در ۲۶ فوریه(۷ اسفند) زلزله‌ای به بزرگی ۷/۵ ریشتر در ارتفاعات جنوب کشور پاپوآ گینه‌نو به وقوع پیوست و دست‌کم ۵۵ نفر کشته و ۳۰۰ نفر زخمی شدند.

به گزارش استیل پدیا، چندی بعد در ۷ مارس(۱۶ اسفند) دومین زمین‌لرزه به بزرگی ۶/۷ ریشتر در ۳۱ کیلومتری جنوب غربی محلی که زمین‌لرزه پیشین به وقوع پیوسته بود، جان ۱۸ نفر را گرفت. معادن گوناگونی که در سراسر این کشور جزیره‌ای هستند نیز از نقاطی به شمار می‌آیند که از این زلزله آسیب دیدند.

 
این کشور یکی از غنی‌ترین نواحی معدنی جهان است و در زلزله اخیر، معادن طلای بسیاری در آنجا لرزیدند. به دنبال این اتفاق این پرسش در ذهن کارشناسان شکل گرفت که چه فناوری‌هایی می‌تواند به معدنچیان کمک کند تا لرزه‌های وارد بر معادن را پیش‌بینی کنند؟
به گزارش به نقل از ماینینگ‌فناوری، معدن «اوکی‌تِدی» در استان اِنگای این کشور که طلای زیادی از آن استخراج می‌شود، آسیب چشمگیری را در جریان زلزله‌ ماه‌های فوریه و مارس گزارش کرد.

معدن پورگرا هم که در همین استان قرار دارد، آسیب‌ به تجهیزات تولید انرژی خود را گزارش داد، هر چند شرکت چینی«زیجین» به عنوان شرکت بهره‌بردار از این معدن، آسیب وارد شده از زلزله را در کمترین میزان برآورد کرد و در گزارش خود آورد که در لرزه‌های اصلی، هیچ معدنچی‌ای آسیب ندیده و این معدن نیز می‌توانست با برق اضطراری به کار خود ادامه دهد.
این احتمال وجود دارد که شدت حوادث رخ داده در معادن پاپوآگینه بیش از اینها بوده باشد، اما آنچه بیش از همه اهمیت دارد خطر اکتشاف در مناطق زلزله‌خیز است.

فناوری‌ها
فناوری موثر در این زمینه، به عنوان فناوری‌ مرتبط با نظارت بر لرزه‌خیزی معرفی می‌شود. این فناوری‌، شکست و ریزش را در زمین‌لرزه‌های کوچک‌تر، ضبط و ثبت، تجزیه و تحلیل و تفسیر می‌کند.

این کار را می‌توان در حفاری‌های زیرزمینی مانند معادن زغال سنگ که دیواره‌های بلندی دارند، انجام داد. تحلیل و تجزیه داده‌های زمین‌لرزه‌ای می‌تواند محل شکست را تعیین کند و اطلاعات دقیقی درباره پارامترها و مکانیسم فرآیند شکست ارائه ‌دهد.
گروه پژوهشی ژئوفیزیک محیطی در دانشگاه کیل انگلیس نیز تکنیکی را برای نظارت و پیش‌بینی انفجارها در معادن زغال‌سنگی در انگلیس و استرالیا که دیواره‌های بلندی دارند، ابداع کرده‌اند.

این گروه در وب‌سایت رسمی خود در این باره توضیح داده که چگونگی فروریزی در فرآیند استخراج دیواره‌های بلند می‌تواند در موفقیت مالی یک واحد استخراج زغال سنگ، امری حیاتی قلمداد شود، بنابراین طراحی بهینه ستون‌ها و فرونشینی سطح و کنترل دیوار، بستگی زیادی به توزیع شکستگی‌ها و فشاری دارد که در جریان استخراج بر معدن وارد می‌آید و تاکنون هیچ روشی وجود نداشته که از طریق آن تاثیر مشاهده شود.

اعضای این گروه پژوهشی در همکاری با شرکت انگلیسی «آی‌اِم‌سی ژئوفیزیکز» راهکار جدیدی ارائه کردند که مبتنی بر ارتباط ردیاب‌های لرزه‌ای است و «ژئوفون» نام دارد. ژئوفون‌ها در عملیات معدنی در داخل شمار کوچکتری از گمانه‌های داخل معدن قرار می‌گیرند تا لرزه‌های خفیف را پیش‌بینی و ضبط کنند. بنا بر گفته این گروه، تحلیل دقیق سیگنال‌های ضبط شده، نقشه‌ای از ریزش ارائه می‌دهد که منجر به درک بیشتر همه جنبه‌های ریزش می‌شود. این درک به توانایی شناسایی ویژگی‌های ریزش، شناسایی نواحی ریزش غیرطبیعی و کشف ستون‌های در حال سقوط می‌انجامد.

مدل‌های ماشینی

بنا بر گفته دانشمندان، هوش مصنوعی در این حوزه کارآیی دارد. در سال ۱۳۹۵ خورشیدی(۲۰۱۶ میلادی) مسابقه‌ای در زمینه استخراج «داده» در هلند برگزار شد که دانشگاه وارساو آن را سازماندهی می‌کرد و در آن دانشمندان حوزه‌های گوناگون داده‌ای، از سراسر جهان دعوت شده بودند تا الگوریتم‌های جدید را برای پیش‌بینی زلزله به‌کار گیرند.

در این رقابت بیش از ۲۰۰ نفر حضور یافته و ۲مجموعه «داده» ارائه کردند که پیشینه فعالیت لرزه‌ای از ۲۴ معدن عملیاتی زغال سنگ در لهستان را نشان می‌داد. یکی از مجموعه‌ها از ۱۳۳ هزار و ۱۵۱ مشاهده و دیگری از یک هزار و ۶۸۰ مشاهده تشکیل شده بود.
برنده نهایی این مسابقه، مایکل تِداوشاک متخصص علم داده‌های بزرگ بود. او مجموع ضربه‌ها، لرزش‌ها، انفجارهای ترسناک و انرژی حاصل از لرزه‌ها را در این فرآیند موثر دانست.

در هند نیز پژوهشگران موسسه علم و فناوری سینگز در نارهی این مسئله را آزمایش کرده‌اند که چطور یادگیری مبتنی بر ماشین(هوش مصنوعی) می‌تواند به کارگران کمک کند که خود را برای رویارویی با زلزله در یک معدن زغال سنگ آماده کنند. در مقاله‌ای که سال گذشته منتشر شد، این گروه یک شبکه را مبتنی بر مجموعه داده‌هایی مانند انرژی لرزه‌ای، انرژی کلی، ضربه‌ها و تغییرات لرزه‌ای پیشنهاد داد. همچنین در این مقاله آورد که الگوریتم‌های گوناگونی مانند شبکه‌های عصبی و مهندسی می‌تواند در آموزش کارگران موثر واقع شود، اما مهم‌ترین چالش در این زمینه، دقت در پیش‌بینی بدون صرف زمان چشمگیر است.

استیل پدیا | مرجع خبر و تحلیل صنعت فولاد ایران و جهان