A milhares de metros de profundidade em minas subterrâneas, as camadas rochosas "respiram", deformam-se e fraturam-se continuamente devido à extração de alta intensidade. O monitoramento microssísmico tradicional depende de modelos de velocidade de onda fixos para localizar a fonte de eventos sísmicos, como usar um mapa antigo para navegar numa cidade em constante mudança, gerando erros enormes. Agora, um estudo liderado pela Universidade Nazarbayev, no Cazaquistão, integrou profundamente, pela primeira vez, modelagem física discreta em laboratório, aprendizado de máquina e inteligência artificial explicável (XAI), construindo um novo paradigma para a previsão em tempo real da velocidade de ondas sísmicas em minas profundas. Isso permite que o alerta de explosões de rocha deixe de ser como "tatear um elefante com os olhos vendados" e entre numa era inteligente previsível, explicável e confiável.

O "Fantasma" da Mineração Profunda: Explosão de Rocha

No contexto da crescente demanda global por recursos minerais, os recursos superficiais estão se esgotando, acelerando o avanço da mineração para maiores profundidades. No entanto, com o aumento da profundidade de escavação, a interação entre altas tensões in situ e estruturas geológicas complexas induz sismos frequentes causados pela mineração. Quando a energia desses sismos é suficientemente grande para causar diretamente o colapso de galerias e a destruição de equipamentos, o fenômeno é chamado de explosão de rocha — uma das maiores ameaças à segurança subterrânea.

A energia destrutiva liberada instantaneamente por uma explosão de rocha é capaz de destruir uma galeria inteira. Ela não só ameaça a vida dos mineiros, como também pode causar perdas de produção de dezenas de milhões ou até centenas de milhões de yuans.

Os sistemas de monitoramento microssísmico são o equipamento central em minas profundas para avaliar a atividade sísmica e quantificar o risco sísmico. Uma rede de sensores distribuídos pela mina captura continuamente cada sinal de vibração proveniente das camadas rochosas. No entanto, o "calcanhar de Aquiles" deste sistema reside no fato de que ele depende de um modelo de velocidade de entrada para calcular a localização dos eventos sísmicos. Os sistemas tradicionais usam um modelo de velocidade de entrada constante com atualizações periódicas, assumindo toda a área da mina como um "campo de velocidade fixo" homogêneo. Isso pode funcionar precariamente em operações rasas e de curto eixo com condições geológicas simples.

Mas quando a mina atinge profundidades superiores a mil metros, com o avanço da escavação, o colapso de áreas lavradas, a interseção de diferentes litologias, a evolução complexa da rede de escavação e a introdução de materiais de aterro, o campo de velocidade de onda subterrâneo real torna-se um sistema caótico "em constante mutação". O erro de localização baseado em modelos de velocidade fixos tradicionais pode facilmente atingir dezenas ou até centenas de metros. Com erros tão grandes, a determinação de zonas de risco de explosão de rocha baseada nisso é quase uma "adivinhação cega" — este é precisamente o gargalo técnico central que, por um século, impediu um alerta precoce e preciso de explosões de rocha.

Como apontou o autor correspondente do estudo, o Professor Fidelis Suorineni da Universidade Nazarbayev, a tecnologia atual tem limitações fundamentais na previsão precisa do momento de ocorrência de uma explosão de rocha. A capacidade atual reside apenas na identificação de áreas com alto potencial de ocorrência, e o avanço no tempo de alerta é justamente o que esta pesquisa busca superar.

Experimentos Físicos Impulsionam a IA, Desvendando o Elo de Percepção do "Pulso" da Rocha

Em fevereiro de 2026, Hanan Samadi e Fidelis Suorineni, da Escola de Mineração e Geociências da Universidade Nazarbayev, publicaram um artigo inovador no periódico de ponta em mecânica de rochas, International Journal of Rock Mechanics and Mining Sciences (IJRMMS), intitulado "Development of a procedure for predicting real-time seismic wave velocity in underground mines using discrete physical laboratory modelling and explainable artificial intelligence (XAI)". O estudo foi classificado como "Escolha do Editor", e sua inovação central pode ser resumida em três níveis.

