Nas profundezas de mil metros abaixo do solo, cada microfratura na rocha é como um sussurro fraco emitido pela Terra, contendo informações precursoras de instabilidade do maciço rochoso e de desastres de pressão de rocha. No entanto, sobrepostos pelo rugido das máquinas de mineração, vibrações de explosões e interferências eletromagnéticas, extrair esses sinais críticos é como "procurar uma agulha num palheiro". Visando a dificuldade de identificação precisa no monitoramento de pressão de rocha em minas, várias pesquisas de ponta globais recentes utilizaram métodos de deep learning para melhorar de forma inovadora a sensibilidade e precisão dos "nervos sensoriais" das minas inteligentes, abrindo um novo caminho para o alerta preciso de desastres dinâmicos em minas.
Deep learning "pesca de rede": avanço coletivo na identificação inteligente de sinais de microssismos
Nos últimos anos, com o avanço da mineração em direção a profundidades maiores, a pressão de rocha (Rockburst) tornou-se o "inimigo número um" que ameaça a vida dos trabalhadores subterrâneos e a segurança da produção. A tecnologia de monitoramento de microssismos é o meio central para capturar a dinâmica de fraturamento do maciço rochoso, mas os dados massivos gerados estão repletos de sinais de explosões, máquinas e ruídos. As formas de onda dos sinais são instáveis, e eventos fracos muitas vezes são obscurecidos no complexo fundo de ruído subterrâneo.
Os algoritmos tradicionais de machine learning dependem de engenharia de características manual e têm precisão insuficiente na classificação de sinais de microssismos não estacionários. Recentemente, várias equipes de pesquisa concentraram-se no deep learning, visando resolver esse desafio internacional desde a raiz. Na detecção de eventos de microssismos em minas e na captura de tempos de chegada, o modelo PhaseNet, baseado em rede neural convolucional profunda, obteve precisão superior a 0,9 na captura dos tempos de chegada das ondas P e S em dados sintéticos, demonstrando sua capacidade de localizar eventos de baixa magnitude em ambientes de forte ruído. O modelo CNN-CapsNet com atenção de kernel dinâmico aprimorada, proposto pela equipe de Wang Kaikai da Curtin University, Austrália, alcançou classificação de alta precisão de sinais de microssismos de canal único e multicanal, com precisão de 90,08% em ruído de fundo para o modelo multicanal e índice de uniformidade >0,96, provando que o modelo pode perceber eficazmente as características de evolução espacial de eventos de microssismos; seu trabalho foi publicado na revista de primeira categoria International Journal of Rock Mechanics and Mining Sciences (2026). Acadêmicos da East China University of Technology e outras instituições propuseram um Transformer de tempo-frequência com restrições físicas (PTFST-Former), que captura mudanças abruptas locais e dependências de longo prazo em sequências temporais de microssismos, usando restrições físicas a priori para prevenir eficazmente o sobreajuste em condições de pequenas amostras, melhorando significativamente a precisão da identificação de sinais de fraturamento de rocha.
No monitoramento de segurança de injeção de calda, Zhang Y e outros propuseram um modelo híbrido de deep learning integrado com módulo de atenção, capaz de identificar com precisão sinais de microssismos induzidos por injeção de calda de alta pressão em camadas rochosas profundas, fornecendo suporte de dados inteligente para julgar em tempo real o alcance da propagação da calda e evitar riscos de engenharia. Além disso, para o monitoramento de microssismos durante a formação da zona de fratura condutora de água, a equipe de Tang Zhi da Liaoning Technical University publicou uma pesquisa no International Journal of Rock Mechanics and Mining Sciences, propondo um modelo de deep learning que combina auto-atenção esparsa probabilística multi-cabeça e convolução dilatada causal, capturando eficazmente as leis de evolução espaço-temporal do desenvolvimento de fraturas condutoras de água. A precisão de identificação no conjunto de dados de monitoramento da zona de fratura condutora de água foi melhorada para 96,0% e 93,8%, respectivamente, fornecendo suporte técnico chave para a prevenção de desastres de água no teto de camadas de carvão rasas (Applied Sciences, 2026).
Treinamento de "olhos de fogo" com trilhões de operações: verificação dupla de eficiência e precisão de identificação
Em comparação com modelos tradicionais, as novas redes neurais convolucionais profundas (CNN) não só podem extrair automaticamente características ocultas de alta dimensão no domínio tempo-frequência dos sinais através do treinamento de milhões ou até centenas de milhões de parâmetros, mas também realizam uma mudança de paradigma da "engenharia de características" para a aprendizagem "ponta a ponta".
