Górnictwo i budownictwo od dawna zmagają się z problemem, który trudno było przewidzieć: jak silnie wibruje grunt po kontrolowanym wybuchu i czy te drgania nie zniszczą pobliskich budynków. Okazuje się, że zoptymalizowany model uczenia maszynowego oparty na losowym lesie (ang. Random Forest) potrafi to przewidzieć z zaskakująco wysoką dokładnością – potencjalnie lepiej niż dotychczasowe metody empiryczne stosowane w branży przez dziesięciolecia.
Na czym polega problem drgań wywołanych wybuchami?
Każdy kontrolowany wybuch – w kopalni, kamieniołomie czy podczas prac ziemnych – wysyła przez grunt fale sejsmiczne, które mogą uszkodzić infrastrukturę, budynki mieszkalne i instalacje przemysłowe. Parametrem opisującym to zjawisko jest szczytowa prędkość cząstek gruntu (ang. Peak Particle Velocity, PPV) – im wyższa wartość PPV, tym większe ryzyko szkód.
Dotychczasowe modele prognozowania PPV opierały się głównie na prostych równaniach empirycznych, które nie uwzględniały złożoności lokalnych warunków geologicznych, rodzaju materiału wybuchowego ani geometrii odstrzelenia. Skutkowało to znacznymi błędami prognoz i koniecznością stosowania dużych marginesów bezpieczeństwa, co z kolei podnosiło koszty operacyjne.
Jak działa model Random Forest w tym zastosowaniu?
Las losowy to algorytm uczenia maszynowego oparty na zestawie wielu niezależnych drzew decyzyjnych, których wyniki są uśredniane w celu uzyskania końcowej prognozy. Dzięki temu model jest odporny na przeuczenie i lepiej radzi sobie z danymi zawierającymi szum pomiarowy, co jest typowe dla danych sejsmicznych z terenu.
W omawianym podejściu model został poddany optymalizacji – dobrano hiperparametry algorytmu tak, by minimalizować błąd prognozy na zbiorze walidacyjnym. Proces optymalizacji pozwolił wybrać liczbę drzew, głębokość każdego z nich oraz liczbę zmiennych branych pod uwagę przy każdym podziale węzła. Efektem jest model, który uczy się nieliniowych zależności między parametrami wybuchu a odpowiedzią gruntową bez konieczności ręcznego formułowania tych relacji.
Jakie dane wejściowe przetwarza model?
Model przyjmuje na wejściu parametry charakteryzujące sam wybuch oraz warunki środowiskowe – między innymi ilość materiału wybuchowego, odległość od punktu detonacji i właściwości skalne podłoża. Na tej podstawie przewiduje wartość PPV, którą można bezpośrednio porównać z normami bezpieczeństwa obowiązującymi w danym kraju.
Redakcja IWD Partner: Zastosowanie uczenia maszynowego do przewidywania drgań gruntu to dobry przykład tego, jak AI wypełnia niszę, w której klasyczne modele fizyczne były zbyt uproszczone, a pełne symulacje numeryczne – zbyt kosztowne obliczeniowo. Interesujące będzie sprawdzenie, czy modele trenowane na danych z jednego regionu geologicznego będą równie dokładne w odmiennych warunkach – na przykład w polskich kopalniach węgla czy miedzi. Czy branża wydobywcza jest gotowa zaufać algorytmowi przy decyzjach dotyczących bezpieczeństwa infrastruktury?
Czy Random Forest bije inne algorytmy ML w tej dziedzinie?
Artykuł wskazuje, że zoptymalizowany model lasu losowego osiąga dokładność przewidywania PPV na poziomie przekraczającym wyniki innych popularnych algorytmów regresji uczenia maszynowego stosowanych w tym samym zadaniu. Modele oparte na pojedynczych drzewach decyzyjnych, regresji liniowej czy podstawowych sieciach neuronowych wypadają słabiej pod względem kluczowych metryk błędu.
Przewaga lasu losowego wynika z jego zdolności do automatycznego wykrywania interakcji między zmiennymi wejściowymi. Klasyczne modele empiryczne zakładają zwykle jedną dominującą zmienną (najczęściej odległość i masę ładunku), tymczasem rzeczywisty wpływ wybuchu na grunt jest wypadkową wielu jednocześnie działających czynników.
Co zmieni powszechne wdrożenie takich modeli w górnictwie i budownictwie?
Praktyczne zastosowanie zoptymalizowanego modelu PPV mogłoby przełożyć się na bardziej precyzyjne planowanie prac strzałowych – mniejsze marginesy bezpieczeństwa tam, gdzie ryzyko jest rzeczywiście niskie, i większa ostrożność w miejscach faktycznie zagrożonych. Przekłada się to bezpośrednio na efektywność ekonomiczną oraz ochronę pobliskiej zabudowy.
Dla Polski, gdzie działa kilka dużych okręgów wydobywczych – od Lubelskiego Zagłębia Węglowego po Legnicko-Głogowski Okręg Miedziowy – precyzyjne narzędzia do monitorowania i prognozowania drgań gruntu mają realne znaczenie. Zakłady górnicze są zobowiązane do monitorowania PPV na podstawie krajowych przepisów, a dokładniejsze prognozy mogłyby ograniczyć liczbę kosztownych roszczeń odszkodowawczych ze strony właścicieli nieruchomości.
Kolejnym krokiem będzie integracja takich modeli z systemami zarządzania robotami strzałowymi w czasie rzeczywistym. Jeśli model można uruchomić przed każdym odstrzeleniem i natychmiast otrzymać prognozę PPV dla konkretnej konfiguracji ładunków, otwiera to drogę do dynamicznej optymalizacji planu strzelniczego – bez czekania na wyniki pomiarów po fakcie.
Powiązane pojęcia z AI i uczenia maszynowego
- Las losowy (Random Forest) – algorytm uczenia maszynowego tworzący wiele niezależnych drzew decyzyjnych i uśredniający ich wyniki w celu zwiększenia dokładności i odporności na przeuczenie.
- Hiperparametry – ustawienia algorytmu uczenia maszynowego ustalane przed treningiem, które kontrolują strukturę i złożoność modelu (np. liczba drzew w lesie losowym).
- Regresja – klasa zadań uczenia maszynowego polegająca na przewidywaniu wartości liczbowej (ciągłej) na podstawie danych wejściowych, w odróżnieniu od klasyfikacji.
- Przeuczenie (overfitting) – zjawisko, w którym model zbyt dobrze dopasowuje się do danych treningowych i traci zdolność do uogólniania na nowych danych.
- Walidacja krzyżowa (cross-validation) – technika oceny modelu polegająca na wielokrotnym trenowaniu i testowaniu na różnych podzbiorach danych, pozwalająca rzetelnie oszacować jego rzeczywistą dokładność.
Opracowanie redakcji IWD Partner z wykorzystaniem narzędzi AI na podstawie materiału: Bioengineer.org (17.11.2026).
Zdjęcie: Kurt Cotoaga / Unsplash
