Varias minas que salpican la isla del Pacífico, uno de los países más ricos en recursos del mundo, se encuentran entre las áreas afectadas. Ok Tedi Mining, que opera una gran mina de oro en la provincia de Enga del país, informó daños importantes en la infraestructura debido a un deslizamiento de tierra provocado por el terremoto.
La mina de oro Porgera, también ubicada en Enga, sufrió daños en su principal instalación de generación de energía; sin embargo, su operador chino, Zijin Mining Group Company, informó daños mínimos más allá de esto, sin empleados heridos durante el terremoto inicial o réplicas posteriores. E inmediatamente después, la mina todavía podía funcionar con energía de respaldo.
Las cosas podrían haber sido mucho peores para los mineros de Papúa Nueva Guinea, pero este incidente resalta los riesgos de la exploración en regiones propensas a terremotos. Además, plantea la pregunta: ¿qué diferencia puede hacer la tecnología de monitoreo sísmico en el monitoreo y la predicción de terremotos para ayudar a los mineros a prepararse para tales eventos?
Monitoreo microsísmico: pruebas en minas de carbón de tajo largo
Una tecnología que podría marcar la diferencia es el monitoreo microsísmico, que es capaz de registrar, analizar e interpretar terremotos más pequeños en caso de que los materiales geológicos se fracturen o fallen. Esto puede suceder alrededor de excavaciones subterráneas, como minas de carbón de tajo largo. El análisis de datos microsísmicos de tres componentes puede proporcionar la ubicación de la falla, así como información detallada sobre los mecanismos y parámetros del proceso de fracturamiento.
El grupo de investigación de geofísica aplicada y ambiental de la Universidad de Keele ha aplicado la técnica al monitoreo y predicción de explosiones en minas de carbón de tajo largo tanto en el Reino Unido como en Australia.
“La naturaleza del comportamiento de espeleología en las cercanías de la extracción de tajo largo puede ser fundamental para el éxito financiero de una mina de carbón”, se lee en un extracto en el sitio web oficial del grupo.
“El soporte frontal, los efectos de interacción, el diseño óptimo de los pilares, el hundimiento en la superficie y el control del agua dependen de manera crítica de la distribución de las fracturas y el estrés inducido por la minería. Hasta ahora, no ha habido ningún método por el cual se puedan observar estos efectos “.
Recientemente, el grupo de investigación colaboró con la empresa británica IMC Geophysics para crear una nueva solución basada en la cementación de detectores sísmicos, conocidos como geófonos, en un número menor de pozos en la mina para registrar micro-terremotos simulados durante las operaciones mineras.
Según el grupo, un análisis cuidadoso de estas señales registradas produjo un mapa de la actividad de la espeleología, “lo que llevó a una mayor comprensión de todos los aspectos de la espeleología”. Esto incluyó la capacidad de observar la creación de derrumbes, resaltar áreas de derrumbes anormales, deducir anchos óptimos de paneles y descubrir pilares que caen.
¿Podrían los modelos de aprendizaje automático ser la respuesta?
La inteligencia artificial también puede desempeñar un papel. En 2016, se celebró en Polonia una competencia de minería de datos organizada por la Universidad de Varsovia, donde se invitó a científicos de datos de todo el mundo a idear nuevos algoritmos para predecir terremotos.
Más de 200 participantes recibieron dos conjuntos de datos compuestos por registros de actividad sísmica de 24 minas de carbón polacas operativas. Uno fue para entrenamiento, consistente en 133.151 observaciones y el otro para pruebas, compuesto por 3.860 observaciones.
Con el objetivo de predecir eventos sísmicos con hasta ocho horas de anticipación, se juzgó la precisión de los modelos de predicción con respecto a la métrica del área bajo la curva ROC (AUC), el análisis de clasificación estándar utilizado para determinar los mejores modelos de predicción.
El eventual ganador fue Michał Tadeusiak, un especialista en ciencia de big data con deepsense.io con sede en California, que logró un AUC de 0,939.
Los resultados plantean una pregunta adicional cuando se trata de IA como, con conjuntos de datos tan grandes, ¿qué constituye una observación significativa durante un período de 24 horas? Según Tadeusiak, hay 13 características generales, que incluyen el ID del sitio de trabajo, así como las energías generales derivadas de “golpes, temblores, explosiones angustiantes y energía sísmica total”.
En India, investigadores del Instituto de Tecnología y Ciencia Sinhgad en Narhe, Pune, también han estado examinando cómo el aprendizaje basado en máquinas podría ayudar a los trabajadores a prever y prepararse para los terremotos en una mina de carbón.
En un artículo del año pasado, el grupo propuso un sistema de predicción basado en conjuntos de datos de atributos como energía sísmica, energía total, golpes sísmicos y cambios, al tiempo que sugirió que varios algoritmos, como redes neuronales e ingeniería de características, también podrían usarse para entrenamiento. .
“El mayor desafío es obtener precisión en la predicción con una considerable complejidad de tiempo”, afirma el documento.
“Podemos decir que la sismicidad inducida por la minería puede ser un mini modelo que represente terremotos. Por lo tanto, podemos decir que el sistema de predicción propuesto también se puede utilizar para una mayor predicción de terremotos.
“El marco de software propuesto brinda una interfaz fácil de usar para los mineros del carbón que los alertaría o notificaría sobre los peligros sobre la base del sistema de predicción”.
Finalmente, parece que por ahora, si bien el monitoreo microsísmico es una herramienta que se viene implementando en la industria minera desde hace algún tiempo, como medio para garantizar una mayor seguridad operativa, su función principal para los mineros sigue siendo la prevención más que la predicción.
Fuente: Mining Technology