Modelagem Física Discreta — "Pré-visualizando" Todo o Ciclo de Vida da Mina em Laboratório

A equipe de pesquisa construiu em laboratório um "campo de treinamento de gêmeo digital" de alta simulação da evolução dinâmica da velocidade de onda na mina. Em vez de depender de premissas numéricas simplistas, eles projetaram e moldaram um grande número de modelos físicos discretos — incluindo blocos de concreto (rocha sintética) e cubos de granito de diferentes tamanhos e condições físicas — para simular "instantâneos temporais" induzidos pela atividade de mineração. Isso significa que, ao definir diferentes condições de contorno, combinações de blocos e redes de fraturas, os modelos físicos discretos "pré-visualizaram" em laboratório a evolução do ambiente geológico da mina ao longo de vários anos, gerando trajetórias de comportamento de emissão acústica (EA) que excedem em muito os dados de campo de anos.

A equipe usou o sistema de emissão acústica SAEU3H para simular eventos microssísmicos, dispondo arranjos de sensores ao redor de vários blocos de rocha. Um sensor atuou como gerador de pulsos (simulando a fonte da explosão de rocha) e os demais como receptores, medindo com precisão as mudanças na velocidade da onda sob diferentes condições físicas. Isso gerou um conjunto completo de dados de treinamento de alta dimensão cobrindo vários tipos de evolução geológica.

Aprendizado por Ensemble Empilhado — Um Salto de Ordem de Magnitude na Precisão da Previsão

O verdadeiro "golpe de mestre" residiu no uso desses dados de alta dimensão para treinar diversos modelos de aprendizado de máquina e aprendizado profundo. Após repetidas comparações e validações, o algoritmo de Ensemble Empilhado (Stacking-Ensemble) destacou-se particularmente, estabelecendo com sucesso uma forte relação de regressão entre os valores de velocidade de onda previstos e os valores reais do ambiente físico. Os indicadores principais incluem: coeficiente de determinação R²=0,97 (significando um poder explicativo de 97%), erro quadrático médio normalizado (NRMSE) tão baixo quanto 0,002 e erro percentual absoluto médio (MAPE) de apenas 0,0001 — um salto de ordem de magnitude na precisão da previsão em comparação com os modelos tradicionais.

Isso significa que, no futuro, mesmo sem sensores de campo densos, o sistema microssísmico poderá, com base na posição de avanço da lavra e nos parâmetros mecânicos conhecidos da rocha, inferir em tempo real o valor da velocidade de onda em qualquer área subterrânea naquele momento.

Inteligência Artificial Explicável — Da "Caixa Preta" à "Decisão Transparente"

As previsões de IA frequentemente enfrentam o dilema da "caixa preta" — sabe-se que o resultado é preciso, mas não se sabe por quê, o que é inaceitável na mineração, onde a segurança é crítica. Este estudo aplicou sistematicamente, pela primeira vez, a Inteligência Artificial Explicável (XAI) à previsão de velocidade de ondas sísmicas em minas profundas, utilizando técnicas de explicabilidade para tornar claramente visível o peso dos parâmetros físicos (como porosidade, pressão de confinamento, orientação das juntas) por trás de cada decisão-chave do algoritmo.

O engenheiro de segurança vê não apenas "onde há risco iminente de explosão de rocha", mas também "com base em quais parâmetros geológicos críticos esse risco foi previsto". Essa transparência aumenta enormemente a confiança na "transferência" do sistema do laboratório para o ambiente subterrâneo real, em constante mudança.

Instalando uma "Navegação de Alerta de Desastres" para Minas Profundas Globais

Este resultado inovador marca uma mudança de paradigma na tecnologia global de monitoramento microssísmico, de "ver o resultado" para "prever o futuro".

