En las profundidades de la tierra, a más de un kilómetro bajo la superficie, cada micro-fractura de la roca es como un débil "susurro" emitido por el planeta, que contiene información precursora de la inestabilidad del macizo rocoso y los estallidos de rocas. Sin embargo, en medio del ruido superpuesto de la maquinaria minera, las vibraciones de las voladuras y las interferencias electromagnéticas, la extracción de estas señales clave es como "buscar una aguja en un pajar". Ante la dificultad de la identificación precisa en el monitoreo de estallidos de rocas en minas, múltiples investigaciones de vanguardia a nivel global han utilizado recientemente métodos de aprendizaje profundo para mejorar de manera innovadora la sensibilidad y precisión de los "nervios sensoriales" de las minas inteligentes, abriendo un nuevo camino para la alerta temprana precisa de desastres dinámicos en minas.

El aprendizaje profundo "pesca con red": avances colectivos en la identificación inteligente de señales sísmicas

En los últimos años, a medida que la minería avanza hacia mayores profundidades, los estallidos de rocas (Rockburst) se han convertido en el "enemigo número uno" que amenaza la vida de los trabajadores subterráneos y la seguridad de la producción. La tecnología de monitoreo sísmico es el método central para capturar la dinámica de las fracturas del macizo rocoso, pero los datos masivos que genera están llenos de señales de voladuras, maquinaria y ruido. Las formas de onda de las señales son inestables, y los eventos débiles a menudo quedan ocultos en el complejo fondo de ruido subterráneo.

Los algoritmos tradicionales de aprendizaje automático dependen de la ingeniería de características manual y tienen una precisión de clasificación insuficiente frente a señales sísmicas no estacionarias. Recientemente, varios equipos de investigación han centrado su atención en el aprendizaje profundo para abordar este desafío internacional desde su raíz. En la detección de eventos sísmicos en minas y la recogida de tiempos de llegada, el modelo PhaseNet, basado en una red neuronal convolucional profunda, logró una precisión de recogida de tiempos de llegada de ondas P y S superior a 0.9 en datos sintéticos, demostrando su capacidad para localizar eventos de baja magnitud en entornos con alto ruido. El equipo de Wang Kaikai de la Universidad Curtin en Australia propuso un modelo CNN-CapsNet con atención de núcleo dinámico mejorado, que logró una clasificación de alta precisión de señales sísmicas de un solo canal y multicanal. Su modelo multicanal alcanzó una precisión del 90.08% en ruido de fondo, con un índice de uniformidad >0.96, demostrando que el modelo puede percibir eficazmente las características de evolución espacial de los eventos sísmicos; su trabajo fue publicado en la revista de primer nivel International Journal of Rock Mechanics and Mining Sciences (2026). Académicos de la Universidad Tecnológica de China Oriental y otras instituciones propusieron un Transformer de tiempo-frecuencia con restricciones físicas (PTFST-Former), que captura cambios locales abruptos y dependencias a largo plazo en secuencias temporales sísmicas, utilizando restricciones físicas previas para prevenir eficazmente el sobreajuste en condiciones de muestras pequeñas, mejorando significativamente la precisión de identificación de señales de fractura del macizo rocoso.

En el ámbito del monitoreo de seguridad en la inyección de lechada, Zhang Y y otros propusieron un modelo híbrido de aprendizaje profundo con módulos de atención integrados, capaz de identificar con precisión las señales sísmicas inducidas por la inyección de lechada a alta presión en capas profundas, proporcionando un soporte de datos inteligente para juzgar en tiempo real el rango de dispersión de la lechada y evitar riesgos de ingeniería. Además, para el monitoreo sísmico del proceso de formación de la zona de fractura conductora de agua, el equipo de Tang Zhi de la Universidad Tecnológica de Liaoning publicó un estudio en el International Journal of Rock Mechanics and Mining Sciences, proponiendo un modelo de aprendizaje profundo que combina la autoatención dispersa probabilística de múltiples cabezales y la convolución causal dilatada, capturando eficazmente las leyes de evolución espacio-temporal del desarrollo de la fractura conductora de agua. En el conjunto de datos de monitoreo de la zona de fractura conductora de agua, la precisión de identificación se mejoró al 96.0% y 93.8%, respectivamente, proporcionando un soporte técnico clave para la prevención de desastres por agua en el techo de capas de carbón poco profundas (Applied Sciences, 2026).

Billones de operaciones forjan "ojos de fuego": verificación dual de la eficiencia y precisión de identificación

En comparación con los modelos tradicionales, las nuevas redes neuronales convolucionales profundas (CNN) no solo pueden extraer automáticamente características ocultas de alta dimensión en el dominio tiempo-frecuencia de las señales mediante el entrenamiento de millones o incluso cientos de millones de parámetros, sino que también logran un cambio de paradigma de la "ingeniería de características" al aprendizaje "de extremo a extremo".

