Intelligente Entscheidungsfindung für Grubenbelüftungssysteme basierend auf der Verschmelzung von Graph‑Neuronalen Netzen und Deep‑Reinforcement‑Learning

Schlauere Luft für sicherere Minen

Tief unter der Erde sind Bergleute auf einen stetigen Zufluss frischer Luft angewiesen, um gefährliche Gase zu verdünnen und die Temperatur zu kontrollieren. Traditionell stellen Ingenieure riesige Ventilatoren und Klappen nach Erfahrungswerten und periodischen Messungen ein – ein langsamer Prozess, der Energie verschwenden oder im schlimmsten Fall eine gefährliche Gasansammlung übersehen kann. Diese Arbeit untersucht, wie eine neue Art von künstlicher Intelligenz das "Atmen" der Grube in Echtzeit beobachten und den Luftstrom automatisch feinabstimmen kann, wodurch sowohl die Sicherheit als auch der Energieverbrauch verbessert werden.

Warum die Steuerung des Grubenluftstroms schwierig ist

Moderne Kohlebergwerke gleichen unterirdischen Städten, mit Dutzenden von Stollen, Kreuzungen und Abbauorten, die in einem verworrenen Netzwerk verbunden sind. Von riesigen Ventilatoren eingepresste Luft muss dieses Labyrinth durchqueren, teilt sich und vereinigt sich wieder, je nachdem, wie sich Stollenformen ändern, Ausrüstung bewegt wird oder unvorhersehbar Gase aus dem Gestein austreten. Alte Steuerungsschemata behandeln das System oft als ein Set isolierter Punkte und stützen sich stark auf menschliche Erfahrung. Sie haben Schwierigkeiten, wenn sich die Netzwerktopologie ändert oder Gaswerte unerwartet ansteigen, und erreichen selten die beste Balance zwischen Sicherheit und Energieverbrauch.

Tunnel in eine digitale Karte verwandeln

Die Autoren gehen dieses Problem an, indem sie das gesamte Belüftungssystem zuerst in eine mathematische Karte, einen Graphen, überführen. In dieser Karte stehen Knoten für Kreuzungen, Ventilatoren und Arbeitsbereiche, während Kanten Stollen mit Eigenschaften wie Länge, Querschnitt und Strömungswiderstand repräsentieren. Sensormessungen – Luftdruck, Gaskonzentration, Temperatur und Feuchte – werden an Knoten und Kanten angehängt. Ein spezialisertes neuronales Netz, das für Graphen entwickelt wurde, durchscannt dann diese Struktur und lernt, wie Bedingungen an einer Stelle des Bergwerks den Rest beeinflussen. Durch eine mehrstufige Darstellung kann das System sowohl lokale Details in der Nähe einer Abbaustelle als auch globale Muster im gesamten Bergwerk gleichzeitig erfassen.

Der KI das Lenken der Luft beibringen

Auf dieser graphbasierten Sicht aufbauend entwickeln die Forschenden einen Reinforcement‑Learning‑Agenten – Software, die durch Versuch und Irrtum lernt. Der Agent experimentiert zunächst in einem hochrealistischen Simulator mit verschiedenen Einstellungen für Lüfterdrehzahlen und Klappenstellungen. Für jede Aktionsfolge erhält er eine Belohnung, die drei Ziele widerspiegelt: Gaskonzentrationen sicher niedrig halten, angenehme Luftbedingungen gewährleisten und den Stromverbrauch minimieren. Ein verbessertes "Actor‑Critic"‑Design zusammen mit einem intelligenten Speicher, der besonders aussagekräftige Erfahrungen wieder abspielt, hilft dem System, verlässliche Steuerungsstrategien zu erlernen, ohne Sicherheitsgrenzen zu überschreiten. Im Laufe der Zeit entdeckt die KI Muster, die menschlichen Bedienern schwer fallen würden zu erkennen, etwa wie eine kleine Änderung an einem entfernten Regler einen Gas‑Hotspot anderswo entlasten kann.

Vom Computermodell zur arbeitenden Grube

Um zu prüfen, ob dieser Ansatz in der Praxis funktioniert, testete das Team ihn anhand von Daten aus einem tiefen Kohlebergwerk in China mit mehr als 150 überwachten Standorten und über 200 verbundenen Stollen. Nach dem Training in der Simulation wurde das System neben die übergeordnete Steuer‑ und Datenerfassung des Bergwerks implementiert. Es las live Sensordaten im Sekundentakt und schlug Steuerungsmaßnahmen vor, die durch mehrere Sicherheitsprüfungen geschützt waren und jederzeit manuell übersteuert werden konnten. Über Monate des Betriebs verbesserte der intelligente Regler einen zusammengesetzten Leistungsindex um 34,7 % gegenüber herkömmlichen Methoden, senkte den Lüfterenergieverbrauch um 23,7 % und erfüllte die Sicherheitsvorgaben in 98,4 % der Zeit – selbst bei Ereignissen wie Lüfterausfällen und plötzlichen Gasausbrüchen. Visuelle Werkzeuge, die zeigen, auf welche Teile des Netzwerks die KI "ihre Aufmerksamkeit richtet", halfen Ingenieuren, ihre Entscheidungen nachzuvollziehen und ihnen zu vertrauen.

Was das für den Bergbau und darüber hinaus bedeutet

Für Nicht‑Spezialisten ist die Kernbotschaft, dass dieses System die komplexen Luftwege eines Bergwerks in ein lebendes digitales Modell verwandelt, das eine KI lernen kann zu steuern – ähnlich wie ein Autopilot ein Flugzeug stabilisiert. Durch kontinuierliches Feinjustieren von Ventilatoren und Reglern sorgt es für sicherere, sauberere Luft für die Beschäftigten und reduziert zugleich einen beträchtlichen Teil der Stromkosten. Obwohl die Studie sich auf ein Kohlebergwerk konzentriert, lässt sich der zugrundeliegende Ansatz – die Kombination von graphbasierter Lernmethodik mit lernender, auf Versuch und Irrtum basierender Regelung – auf andere weit verzweigte Netzwerke anwenden, etwa den städtischen Verkehr, Stromnetze oder Heiz‑ und Kühlsysteme großer Gebäude. Die Arbeit zeichnet ein Bild einer Zukunft, in der kritische Industriesysteme sich still optimieren, während Menschen das große Ganze überwachen, statt mit tausenden Einzelparametern zu ringen.

Zitation: 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

Schlüsselwörter: Grubenbelüftung, graph neuronale Netze, Deep‑Reinforcement‑Learning, Arbeitssicherheit in der Industrie, Energieeffizienz