estándar no optimizada. Las fórmulas tradicionales fallaron por casi un doce por ciento, y la red neuronal estándar fue aún peor, errando el objetivo por un veinticinco por ciento. En contraste, el nuevo modelo GA-BP fue notablemente preciso, con una tasa de error de menos del ocho por ciento. Para demostrar que esto no era solo un golpe de suerte con los datos de entrenamiento, los investigadores llevaron el modelo a una mina específica en Shangwan, donde perforaron dos pozos profundos para medir la altura real de la zona de fractura. El modelo predijo una altura de aproximadamente sesenta metros, mientras que las mediciones físicas en el suelo mostraron que la zona de fractura alcanzaba unos cincuenta y seis metros. Esta pequeña brecha confirmó que el modelo podía manejar la complejidad del mundo real con alta fiabilidad.

El estudio concluye que la altura de la zona de fractura conductora de agua en esta región no es un número fijo determinado únicamente por el espesor del carbón, sino un resultado dinámico de cómo se opera la mina. Al comprender que la velocidad de la minería y el tamaño del frente de trabajo son los principales motores del daño, los ingenieros pueden ajustar sus operaciones para mantener la zona de fractura por debajo del nivel freático. El nuevo modelo proporciona una herramienta práctica y precisa para la toma de estas decisiones, ofreciendo una forma de equilibrar la necesidad de carbón con la urgente necesidad de proteger los recursos hídricos de la región. Representa un cambio de adivinar basándose en la experiencia pasada a predecir basándose en una comprensión profunda de las condiciones específicas presentes, asegurando que la próxima generación de minería pueda proceder sin secar la tierra.