A pesquisa publicada por Peng Fuyu e outros da Hunan University of Science and Technology no periódico Applied Sciences propõe um método de identificação automática de sinais de ondas de microssismos em áreas de mineração baseado na arquitetura de rede neural convolucional VGG16. A equipe transformou os sinais de ondas de microssismos unidimensionais originais em espectrogramas bidimensionais com realce de cores contendo informações tempo-frequência, através da fusão de análise tempo-frequência e técnicas de segmentação de imagem, utilizando a forte capacidade de extração de características convolucionais multicamadas do VGG16 para capturar a ritmicidade e diferenças de características chave dos sinais. Após 5.000 iterações de treinamento, a precisão de identificação do modelo atingiu 87%~90%. Em testes com 1.800 conjuntos de dados reais de 6 categorias da Mina de Tungstênio de Xiangdong, a taxa de identificação máxima atingiu 94,9%, provando o desempenho de generalização do método em diferentes ambientes de mina (Applied Sciences, 2026). Especialmente em condições adversas com pequenas amostras e distribuição desequilibrada, o modelo de rede neural de atenção convolucional com informação física e um modelo de identificação de sinais de microssismos de pequenas amostras com aprendizagem por transferência, propostos pela equipe do Acadêmico Song Zhenqi da Shandong University of Technology, mostraram robustez extremamente forte. Acadêmicos estão se dedicando a usar aumento de dados e restrições físicas a priori para resolver o problema de ilhas de dados. Ao mesmo tempo, em aplicações práticas de engenharia, a velocidade de processamento de dados baseada em modelos de deep learning já se aproxima do nível de segundos, superando em muito a eficiência de identificação manual, tornando possível o alerta em tempo real de desastres.
De "ver" a "distinguir": estimulando o potencial de aplicação em múltiplas áreas de segurança de minas
A tecnologia de identificação automática de alta qualidade de sinais de microssismos não é apenas uma iteração teórica de algoritmos, mas também uma tecnologia de base fundamental para apoiar a "mina digital e produção inteligente".
1. Otimização dinâmica do design de túneis e faces de lavra
Através da identificação inteligente de eventos de microssismos com diferentes bandas de frequência e características de energia, os técnicos de minas podem julgar com precisão os padrões de reativação de falhas e as tendências de migração de tensão de mineração. Por exemplo, a aplicação de modelos de classificação em tempo real para distribuição de tensão em camadas de carvão profundas e reativação de falhas pode quantificar o grau de perturbação das atividades de mineração nas estruturas geológicas, orientando assim a tomada de medidas de alívio de pressão direcionadas. Na aplicação prática na face de trabalho 6306 da Mina de Carvão de Dongtan, foi demonstrado que a classificação inteligente pode rastrear quantitativamente a relação de acoplamento entre as atividades de mineração e as estruturas geológicas, fornecendo uma ferramenta de engenharia operacional para o monitoramento e alerta de tensão.
2. Sistema de alerta para explosões de rocha e desastres dinâmicos
Em áreas de mineração profunda, a análise precisa de big data de microssismos é o "sentinela" que ativa o sistema de prevenção de pressão. Um novo método baseado na previsão do campo de vibração de microssismos e no alerta precoce de explosões de rocha mostrou excelente capacidade de alerta de longo prazo em dados de monitoramento de longo prazo da face de trabalho 40302 de uma mina de carvão em Shaanxi. Além disso, um quadro de alerta integrado que funde CNN-LSTM com detecção de mudança de ponto CUSUM, na aplicação na Mina de Chumbo-Zinco de Dongtangzi, Qinling, reduziu o RMSE em cerca de 30%~56% e aumentou o R² em cerca de 20%~58% em comparação com o modelo LSTM único, emitindo sinais de alerta eficazes de instabilidade do maciço rochoso com uma semana de antecedência, ao mesmo tempo que fornece um novo meio de quantificar o processo de liberação de tensão após explosões.
3. Monitoramento de subsidência do solo e mineração sob "três condições"
A identificação de alta precisão também pode ser estendida ao monitoramento de mineração sob edifícios de superfície e corpos d'água ("três condições"). Pesquisas posteriores de Peng Fuyu da Hunan University of Science and Technology mostraram que modelos baseados em CNN têm desempenho excelente na identificação de eventos de microssismos chave induzidos por subsidência de áreas de mineração. No planejamento futuro de sistemas de minas inteligentes, esta tecnologia realizará um ciclo fechado eficiente de "mineração-dados-alerta-feedback", promovendo a transição da segurança de minas da tradicional "proteção passiva" para o "controle ativo preventivo".