Un estudio de Peng Fuyu y otros de la Universidad de Ciencia y Tecnología de Hunan, publicado en la revista Applied Sciences, propuso un método de identificación automática de señales de ondas sísmicas en áreas mineras basado en la arquitectura de la red neuronal convolucional VGG16. El equipo fusionó el análisis tiempo-frecuencia con la tecnología de segmentación de imágenes, transformando las señales de ondas sísmicas unidimensionales originales en espectrogramas de color bidimensionales mejorados que contienen información tiempo-frecuencia, y utilizó la capacidad de extracción de características convolucionales multinivel de VGG16 para capturar la ritmicidad y las diferencias clave de las señales. Después de 5000 iteraciones de entrenamiento, el modelo alcanzó una precisión de identificación del 87% al 90%. En pruebas con 1800 conjuntos de datos reales de 6 categorías de la mina de tungsteno de Xiangdong, la tasa de identificación más alta alcanzó el 94.9%, lo que demuestra el rendimiento de generalización del método en diferentes entornos mineros (Applied Sciences, 2026). Especialmente en condiciones adversas con muestras pequeñas y distribución desequilibrada, el equipo del académico Song Zhenqi de la Universidad Tecnológica de Shandong propuso una red neuronal de convolución-atención con información física y un modelo de identificación de señales sísmicas con muestras pequeñas que integra aprendizaje por transferencia, ambos mostrando una robustez extremadamente fuerte. Numerosos académicos se están dedicando a utilizar el aumento de datos y las restricciones físicas previas para resolver el problema del aislamiento de datos. Al mismo tiempo, en aplicaciones de ingeniería reales, la velocidad de procesamiento de datos basada en modelos de aprendizaje profundo se acerca al nivel de segundos, superando con creces la eficiencia de identificación manual, haciendo posible la alerta temprana de desastres en tiempo real.

De "ver" a "distinguir": desbloquear el potencial de aplicación en múltiples áreas de la seguridad minera

La tecnología de identificación automática de señales sísmicas de alta calidad no es solo una iteración algorítmica teórica, sino también una tecnología subyacente clave que respalda la "mina digital y la producción inteligente".

1. Optimización dinámica del diseño de túneles y frentes de explotación

Mediante la identificación inteligente de eventos sísmicos con diferentes bandas de frecuencia y características energéticas, los técnicos mineros pueden determinar con precisión los patrones de activación de fallas y las tendencias de migración de tensiones inducidas por la minería. Por ejemplo, la aplicación de modelos de clasificación en tiempo real para la distribución de tensiones en capas de carbón profundas y la activación de fallas puede cuantificar y evaluar el grado de perturbación de las actividades mineras en las estructuras geológicas, guiando así la adopción de medidas de descompresión específicas. En la aplicación práctica en el frente de trabajo 6306 de la mina de carbón Dongtan, se demostró que la clasificación inteligente puede rastrear cuantitativamente la relación de acoplamiento entre las actividades mineras y las estructuras geológicas, proporcionando una herramienta de ingeniería operativa para el monitoreo de tensiones y la alerta temprana.

2. Sistemas de alerta temprana para estallidos de rocas y desastres dinámicos

En áreas de minería profunda, el análisis preciso de grandes datos sísmicos es el "centinela" que activa el sistema de prevención de estallidos. Un nuevo método basado en la predicción del campo de vibración sísmica y la alerta temprana de estallidos de rocas mostró un excelente rendimiento de alerta a largo plazo en los datos de monitoreo a largo plazo del frente de trabajo 40302 de una mina de carbón en Shaanxi. Además, un marco de alerta integral que fusiona CNN-LSTM con la detección de cambios CUSUM, en su aplicación en la mina de plomo y zinc Dongtangzi en Qinling, redujo el RMSE en aproximadamente un 30% a 56% y aumentó el R² en aproximadamente un 20% a 58% en comparación con el modelo LSTM único, emitiendo señales de alerta temprana efectivas de inestabilidad del macizo rocoso con una semana de anticipación, al tiempo que proporciona un nuevo medio para cuantificar el proceso de liberación de tensiones después de las voladuras.

3. Monitoreo de hundimientos del terreno y minería bajo "tres condiciones"

La identificación de alta precisión también puede extenderse al monitoreo de la minería bajo edificios superficiales y cuerpos de agua (bajo "tres condiciones"). Investigaciones posteriores de Peng Fuyu de la Universidad de Ciencia y Tecnología de Hunan mostraron que los modelos basados en CNN se desempeñan excelentemente en la identificación de eventos sísmicos clave inducidos por el hundimiento de áreas de extracción. En la planificación futura de sistemas de minas inteligentes, esta tecnología logrará un ciclo cerrado eficiente de "extracción-datos-alerta-retroalimentación", promoviendo la transición de la seguridad minera de la "protección pasiva" tradicional a la "prevención activa".