На глубине в тысячи и даже десятки тысяч метров под землей горные породы непрерывно «дышат», деформируются и разрушаются из-за интенсивной добычи. Традиционный микросейсмический мониторинг опирается на модель с фиксированной скоростью волны для определения местоположения источника сейсмических событий, что похоже на навигацию по быстро меняющемуся городу с использованием старой карты — с огромной погрешностью. Сегодня исследование, проведенное под руководством Назарбаев Университета в Казахстане, впервые глубоко интегрировало дискретное физическое экспериментальное моделирование, машинное обучение и объяснимый искусственный интеллект (XAI), создав новую парадигму прогнозирования скорости сейсмических волн в глубоких шахтах в реальном времени. Это позволяет предупреждению горных ударов навсегда распрощаться с методом «слон в темной комнате» и вступить в интеллектуальную эру предсказуемости, объяснимости и надежности.

«Призрак» глубокой разработки: горный удар

На фоне постоянно растущего мирового спроса на минеральные ресурсы и истощения запасов на малых глубинах, горные работы ускоренно продвигаются вглубь. Однако с увеличением глубины добычи взаимодействие высоких горных напряжений и сложных геологических структур провоцирует частые техногенные землетрясения. Когда энергия этих землетрясений достаточно велика и непосредственно приводит к обрушению выработок и повреждению оборудования, это называется горным ударом — одной из самых серьезных угроз безопасности в шахте.

Разрушительная энергия, мгновенно высвобождаемая при горном ударе, способна уничтожить целую выработку. Это угрожает не только жизни шахтеров, но и приводит к убыткам от простоя производства, исчисляемым десятками миллионов и даже сотнями миллионов юаней.

Системы микросейсмического мониторинга являются ключевым оборудованием для оценки сейсмической активности и количественной оценки сейсмического риска в глубоких шахтах. Сеть датчиков, расположенных по всей шахте, непрерывно улавливает малейшие вибрационные сигналы от горных пород. Однако «ахиллесова пята» этой системы заключается в том, что она зависит от входной скоростной модели для расчета местоположения сейсмического события. Традиционные системы используют модель с постоянной входной скоростью и режимом периодического обновления, предполагая, что вся шахта представляет собой однородное «поле с фиксированной скоростью». Это может быть приемлемо для неглубоких короткозабойных работ в однородных геологических условиях.

Но когда шахта уходит на глубину более километра, по мере проходки, обрушения выработанного пространства, пересечения различных типов пород, сложной эволюции сети выработок и внесения закладочных материалов, реальное подземное поле скоростей волн становится хаотичной системой, «меняющейся каждое мгновение». Погрешность определения местоположения на основе традиционной модели с фиксированной скоростью может достигать десятков и даже сотен метров. Столь большая ошибка делает определение опасных по горным ударам зон на этой основе почти «гаданием вслепую» — именно это является ключевым техническим узким местом, которое на протяжении столетия не позволяло осуществлять точное заблаговременное предупреждение горных ударов.

Как отметил автор-корреспондент исследования, профессор Фиделис Суоринени из Назарбаев Университета, современные технологии имеют фундаментальные ограничения в точном прогнозировании времени возникновения горного удара. В настоящее время возможности ограничиваются лишь выявлением зон с высоким потенциалом возникновения горного удара, и прорыв во времени предупреждения является именно тем, на что направлено данное исследование.

Физический эксперимент управляет ИИ, открывая канал восприятия «пульса» горных пород

В феврале 2026 года Ханаан Самади и Фиделис Суоринени из Школы горного дела и наук о Земле Назарбаев Университета опубликовали в ведущем журнале по механике горных пород «International Journal of Rock Mechanics and Mining Sciences» (IJRMMS) прорывную статью под названием «Разработка процедуры прогнозирования скорости сейсмических волн в реальном времени в подземных рудниках с использованием дискретного физического лабораторного моделирования и объяснимого искусственного интеллекта (XAI)». Исследование было отмечено редакцией журнала как «Рекомендация редактора», а его ключевые инновации можно обобщить на трех уровнях.

Дискретное физическое моделирование — «репетиция» всего жизненного цикла шахты в лаборатории

Исследовательская группа создала в лаборатории высокоточный «цифровой двойник-полигон» для моделирования динамической эволюции скорости волн в шахте. Вместо того чтобы полагаться на упрощенные численные допущения, они спроектировали и изготовили множество дискретных физических моделей — включая бетонные блоки (синтетическую породу) и гранитные кубы различных размеров и с разными физическими условиями — для имитации «временных снимков», вызванных горными работами. Это означает, что, задавая различные граничные условия, комбинации блоков и сети трещин, дискретные физические модели «прорепетировали» в лаборатории эволюцию геологической среды шахты на протяжении нескольких лет, сгенерировав траектории акустико-эмиссионного поведения, намного превосходящие по объему данные за несколько лет натурных наблюдений.

Команда использовала систему акустической эмиссии SAEU3H для имитации микросейсмических событий, размещая массивы датчиков вокруг различных блоков породы. Один из датчиков служил генератором импульсов (имитируя очаг горного удара), а остальные — приемниками. В различных физических условиях точно измерялись изменения скорости волны, что позволило создать полный набор многомерных обучающих данных, охватывающих различные типы геологической эволюции.

