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

Profondément sous les paysages arides et semi-arides du nord-ouest de la Chine se cache un trésor de charbon, une ressource qui alimente la croissance industrielle de la région depuis des décennies. Cependant, l'extraction de ce charbon a un coût élevé pour l'environnement local. Lorsque les mineurs creusent profondément dans la terre pour retirer d'épaisses couches de charbon, les couches rocheuses situées au-dessus de la mine ne restent pas simplement en place ; elles se déplacent, se fissurent et s'effondrent. Ce mouvement crée une colonne verticale de roche brisée et de fissures ouvertes qui s'étend de la veine de charbon jusqu'à la surface. Les scientifiques appellent cela la zone de fracture conductrice d'eau. Parce que ces fissures agissent comme des tuyaux ouverts, elles permettent à l'eau souterraine de s'écouler du sol de surface vers la mine, provoquant l'abaissement de la nappe phréatique. Dans une région où l'eau est déjà rare, cette perte peut dévaster l'écosystème fragile, transformant des terres autrefois viables en poussière. La question cruciale pour les ingénieurs et les écologistes est simple mais vitale : jusqu'à quelle hauteur ces fissures atteindront-elles ? Connaître la hauteur exacte de cette zone de fracture est le seul moyen de prédire si une mine va drainer un aquifère local ou laisser intact l'eau de surface.

Dans la zone minière de Shendong, connue pour ses réserves massives et ses veines de charbon peu profondes, les mineurs s'appuient depuis longtemps sur de vieilles règles empiriques pour deviner cette hauteur. Ces méthodes traditionnelles, souvent basées sur de simples formules dérivées de décennies d'expérience, supposent que la hauteur des dommages dépend principalement de l'épaisseur du charbon. Mais à mesure que la technologie minière a progressé, avec des machines devenant plus rapides et des fronts de taille de plus en plus larges, ces anciennes formules ont commencé à faire défaut. Elles ne peuvent pas rendre compte de l'interaction complexe des vitesses de minage modernes, des angles spécifiques des veines de charbon ou de la dureté variable des couches rocheuses supérieures. Pour résoudre ce problème, une équipe de chercheurs de l'Université de technologie minière de Chine s'est tournée vers un outil différent : un modèle informatique qui apprend à partir de données plutôt que de suivre une équation fixe. Ils ont cherché à construire un système capable d'examiner les conditions spécifiques d'une mine — sa profondeur, sa vitesse d'extraction et la dureté de la roche environnante — et de prédire avec précision la hauteur de la zone de dommage avant même que l'exploitation ne commence.

Les chercheurs ont recueilli des données réelles provenant de vingt fronts de taille différents dans la zone de Shendong et les mines voisines. Ils ont enregistré chaque détail pertinent : la longueur du front de taille, la hauteur du charbon extrait, la profondeur de la mine, l'angle de la veine, la vitesse de progression des machines et la proportion de roche dure dans les couches supérieures. Ils ont également mesuré la hauteur réelle de la zone de fracture conductrice d'eau dans chaque emplacement, créant ainsi un ensemble de vingt exemples concrets. Pour donner un sens à ces données, ils ont d'abord utilisé une méthode statistique pour voir quels facteurs étaient les plus importants. Ils ont découvert que, bien que tous les facteurs soient liés à la hauteur des dommages, trois d'entre eux se distinguaient comme étant les plus influents : la longueur du front de taille, la vitesse de minage et la hauteur du charbon extrait. La dureté de la roche et la profondeur de la mine jouaient un rôle, mais elles étaient moins dominantes que les facteurs opérationnels.

Avec ces facteurs clés identifiés, l'équipe a construit un modèle de prédiction numérique utilisant un type d'intelligence artificielle connue sous le nom de réseau de neurones. Considérez un réseau de neurones comme un système informatique qui imite la façon dont un cerveau humain apprend en reconnaissant des modèles dans les données. Cependant, les réseaux de neurones standards peuvent parfois rester bloqués dans une voie tracée, se contentant d'une réponse « assez bonne » plutôt que de la meilleure possible. Pour corriger cela, les chercheurs ont utilisé un algorithme génétique, une technique inspirée par l'évolution naturelle, pour entraîner le réseau. Ce processus fonctionne comme une survie du plus apte numérique, où des milliers de solutions potentielles sont testées, les meilleures sont conservées, puis elles sont mélangées et modifiées au fil de nombreuses générations jusqu'à ce que le système trouve la manière la plus précise de prédire la hauteur de la fracture. Le résultat fut un modèle hybride, un réseau GA-BP, qui combinait le pouvoir de reconnaissance de formes du réseau de neurones avec le pouvoir d'optimisation de l'algorithme génétique.

Lorsque l'équipe a testé leur nouveau modèle, la différence était frappante. Ils ont comparé les prédictions de leur nouveau système aux hauteurs réellement mesurées dans les mines, ainsi qu'aux anciennes formules empiriques et à un réseau de neurones standard non optimisé. Les formules traditionnelles se trompaient de près de douze pour cent, et le réseau de neurones standard était encore pire, manquant la cible de vingt-cinq pour cent. En revanche, le nouveau modèle GA-BP était remarquablement précis, avec un taux d'erreur inférieur à huit pour cent. Pour prouver qu'il ne s'agissait pas d'un coup de chance avec les données d'entraînement, les chercheurs ont appliqué le modèle à une mine spécifique de Shangwan, où ils ont foré deux sondages profonds pour mesurer la hauteur réelle de la zone de fracture. Le modèle prédisait une hauteur d'environ soixante mètres, tandis que les mesures physiques dans le sol montraient que la zone de fracture atteignait environ cinquante-six mètres. Cet écart minime a confirmé que le modèle pouvait gérer la complexité du monde réel avec une grande fiabilité.

L'étude conclut que la hauteur de la zone de fracture conductrice d'eau dans cette région n'est pas un nombre fixe déterminé uniquement par l'épaisseur du charbon, mais un résultat dynamique de la manière dont la mine est exploitée. En comprenant que la vitesse de minage et la taille du front de taille sont les principaux moteurs des dommages, les ingénieurs peuvent ajuster leurs opérations pour maintenir la zone de fracture en dessous de la nappe phréatique. Le nouveau modèle fournit un outil pratique et précis pour prendre ces décisions, offrant un moyen de concilier le besoin de charbon et l'urgence de protéger les ressources en eau de la région. Il représente un passage de la supposition basée sur l'expérience passée à la prédiction basée sur une compréhension profonde des conditions spécifiques en présence, garantissant que la prochaine génération de l'exploitation minière puisse progresser sans assécher les terres.