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

Profundamente sob as paisagens áridas e semiáridas do noroeste da China, encontra-se um tesouro de carvão, um recurso que tem impulsionado o crescimento industrial da região há décadas. No entanto, a extração deste carvão tem um preço elevado para o meio ambiente local. Quando os mineiros cavam profundamente na terra para remover camadas espessas de carvão, as camadas rochosas acima da mina não permanecem simplesmente no lugar; elas se deslocam, racham e colapsam. Este movimento cria uma coluna vertical de rocha fragmentada e fissuras abertas que se estende desde o veio de carvão até à superfície. Os cientistas chamam a isto a zona de fratura condutora de água. Como estas fendas atuam como tubos abertos, permitem que a água subterrânea drene da camada superficial do solo para dentro da mina, fazendo com que o nível freático baixe. Numa região onde a água já é escassa, esta perda pode devastar o frágil ecossistema, transformando terras outrora viáveis em pó. A questão crítica para engenheiros e ecologistas é simples, mas vital: até que altura chegarão estas fendas? Saber a altura exata desta zona de fratura é a única forma de prever se uma mina irá drenar um aquífero local ou manter a água superficial intacta.

Na área mineira de Shendong, conhecida pelas suas enormes reservas e veios de carvão rasos, os mineiros têm dependido há muito tempo de regras práticas antigas para adivinhar esta altura. Estes métodos tradicionais, muitas vezes baseados em fórmulas simples derivadas de décadas de experiência, assumem que a altura do dano depende principalmente da espessura do carvão. Mas, à medida que a tecnologia de mineração avançou, com máquinas tornando-se mais rápidas e frentes de trabalho tornando-se mais largas, estas fórmulas antigas começaram a falhar. Elas não conseguem contabilizar a complexa interação das velocidades de mineração modernas, os ângulos específicos dos veios de carvão ou a dureza variável das camadas de rocha acima. Para resolver isto, uma equipa de investigadores da Universidade de Tecnologia de Mineração da China recorreu a um tipo diferente de ferramenta: um modelo computacional que aprende com dados em vez de seguir uma equação fixa. Eles procuraram construir um sistema que pudesse observar as condições específicas de uma mina — quão profunda ela é, quão rápido está a ser escavada e quão dura é a rocha circundante — e prever com precisão a altura da zona de dano antes mesmo de a mineração começar.

Os investigadores recolheram dados do mundo real de vinte frentes de trabalho diferentes em toda a área de Shendong e em minas vizinhas. Eles registaram todos os detalhes relevantes: o comprimento da frente de mineração, a altura do carvão a ser removido, a profundidade da mina, o ângulo do veio, a velocidade com que as máquinas avançavam e a proporção de rocha dura nas camadas superiores. Também mediram a altura real da zona de fratura condutora de água em cada local, criando um conjunto de vinte exemplos da vida real. Para dar sentido a estes dados, utilizaram primeiro um método estatístico para ver quais os fatores que mais importavam. Descobriram que, embora todos os fatores estivessem ligados à altura do dano, três se destacaram como os mais influentes: o comprimento da frente de mineração, a velocidade de mineração e a altura do carvão sendo extraído. A dureza da rocha e a profundidade da mina desempenharam um papel, mas foram menos dominantes do que os fatores operacionais.

Com estes fatores-chave identificados, a equipa construiu um modelo de previsão digital utilizando um tipo de inteligência artificial conhecido como rede neuronal. Pense numa rede neuronal como um sistema computacional que imita a forma como um cérebro humano aprende ao reconhecer padrões em dados. No entanto, as redes neuronais padrão podem por vezes ficar presas num trilho, acomodando-se com uma resposta "suficientemente boa" em vez da melhor possível. Para corrigir isto, os investigadores utilizaram um algoritmo genético, uma técnica inspirada na evolução natural, para treinar a rede. Este processo funciona como uma sobrevivência do mais apto digital, onde milhares de potenciais soluções são testadas, as melhores são mantidas e são misturadas e ajustadas ao longo de muitas gerações até que o sistema encontre a forma mais precisa de prever a altura da fratura. O resultado foi um modelo híbrido, uma rede GA-BP, que combinou o poder de reconhecimento de padrões da rede neuronal com o poder de otimização do algoritmo genético.

Quando a equipa testou o seu novo modelo, a diferença foi gritante. Eles compararam as previsões do seu novo sistema com as alturas reais medidas nas minas, bem como com as fórmulas empíricas antigas e uma rede neuronal padrão não otimizada. As fórmulas tradicionais estavam erradas por quase doze por cento, e a rede neuronal padrão era ainda pior, falhando o alvo em vinte e cinco por cento. Em contraste, o novo modelo GA-BP foi notavelmente preciso, com uma taxa de erro inferior a oito por cento. Para provar que isto não era apenas um golpe de sorte com os dados de treino, os investigadores levaram o modelo a uma mina específica em Shangwan, onde perfuraram dois furos profundos para medir a altura real da zona de fratura. O modelo previu uma altura de aproximadamente sessenta metros, enquanto as medições físicas no solo mostraram que a zona de fratura atingia cerca de cinquenta e seis metros. Esta pequena lacuna confirmou que o modelo podia lidar com a complexidade do mundo real com alta fiabilidade.

O estudo conclui que a altura da zona de fratura condutora de água nesta região não é um número fixo determinado apenas pela espessura do carvão, mas um resultado dinâmico de como a mina é operada. Ao compreender que a velocidade de mineração e o tamanho da frente de trabalho são os principais motores do dano, os engenheiros podem ajustar as suas operações para manter a zona de fratura abaixo do nível freático. O novo modelo fornece uma ferramenta prática e precisa para tomar estas decisões, oferecendo uma forma de equilibrar a necessidade de carvão com a necessidade urgente de proteger os recursos hídricos da região. Representa uma mudança de adivinhar com base na experiência passada para prever com base num entendimento profundo das condições específicas em mãos, garantindo que a próxima geração de mineração possa proceder sem secar a terra.