Стекинг-ансамблирование — скачок точности прогнозирования на порядки

Настоящая «изюминка» заключается в использовании этих многомерных данных для обучения различных моделей машинного и глубокого обучения. После многократных сравнений и проверок алгоритм стекинг-ансамблирования (Stacking-Ensemble) показал особенно выдающиеся результаты, успешно установив сильную регрессионную связь между прогнозируемыми значениями скорости волны и значениями скорости волны в реальной физической среде. Ключевые показатели включают: коэффициент детерминации R²=0,97 (что означает объясняющую способность 97%), нормализованная среднеквадратичная ошибка (NRMSE) всего 0,002, средняя абсолютная процентная ошибка (MAPE) всего 0,0001 — точность прогнозирования совершила скачок на порядки по сравнению с традиционными моделями.

Это означает, что в будущем, даже без плотной сети полевых датчиков, микросейсмическая система сможет в реальном времени восстанавливать значение скорости волны в любой точке подземной выработки в данный момент, основываясь на местоположении проходки и известных механических параметрах горных пород.

Объяснимый искусственный интеллект — от «черного ящика» к «прозрачным решениям»

Прогнозирование с помощью ИИ часто сталкивается с проблемой «черного ящика» — известно, что результат точен, но неизвестно почему, что неприемлемо в критически важной для безопасности горной промышленности. В данном исследовании впервые систематически применен объяснимый искусственный интеллект (XAI) для прогнозирования скорости сейсмических волн в глубоких шахтах. Использование методов объяснимости делает прозрачным вес физических параметров (таких как пористость, всестороннее давление, ориентация трещин), лежащих в основе каждого ключевого решения алгоритма.

Инженер по безопасности видит не только «где возникнет риск горного удара», но и «на основе каких ключевых геологических параметров был спрогнозирован этот риск». Такая прозрачность значительно повышает уверенность при «переносе» системы из лаборатории в постоянно меняющуюся реальную подземную среду.

Оснащение глубоких шахт мира «навигацией для предупреждения катастроф»

Этот прорывной результат знаменует собой смену парадигмы в глобальной технологии микросейсмического мониторинга — от «видения результата» к «предвидению будущего».

1. «Вооружение» алгоритма SIMPLEX для значительного повышения точности пространственной локализации при предупреждении опасности

Важнейшая промышленная ценность этого метода прогнозирования заключается в возможности его прямой интеграции в широко используемый в настоящее время на шахтах мира алгоритм локации источника сейсмических событий SIMPLEX, что значительно повышает пространственно-временное разрешение поля скоростей волн. При снижении погрешности прогноза скорости волны до уровня MAPE в 0,0001, использование ИИ для коррекции скорости волны в реальном времени позволит значительно сократить «слепые зоны» микросейсмической системы, а точность определения местоположения очага горного удара может достигнуть метрового или даже сантиметрового уровня. Это означает не только то, что горные инженеры смогут точно найти «точку удара» и своевременно эвакуировать персонал и оборудование, но и возможность на основе сверхточных данных восстановить механический механизм разрушения породы, чтобы предсказывать скрытые опасности в зародыше.

2. Создание безопасной основы для «умных шахт» в рамках «Национальной стратегии глубоких недр»

Национальная стратегия Китая «Глубокие недра» разворачивается полным ходом, и подземные металлические рудники, километровые глубокие угольные шахты и различные хранилища стратегических ресурсов сталкиваются с серьезными динамическими опасностями. Для китайских шахт, продвигающихся по пути интеллектуализации, эта архитектура «физические данные + вывод ИИ + коррекция XAI» может быть непосредственно встроена в существующие платформы анализа микросейсмических или акустико-эмиссионных сигналов, став «новой основой» для управления безопасностью «умной шахты». Это потенциально способно полностью изменить существующую практику «бурить, взрывать, пассивно ликвидировать последствия», обеспечив по-настоящему прозрачное и цифровое управление безопасностью на шахтах.

3. Расширение на обеспечение геологической безопасности крупных инженерных проектов

Помимо глубоких шахт, эта технология может быть перенесена на такие объекты глубокого заложения в скальных породах, как горные тоннели, пересекающие крупные реки, подводные тоннели, крупные подземные камерные комплексы, решая актуальную проблему частых горных ударов при проходке ТПМК. Путем заблаговременного целенаправленного дискретного моделирования в лаборатории механики горных пород и прогнозирования скорости волны в породе в реальном времени на основе ИИ, можно обеспечить «раннее предупреждение» для проходческого щита и автоматически корректировать параметры проходки, сводя риск горного удара к минимуму.

Позволить ИИ «понять» язык горных пород

Суть этого достижения заключается в том, что впервые в области механики горных пород была реализована полная технологическая цепочка революции: «физический эксперимент → большие данные → ИИ → решение XAI → замкнутый цикл на месте». Какой бы хаотичной ни была «слепая зона» на руднике, ученые могут точно воспроизвести ее в лаборатории; каким бы превосходным ни был результат прогноза алгоритма, инженеры могут с помощью объяснимого искусственного интеллекта увидеть суть его решения.

Отныне глубокие горные породы больше не являются полностью «слепой» зоной — каждое их опасное «дыхание» может быть заблаговременно воспринято системой прогнозирования скорости сейсмических волн в реальном времени на основе XAI.

Как предупреждал покойный пионер микросейсмического мониторинга, мастер механики горных пород на золотых рудниках Южной Африки Саламон, горный удар всегда остается дамокловым мечом, висящим над головой шахтера. Сегодня это исследование Ханаан Самади и Фиделиса Суоринени, опубликованное в ведущем международном журнале по механике горных пород, кует «щит будущего», состоящий из данных и алгоритмов — он быстрее, точнее и прозрачнее любых прежних физических барьеров.