المراقبة الذكية وتقييم الأداء القائم على الشبكات العصبية التفافية لأنظمة سحب الغازات عبر الآبار-الأنابيب-المضخات في مناجم الفحم

لماذا التحكم في غاز المنجم مهم

في أعماق الأرض، يجب على مناجم الفحم إزالة غاز الميثان باستمرار لمنع الانفجارات وللاستفادة كمصدر طاقة. يتم ذلك عبر شبكة من الآبار والأنابيب والمضخات التي تسحب الغاز من الصخور. لكن التسريبات والانسدادات والتشغيل غير المستقر يمكن أن تقلل أداء النظام تدريجياً قبل أن ينتبه أحد. تُظهر هذه الدراسة كيف يمكن للتجارب المصممة بعناية والذكاء الاصطناعي الحديث أن يحولا قراءات المستشعرات الروتينية إلى «فحص صحي» تلقائي لأنظمة سحب غاز المنجم، مما يساعد على حماية العمال وفي الوقت نفسه استخدام الغاز المستخرج بصورة أفضل.

كيف يُستخلص الغاز من طبقة الفحم

في المنجم النموذجي، تُحفر ثقوب في طبقة الفحم وتُوصل إلى شبكة أنابيب تؤدي إلى مضخات تفريغ قوية. تخلق هذه المضخات ضغطاً سالباً—أي قوة شفط—تسحب الميثان والهواء من الصخور. ثم تنتقل خليط الغازات عبر أنابيب فولاذية إلى السطح للمعالجة أو الاستخدام. من الناحية النظرية يمكن للمهندسين تتبع الضغط ومعدل التدفق وتركيز الغاز بواسطة مستشعرات على طول الأنابيب واستخدام هذه القيم لتقييم ما إذا كان النظام يعمل جيداً. عملياً، تجعل ظروف تحت الأرض القاسية والتآكل وتصاميم الأنابيب المعقدة البيانات صاخبة وصعبة التفسير، لا سيما عند الاعتماد على حكم بشري فقط.

ما الذي يحدث عند تسرب أو انسداد الأنابيب

لفهم سلوك النظام تحت الضغط، أنشأ الباحثون تجارب محكومة تحاكي شبكات السحب الحقيقية تحت الأرض. أدخلوا تسريبات وانسدادات في نقاط محددة في الأنابيب ورصدوا كيف تغير الضغط والتدفق على طول الخط. عندما تسربت الأنبوب الرئيسي قرب المضخات، انخفض الشفط بشدة بينما ازداد التدفق المقاس—علامة على دخول كمية كبيرة من الهواء غير المفيد بدلاً من الميثان. بالمقابل، قلّ تأثير التسريبات في الفروع الجانبية على المضخة نفسها لكنها قللت كثيراً الشفط وإزالة الغاز في الآبار الواقعة إلى أسفل المسار. أنماط الانسداد كانت مميزة أيضاً: تغيير مفاجئ في معدل انخفاض الضغط على طول الأنبوب تلاه انتعاش جزئي. تشكل هذه البصمات المخبرية مكتبة مميزة لأنواع الأخطاء المختلفة.

تحويل قواعد الخبراء إلى درجة بسيطة

استناداً إلى معايير المنجم العملية، صمم الفريق نظام تقييم يجمع عدة عوامل في درجة رضا واحدة بين الصفر والواحد. جمّعوا المؤشرات تحت موضوعين رئيسيين: السلامة والفعالية. تغطي السلامة كيفية توزيع الهواء في منطقة العمل وكمية الغاز المتبقية قرب العمال. تعكس الفعالية كمية الغاز المصروفة يومياً، وقوة الشفط، وتركيز الميثان، ومقدار الغاز النقي الذي يتم التقاطه فعلياً. باستخدام طريقة قرار منظمة، خصص المهندسون ذوو الخبرة أهمية نسبية لكل عامل. تُحوّل الدرجة النهائية بعد ذلك إلى خمس فئات، من ممتاز (الدرجة الأولى) إلى غير مؤهل (الدرجة الخامسة)، بما يعكس كيفية تقييم المناجم الفعلية لما إذا كان السحب يفي بالمعايير الوطنية.

