Scavare al buio? L'IA che 'sente' la roccia mentre trivella

Immagina di dover scavare un tunnel a centinaia di metri sotto terra, nel buio totale. Come fai a sapere se la testa del trapano sta mordendo carbone tenero, arenaria dura o argillite friabile senza vederla? Fino a poco tempo fa ci si affidava all'esperienza umana o a campioni lenti da analizzare in laboratorio. Oggi, uno studio pubblicato su *Applied Sciences* cambia le regole: basta "ascoltare" le vibrazioni e la pressione del trapano.

I ricercatori hanno preso i dati grezzi delle perforazioni per cavi d'ancoraggio — quei cavi d'acciaio che reggono il soffitto delle gallerie — e li hanno ripuliti con una "spugna matematica" chiamata trasformata wavelet, che elimina il rumore di fondo. Poi hanno allenato quattro "cervelli" artificiali (reti neurali LSTM e BiLSTM) a riconoscere la roccia. Il vero campione? Un modello ibrido potenziato dall'algoritmo **DBO** (Dung Beetle Optimizer), ispirato allo scarabeo stercorario che rotola palle di letame con efficienza geometrica.

Risultato: sul carbone, facile da distinguere, tutti i modelli fanno 100 su 100. Ma su arenaria e argillite, che si assomigliano molto, il **DBO-BiLSTM** stacca la concorrenza: +9% di accuratezza, +12% di richiamo, +13% di F1 score. In pratica, il sistema "sente" la durezza della roccia in tempo reale mentre fora (tecnologia MWD). Questo significa gallerie più sicure, meno sprechi e progettazione chirurgica anche nelle geologie più complesse. Una vittoria per la sicurezza dei minatori e per l'ingegneria intelligente.

Lo studio affronta una sfida classica del *Measurement While Drilling* (MWD): il segnale grezzo di perforazione è intrinsecamente rumoroso, non stazionario e non lineare. La pipeline metodologica si articola in tre fasi. Prima, **data cleaning** per rimuovere outlier e valori mancanti dovuti a vibrazioni meccaniche spurie. Seconda, **Wavelet Transform (WT)** per il denoising: la decomposizione multi-risoluzione isola le componenti ad alta frequenza (rumore strumentale) da quelle a bassa frequenza (segnale geologico), applicando una sogliazione sui coefficienti di dettaglio per ricostruire il segnale "pulito" di coppia, pressione, velocità di rotazione e avanzamento.

Terza, **modellazione Deep Learning**. Le architetture ricorrenti (LSTM/BiLSTM) sono scelte per la loro capacità di catturare dipendenze temporali lunghe nei dati sequenziali. Il Bidirectional LSTM elabora la sequenza in avanti e indietro, catturando contesto passato e futuro. L'innovazione sta nell'iper-ottimizzazione tramite **Dung Beetle Optimizer (DBO)**, un algoritmo metaeuristico *swarm-based* che imita la navigazione a rotolamento di palla, la danza di riproduzione e la ricerca di cibo dello scarabeo. DBO evita i minimi locali meglio di PSO o GA, trovando la combinazione ottimale di learning rate, hidden units, batch size, dropout e window length.

La validazione su dataset di campo (strati: carbone, arenaria, argillite, calcare) usa metriche standard. La matrice di confusione rivela che le classi "difficili" (arenaria/argillite) beneficiano maggiormente della bidirezionalità più ottimizzazione globale. L'implementazione in sistemi MWD embedded richiede ora quantizzazione del modello (es. TensorRT, ONNX) per inferenza real-time su hardware edge (FPGA/GPU industriali), garantendo latenza < 100ms per metro forato.