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

중국 북서부의 건조 및 반건조 지대 깊은 곳에는 수십 년 동안 이 지역의 산업 성장을 뒷받침해 온 자원인 석탄이 노다지처럼 매장되어 있습니다. 그러나 이 석탄을 채굴하는 데는 지역 환경에 막대한 대가가 따릅니다. 광부들이 두꺼운 석탄층을 제거하기 위해 땅속 깊이 파고들 때, 광산 위의 암석층은 단순히 제자리에 머물러 있지 않습니다. 암석은 이동하고, 균열이 생기며, 붕괴합니다. 이러한 움직임은 석탄층에서 지표면까지 이어지는 부서진 암석과 열린 틈새로 이루어진 수직 기둥을 만들어냅니다. 과학자들은 이를 '수도성 파쇄대(water-conducting fracture zone)'라고 부릅니다. 이 균열들은 마치 열린 파이프처럼 작용하여 지표면 토양의 지하수를 광산 안으로 배출시키고, 결과적으로 지하수위를 낮추게 됩니다. 물이 이미 부족한 지역에서 이러한 손실은 취약한 생태계를 황폐화하여, 한때 살 수 있었던 땅을 먼지로 변하게 할 수 있습니다. 엔지니어와 생태학자 모두에게 주어진 핵심 질문은 단순하면서도 매우 중요합니다. 바로 '이 균열이 얼마나 높이까지 도달할 것인가?'입니다. 이 파쇄대의 정확한 높이를 아는 것만이 광산이 지역의 대수층을 고갈시킬지, 아니면 지표면의 물을 보존할 수 있을지를 예측할 수 있는 유일한 방법입니다.

막대한 매장량과 얕은 석탄층으로 알려진 선둥(Shendong) 광구에서 광부들은 오랫동안 이 높이를 추측하기 위해 오래된 경험칙에 의존해 왔습니다. 수십 년간의 경험에서 유래한 단순한 공식에 기반한 이러한 전통적인 방식들은, 파쇄대의 높이가 주로 석탄의 두께에 달려 있다고 가정합니다. 하지만 채굴 기술이 발전함에 따라 기계는 더 빨라지고 작업면은 더 넓어졌으며, 기존의 공식들은 실패하기 시작했습니다. 기존 공식들은 현대적 채굴 속도, 석탄층의 특정한 각도, 또는 상부 암석층의 다양한 경도 사이의 복잡한 상호작용을 설명하지 못합니다. 이를 해결하기 위해 중국광업대학 연구팀은 고정된 방정식을 따르는 대신 데이터로부터 학습하는 다른 종류의 도구, 즉 컴퓨터 모델로 눈을 돌렸습니다. 그들은 광산의 깊이, 채굴 속도, 주변 암석의 경도와 같은 특정 조건을 살펴보고, 채굴이 시작되기도 전에 파쇄대의 높이를 정확하게 예측할 수 있는 시스템을 구축하고자 했습니다.

연구진은 선둥 광구와 인근 광구의 20개 서로 다른 작업면에서 실제 데이터를 수집했습니다. 그들은 작업면의 길이, 제거되는 석탄의 높이, 광산의 깊이, 탄층의 각도, 기계의 전진 속도, 그리고 상부 층의 경암 비율 등 모든 관련 세부 사항을 기록했습니다. 또한 각 위치에서 수도성 파쇄대의 실제 높이를 측정하여 20개의 실생활 사례를 만들었습니다. 이 데이터를 이해하기 위해 연구진은 먼저 통계적 방법을 사용하여 어떤 요인이 가장 중요한지 확인했습니다. 그 결과, 모든 요인이 파쇄대 높이와 연결되어 있었지만, 세 가지 요인이 가장 영향력이 크다는 것을 발견했습니다. 그것은 바로 작업면의 길이, 채굴 속도, 그리고 추출되는 석탄의 높이였습니다. 암석의 경도와 광산의 깊이도 역할을 했지만, 운영 요인들에 비해서는 덜 지배적이었습니다.

핵iest 요인들을 식별한 후, 연구팀은 인공 신경망이라 불리는 유형의 인공지능을 사용하여 디지털 예측 모델을 구축했습니다. 신경망을 인간의 뇌가 데이터 속의 패턴을 인식하며 학습하는 방식을 모방한 컴퓨터 시스템이라고 생각하면 됩니다. 그러나 표준 신경망은 때때로 최선의 답을 찾기보다는 '적당히 괜찮은' 답에 안주하며 정체될 수 있습니다. 이를 해결하기 위해 연구진은 자연 진화에서 영감을 얻은 기술인 유전 알고리즘을 사용하여 네트워크를 훈련시켰습니다. 이 과정은 수천 개의 잠재적 솔루션을 테스트하고, 가장 좋은 것을 남기고, 시스템이 가장 정확하게 파쇄 높이를 예측하는 방법을 찾을 때까지 여러 세대에 걸쳐 혼합하고 미세 조정하는 '디지털 적자생존'과 같습니다. 그 결과, 신경망의 패턴 인식 능력과 유전 알고리즘의 최적화 능력을 결합한 하이브리드 모델인 GA-BP 네트워크가 탄생했습니다.

연구팀이 새로운 모델을 테스트했을 때, 차이는 극명했습니다. 그들은 새 시스템의 예측치를 실제 광산에서 측정한 높이, 그리고 기존의 경험 공식 및 최적화되지 않은 표준 신경망의 예측치와 비교했습니다. 전통적인 공식은 거의 12%의 오차를 보였고, 표준 신경망은 25%의 오차를 보이며 훨씬 더 좋지 않은 결과를 나타냈습니다. 반면, 새로운 GA-BP 모델은 오차율이 8% 미만으로 매우 정밀했습니다. 이 모델이 단순히 훈련 데이터에 의한 운 좋은 추측이 아님을 증명하기 위해, 연구진은 상완(Shangwan)의 특정 광구로 모델을 가져가 실제 파쇄대 높이를 측정하기 위해 두 개의 깊은 시추공을 뚫었습니다. 모델은 약 60미터의 높이를 예측했으나, 지중의 물리적 측정값은 파쇄대가 약 56미터에 달하는 것으로 나타났습니다. 이 작은 격차는 모델이 높은 신뢰도로 실제 세계의 복잡성을 처리할 수 있음을 확인시켜 주었습니다.

본 연구는 이 지역의 수도성 파쇄대 높이가 석탄 두께에 의해서만 결정되는 고정된 숫자가 아니라, 광산이 어떻게 운영되는지에 따른 역동적인 결과라는 결론을 내립니다. 채굴 속도와 작업면의 크기가 주요한 파쇄 원인임을 이해함으로써, 엔지니어들은 파쇄대가 지하수위 아래에 머물도록 운영 방식을 조정할 수 있습니다. 새로운 모델은 이러한 결정을 내리기 위한 실용적이고 정확한 도구를 제공하며, 석탄의 필요성과 지역 수자원을 보호해야 하는 긴급한 필요성 사이의 균형을 맞출 수 있는 방법을 제시합니다. 이는 과거의 경험에 근거한 추측에서 벗어나, 당면한 구체적인 조건에 대한 깊은 이해를 바탕으로 예측하는 방식으로의 전환을 의미하며, 다음 세대의 채굴이 땅을 메마르게 하지 않고도 진행될 수 있도록 보장합니다.