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

Diep onder de droge, semi-aride landschappen van Noordwest-China ligt een schatkist aan steenkool, een hulpbron die de industriële groei van de regio al decennia lang voedt. Het winnen van deze steenkool brengt echter een hoge prijs met zich mee voor de lokale omgeving. Wanneer mijnwerkers diep in de aarde graven om dikke lagen steenkool te verwijderen, blijven de bovenliggende gesteentelagen niet simpelweg liggen; ze verschuiven, barsten en storten in. Deze beweging creëert een verticale kolom van gebroken gesteente en open kloven die zich helemaal van de steenkoollaag naar het oppervlak uitstrekt. Wetenschappers noemen dit de waterleidende breukzone. Omdat deze scheuren fungeren als open pijpen, laten ze grondwater vanuit de bovenliggende bodem wegstromen naar de mijn, waardoor de grondwaterspiegel daalt. In een regio waar water al schaars is, kan dit verlies het kwetsbare ecosysteem verwoesten en eens vruchtbaar land in stof veranderen. De kritieke vraag voor zowel ingenieurs als ecologen is simpel maar essentieel: hoe hoog zullen deze scheuren reiken? Het weten van de exacte hoogte van deze breukzone is de enige manier om te voorspellen of een mijn een lokale aquifer zal leegtrekken of het oppervlaktewater intact laat.

In het Shendong-mijngebied, bekend om zijn enorme reserves en ondiepe steenkoollagen, hebben mijnwerkers lang vertrouwd op oude vuistregels om deze hoogte te raden. Deze traditionele methoden, vaak gebaseerd op eenvoudige formules afgeleid van decennia aan ervaring, gaan ervan uit dat de hoogte van de schade voornamelijk afhangt van hoe dik de steenkool is. Maar naarmate de mijnbouwtechnologie is geavanceerd, met machines die sneller werken en werkfronten die breder worden, zijn deze oude formules beginnen te falen. Ze kunnen niet rekening houden met het complexe samenspel van moderne mijnbouw-snelheden, de specifieke hoeken van de steenkoollagen of de variërende hardheid van de bovenliggende gesteentelagen. Om dit op te lossen, wendde een team van onderzoekers van de China University of Mining and Technology zich tot een ander soort hulpmiddel: een computermodel dat leert van data in plaats van een vaste vergelijking te volgen. Ze probeerden een systeem te bouwen dat de specifieke omstandigheden van een mijn kon bekijken — hoe diep deze is, hoe snel er wordt gegraven en hoe hard het omliggende gesteente is — en de hoogte van de schadezone nauwkeurig kon voorspellen nog voordat de mijnbouw begint.

De onderzoekers verzamelden real-world data van twintig verschillende werkfronten in het Shendong-gebied en naburige mijnen. Ze legden elk relevant detail vast: de lengte van het werkfront, de hoogte van de steenkool die wordt verwijderd, de diepte van de mijn, de hoek van de laag, de snelheid waarmee de machines voortbewoog en het aandeel hard gesteente in de bovenliggende lagen. Ze maten ook de werkelijke hoogte van de waterleidende breukzone op elke locatie, waardoor ze een set van twintig realistische voorbeelden creëerden. Om de betekenis van deze data te begrijpen, gebruikten ze eerst een statistische methode om te zien welke factoren het belangrijkst waren. Ze ontdekten dat hoewel alle factoren verbonden waren met de hoogte van de schade, drie factoren eruit sprongen als de meest invloedrijke: de lengte van het werkfront, de snelheid van de mijnbouw en de hoogte van de geëxtraheerde steenkool. De hardheid van het gesteente en de diepte van de mijn speelden een rol, maar zij waren minder dominant dan de operationele factoren.

Met deze sleutelfactoren in gedachten bouwde het team een digitaal voorspellingsmodel met behulp van een type kunstmatige intelligentie dat bekend staat als een neuraal netwerk. Denk aan een neuraal netwerk als een computersysteem dat de manier nabootst waarop een menselijk brein leert door patronen in data te herkennen. Echter, standaard neurale netwerken kunnen soms in een sleur terechtkomen, waarbij ze genoegen nemen met een "goed genoeg" antwoord in plaats van het best mogelijke antwoord. Om dit op te lossen, gebruikten de onderzoekers een genetisch algoritme, een techniek geïnspireerd door natuurlijke evolutie, om het netwerk te trainen. Dit proces werkt als een digitale 'survival of the fittest', waarbij duizenden potentiële oplossingen worden getest, de beste worden behouden en ze over vele generaties heen worden gemengd en aangepast totdat het systeem de meest nauwkeurige manier vindt om de breukhoogte te voorspellen. Het resultaat was een hybride model, een GA-BP netwerk, dat de patroonherkenningskracht van het neurale netwerk combineerde met de optimalisatiekracht van het genetische algoritme.

Toen het team hun nieuwe model testte, was het verschil treffend. Ze vergeleken de voorspellingen van hun nieuwe systeem met de werkelijk gemeten hoogtes uit de mijnen, evenals met de oude empirische formules en een standaard, niet-geoptimaliseerd neuraal netwerk. De traditionele formules zaten er bijna twaalf procent naast, en het standaard neurale netwerk was zelfs nog slechter, met een afwijking van twintig vijf procent. In tegenstelling hiertoe was het nieuwe GA-BP model opmerkelijk precies, met een foutmarge van minder dan acht procent. Om te bewijzen dat dit geen gelukkige gok met de trainingsdata was, namen de onderzoekers hun model mee naar een specifieke mijn in Shangwan, waar ze twee diepe boorgaten lieten boren om de werkelijke hoogte van de breukzone te meten. Het model voorspelde een hoogte van ongeveer zestig meter, terwijl de fysieke metingen in de grond lieten zien dat de breukzone ongeveer zes-en-vijftig meter bereikte. Deze kleine kloof bevestigde dat het model de real-world complexiteit met een hoge betrouwbaarheid aan kon.

De studie concludeert dat de hoogte van de waterleidende breukzone in deze regio geen vast getal is dat uitsluitend wordt bepaald door de dikte van de steenkool, maar een dynamisch resultaat is van hoe de mijn wordt geëxploiteerd. Door te begrijpen dat de snelheid van de mijnbouw en de omvang van het werkfront de primaire drijfveren van schade zijn, kunnen ingenieurs hun activiteiten aanpassen om de breukzone onder de grondwaterspiegel te houden. Het nieuwe model biedt een praktisch, accuraat instrument voor het nemen van deze beslissingen, en biedt een manier om de behoefte aan steenkool te balanceren met de dringende noodzaak om de waterbronnen van de regio te beschermen. Het vertegenwoordigt een verschuiving van gissen op basis van ervaring uit het verleden naar voorspellen op basis van een diep begrip van de specifieke omstandigheden van het moment, wat ervoor zorgt dat de volgende generatie mijnbouw kan voortgaan zonder het land droog te leggen.