اتخاذ قرارات ذكية لأنظمة تهوية المناجم اعتمادًا على الدمج بين الشبكات العصبية البيانية والتعلّم المعزّز العميق

هواء أذكى لمناجم أكثر أمانًا

في أعماق الأرض، يعتمد العاملون في المناجم على تدفّق مستمر من الهواء النقي لتخفيف الغازات الخطرة والتحكم في درجة الحرارة. تقليديًا، يقوم المهندسون بضبط المراوح والفتحات الكبيرة اعتمادًا على قواعد عامة وقياسات دورية — وهي عملية بطيئة قد تهدر الطاقة أو، في أسوأ الحالات، تفشل في رصد تراكم غازي خطير. تستكشف هذه الورقة كيف يمكن لنوع جديد من الذكاء الاصطناعي مراقبة «تنفّس» المنجم في الوقت الفعلي وضبط تدفق الهواء تلقائيًا، محسنًا كلًا من السلامة واستهلاك الطاقة.

لماذا من الصعب التحكم في تدفّق هواء المناجم

تشبه مناجم الفحم الحديثة مدنًا تحت الأرض، مع عشرات الأنفاق والتقاطعات وواجهات العمل المتصلة في شبكة معقدة. يجب أن يتنقّل الهواء المدفوع بواسطة مراوح عملاقة عبر هذا المتاهة، متفرّقًا ومتجمعًا مع تغيّر شكل الأنفاق وحركة المعدات وانبعاثات الغاز غير المتوقعة من الصخور. تعالج أنظمة التحكم القديمة النظام كنقاط معزولة وتعتمد بشكل كبير على خبرة البشر. تكافح هذه الأنظمة للتعامل مع تغييرات تخطيط الشبكة أو مع ارتفاعات مفاجئة في مستويات الغاز، ونادرًا ما تحقق التوازن الأمثل بين السلامة واستهلاك الطاقة.

تحويل الأنفاق إلى خريطة رقمية

يتعامل المؤلفون مع هذا التحدي أولًا بتحويل نظام التهوية بأكمله إلى خريطة رياضية، أو رسم بياني. في هذه الخريطة، تمثّل العقد التقاطعات والمراوح ومناطق العمل، بينما تمثل الروابط الأنفاق بخصائص مثل الطول والمساحة المقطعية ومقاومة تدفّق الهواء. تُرفق قراءات المستشعرات — ضغط الهواء، تركيز الغاز، درجة الحرارة والرطوبة — بالعقد والروابط. ثم يجتاز شبكة عصبية متخصصة مصممة للرسوم البيانية هذا البناء وتتعلم كيف تؤثر الظروف في جزء واحد من المنجم على بقية الأجزاء. من خلال استخدام تمثيل متعدد المستويات، يمكن للنظام رؤية التفاصيل المحلية قرب واجهات العمل والأنماط العامة عبر المنجم بأكمله في آن واحد.

تعليم الذكاء الاصطناعي توجيه الهواء

فوق هذه النظرة المعتمدة على الرسم البياني، يبني الباحثون وكيلًا للتعلّم المعزّز — برنامجًا يتعلم من خلال التجربة والخطأ. يجرب الوكيل، بدايةً في محاكٍ عالي الدقّة، إعدادات مختلفة لسرعات المراوح وفتحات التهوية. عن كل مجموعة إجراءات يحصل على مكافأة تعبّر عن ثلاثة أهداف: إبقاء مستويات الغاز ضمن نطاق آمن، توفير ظروف هواء مريحة، وتقليل استهلاك الكهرباء. يساعد تصميم «الفاعل-الناقد» المحسّن، إلى جانب ذاكرة ذكية تعيد تشغيل أكثر التجارب إفادة، النظام على تعلّم سياسات تحكم موثوقة من دون تجاوز حدود السلامة. مع مرور الوقت، يكتشف الذكاء الاصطناعي أنماطًا يصعب على المشغلين البشريين رؤيتها، مثل كيف يمكن لتغيير طفيف في منظم بعيد أن يخفّف بؤرة غاز في مكان آخر.

من نموذج حاسوبي إلى منجم عامل

لاختبار ما إذا كانت هذه المقاربة تعمل في العالم الحقيقي، اختبر الفريق النظام على بيانات من منجم فحم عميق في الصين يضم أكثر من 150 موقعًا مراقبًا وأكثر من 200 نفق متصل. بعد التدريب في المحاكاة، تم نشر النظام بجانب أنظمة الإشراف والتحكم في المنجم. قرأ بيانات المستشعرات الحيّة كل بضع ثوانٍ واقترح إجراءات تحكم، محمية بعدة فحوصات سلامة وإمكانية تجاوز فوري يدوي. خلال شهور من التشغيل، حسّن المتحكم الذكي درجة أداء مركبة بنسبة 34.7% مقارنة بالطرق التقليدية، خفّض استهلاك طاقة المراوح بنسبة 23.7%، وحافظ على الالتزام بقواعد السلامة بنسبة 98.4% من الوقت — حتى أثناء أحداث مثل أعطال المراوح وتدفّقات الغاز المفاجئة. ساعدت أدوات بصرية تُظهر أجزاء الشبكة التي «ينتبه» إليها الذكاء الاصطناعي المهندسين على فهم قراراته وكسب ثقتهم.

ماذا يعني هذا للتعدين وما بعده

للغير متخصصين، الرسالة الرئيسية هي أن هذا النظام يحوّل ممرات الهواء المعقّدة في المنجم إلى نموذج رقمي حي يمكن للذكاء الاصطناعي تعلّم إدارته، على غرار كيفية تثبيت الطيار الآلي لطائرة. من خلال تعديل المراوح والمنظمات باستمرار، يحافظ على هواء أكثر أمانًا ونقاءً للعمال مع تقليل جزء كبير من فاتورة الطاقة. وعلى الرغم من أن الدراسة تركز على منجم فحم واحد، فإن النهج الأساسي — دمج التعلم المعتمد على الرسوم البيانية مع التحكم بالتجربة والخطأ — يمكن تطبيقه على شبكات واسعة النطاق أخرى مثل حركة مرور المدن، شبكات الطاقة، أو التدفئة والتبريد في المباني الكبيرة. تشير هذه الأعمال إلى مستقبل تتحسّن فيه الأنظمة الصناعية الحرجة بهدوء ذاتيًا، مع إشراف البشر على الصورة الكُبرى بدلًا من التعامل مع آلاف الإعدادات الفردية.

الاستشهاد: Zhang, K., Yang, X. & Li, H. Intelligent decision-making for mine ventilation systems based on graph neural network and deep reinforcement learning fusion. Sci Rep 16, 6704 (2026). https://doi.org/10.1038/s41598-026-37347-8

الكلمات المفتاحية: تهوية المناجم, الشبكات العصبية البيانية, التعلّم المعزّز العميق, سلامة صناعية, كفاءة الطاقة