كيف تتعلم الشبكة العصبية «إحساس» النظام

بدلاً من مطالبة البشر بتطبيق هذه القواعد باستمرار، درّب المؤلفون شبكة عصبية التفافية (CNN)—نوع من نماذج التعلم العميق—للتعرف على جودة السحب مباشرة من بيانات المستشعرات. قسموا المتغيرات الزمنية السبعة المراقبة إلى نوافذ زمنية قصيرة ورتّبوا كل نافذة كمصفوفة صغيرة، تماماً مثل صورة. يتيح هذا التنسيق للشبكة التقاط أنماط دقيقة في كيفية تغير الضغط والتدفق وتركيز الغاز معاً بمرور الوقت، بما في ذلك البصمات التي اكتُشفت في تجارب التسرب. استُخرجت درجة كل عينة بيانات أولاً من طريقة التقييم المبنية على خبراء ثم استُخدمت كإشارة تعليمية للشبكة. مع 10,000 عينة من منجم شينفا في الصين، تم ضبط بنية الشبكة وإعدادات التدريب لتحقيق توازن بين الدقة وتكلفة الحوسبة.

مدى أداء المراقب الذكي

بأفضل إعداداته، صنفت الشبكة جميع العينات المصنفة كممتازة أو جيدة أو متوسطة بشكل صحيح، وكادت جميع العينات المؤهلة فقط أن تُصنّف بشكل صحيح. كان أداؤها الأضعف على الحالات النادرة شديدة عدم التأهيل، حيث حددت نحو نصفها فقط بشكل صحيح. ينجم هذا القصور جزئياً عن ندرة مثل هذه الحالات الخطرة—فالمنجمون يعملون جاهداً لتجنبها—وجزئياً عن احتمالية تشابك قراءات المستشعر مع حالات حدودية مقبولة. ومع ذلك، فإن النموذج خفيف بما يكفي ليعمل في الزمن الحقيقي على حواسب المناجم القياسية، مستخدماً نفس مستشعرات الضغط والتدفق والغاز الموجودة بالفعل في معظم المواقع. يجادل المؤلفون بأن إعادة التدريب ببيانات من مناجم أخرى يمكن أن تنشر المنهج أوسع، في حين قد تحسّن تقنيات إضافية للتعامل مع الأحداث النادرة كشف أخطر الأعطال.

ما يعنيه هذا للتعدين أنظف وأكثر أماناً

بمزج التجارب الفيزيائية والمعرفة الخبيرة والتعلم العميق، يحول هذا العمل شبكة سحب غاز معقدة إلى نظام يمكنه إلى حد كبير تقييم أدائه بنفسه. يقدّم النهج للمشغلين تقييماً آلياً مستمراً لمدى كفاءة أنظمة الآبار-الأنابيب-المضخات، مع الإشارة إلى التدهورات الطفيفة قبل أن تتحول إلى مخاطر. يمكن لذلك تقليل مخاطر حوادث الغاز، ودعم إنتاج فحم أكثر استقراراً، وزيادة حصة الميثان التي تُلتقط كوقود مفيد بدلاً من إطلاقها في الجو. باختصار، تجعل المراقبة الأذكى للغازات تحت الأرض حماية العمال أفضل وتسهم في جعل تعدين الفحم أنظف وأكثر كفاءة.

الاستشهاد: Tong, Y., Yang, Y., Niu, J. et al. Intelligent monitoring and CNN-based performance evaluation of borehole-pipe-pump gas drainage systems in coal mines. Sci Rep 16, 11802 (2026). https://doi.org/10.1038/s41598-026-42294-5

الكلمات المفتاحية: سلامة مناجم الفحم, سحب الغاز, تسرب الأنابيب, مراقبة التعلم العميق, استخراج الميثان