1. "Armando" o Algoritmo SIMPLEX, Melhorando Significativamente a Precisão do Alerta Espacial de Desastres

O valor industrial mais importante deste método de previsão reside na sua capacidade de ser diretamente incorporado ao algoritmo de localização de fonte de eventos sísmicos SIMPLEX, amplamente utilizado em minas globais, aumentando drasticamente a resolução espaço-temporal do campo de velocidade de onda. Quando o erro de previsão da velocidade de onda é reduzido a um nível de MAPE de 0,0001, utilizando a IA para corrigir a velocidade de onda em tempo real, os pontos cegos do sistema microssísmico serão drasticamente comprimidos, e a precisão da localização da fonte da explosão de rocha poderá atingir a escala métrica ou até centimétrica. Isso significa não apenas que os engenheiros de minas podem localizar com precisão o "ponto de explosão" e evacuar pessoas e equipamentos a tempo, mas também que podem, com base em dados de altíssima precisão, inferir o mecanismo mecânico da fratura da rocha, prevendo perigos ocultos desde a origem.

2. Construindo uma Base de Segurança para Minas Inteligentes para a "Estratégia Nacional de Profundidade"

A estratégia "Profundidade" da China está em plena expansão, e minas subterrâneas de metais, minas de carvão com poços de profundidade quilométrica e várias reservas estratégicas de recursos enfrentam severos desafios de desastres dinâmicos. Para as minas chinesas em processo de transformação inteligente, esta arquitetura de "dados físicos + inferência de IA + correção XAI" pode ser diretamente integrada às plataformas existentes de análise de sinais microssísmicos ou de emissão acústica, tornando-se a "nova base" para a gestão de segurança em minas inteligentes. Ela promete mudar completamente a situação atual de "perfurar, detonar e remediar passivamente", alcançando uma gestão de segurança de minas verdadeiramente transparente e digitalizada.

3. Expansão para Garantia de Segurança Geológica em Grandes Obras de Engenharia

Além das minas profundas, esta tecnologia pode ser transferida para obras de engenharia em maciços rochosos profundos, como túneis de montanha que cruzam grandes rios, túneis submarinos e grandes complexos de cavernas subterrâneas, resolvendo o problema crítico das frequentes explosões de rocha durante a escavação com TBMs. Ao realizar modelagem discreta direcionada antecipadamente em laboratórios de mecânica de rochas, a velocidade de onda da rocha pode ser prevista em tempo real pela IA, fornecendo um "alerta precoce" para a tuneladora e ajustando automaticamente os parâmetros de escavação, minimizando assim o risco de explosão de rocha.

Permitindo que a IA "Compreenda" a Linguagem das Rochas

A essência deste resultado é ter estabelecido, pela primeira vez no campo da mecânica de rochas, uma revolução tecnológica de cadeia completa: "experimento físico → big data → IA → decisão XAI → ciclo fechado em campo". Não importa quão caóticos sejam os pontos cegos no campo da mina, os cientistas podem replicá-los com precisão em laboratório; não importa quão excelentes sejam os resultados previstos pelo algoritmo, os engenheiros podem ver através da essência de suas decisões por meio da inteligência artificial explicável.

De agora em diante, o maciço rochoso profundo não é mais uma existência completamente cega — cada "respiração" perigosa sua pode ser percebida antecipadamente pelo sistema de previsão em tempo real da velocidade de ondas sísmicas subterrâneas impulsionado por XAI.

Como alertou o falecido pioneiro da indústria de monitoramento microssísmico e mestre da mecânica de rochas das minas de ouro sul-africanas, Salamon, a explosão de rocha é uma espada que paira perpetuamente sobre as cabeças dos mineiros. Agora, este estudo de Hanan Samadi e Fidelis Suorineni, publicado no principal periódico internacional de mecânica de rochas, está forjando um "escudo do futuro" composto de dados e algoritmos — mais rápido, mais preciso e mais transparente do que qualquer barreira física anterior.