Intelligente Überwachung und CNN-basierte Leistungsbewertung von Bohrloch-Leitungs-Pumpen-Gasabsaugsystemen in Kohlebergwerken

Warum die Kontrolle von Grubengas wichtig ist

Tief unter der Erde müssen Kohlebergwerke ständig Methangas abführen, um Explosionen zu verhindern und gleichzeitig eine nutzbare Energiequelle zu erschließen. Diese Aufgabe übernimmt ein Netz aus Bohrlöchern, Rohrleitungen und Pumpen, das Gas aus dem Gestein absaugt. Lecks, Verstopfungen und instabiler Betrieb können jedoch die Leistung des Systems lange Zeit unbemerkt beeinträchtigen. Diese Studie zeigt, wie sorgfältig gestaltete Experimente und moderne künstliche Intelligenz routinemäßige Sensordaten in einen automatischen „Gesundheitscheck“ für die Gasabsaugung verwandeln können, um Bergleute zu schützen und die Nutzung des abgeschöpften Gases zu verbessern.

Wie Gas aus der Kohleflöz gezogen wird

In einem typischen Bergwerk werden Löcher in das Flöz gebohrt und an ein Rohrleitungsnetz angeschlossen, das zu leistungsstarken Vakuumpumpen führt. Diese Pumpen erzeugen Unterdruck – im Grunde eine Sogwirkung –, die Methan und Luft aus dem Gestein zieht. Das Gasgemisch gelangt anschließend durch Stahlleitungen an die Oberfläche zur Aufbereitung oder Nutzung. Theoretisch können Ingenieure Druck, Volumenstrom und Gaskonzentration mit Sensoren entlang der Leitungen überwachen und diese Werte zur Beurteilung der Systemfunktion heranziehen. In der Praxis machen jedoch die rauen unterirdischen Bedingungen, Korrosion und komplizierte Rohrlayouts die Daten laut und schwer interpretierbar, insbesondere wenn man sich allein auf menschliches Urteil verlässt.

Was passiert, wenn Rohre lecken oder verstopfen

Um zu verstehen, wie sich das System unter Stress verhält, bauten die Forscher kontrollierte Experimente nach, die reale unterirdische Ableitungsnetze nachahmen. Sie führten Lecks und Verstopfungen an definierten Stellen in den Rohrleitungen ein und beobachteten, wie sich Druck und Durchfluss entlang der Leitung änderten. Wenn die Hauptleitung in Pumpennähe leckte, brach der Sog stark ein, während der gemessene Durchfluss anstieg – ein Hinweis darauf, dass viel zusätzliche Luft, nicht nutzbares Methan, eingesogen wurde. Lecks in Nebenzweigen hingegen wirkten sich kaum auf die Pumpe selbst aus, reduzierten aber deutlich den Sog und die Gasförderung in weiter stromabwärts liegenden Bohrlöchern. Verstopfungen erzeugten ein eigenes deutliches Muster: einen plötzlichen Wechsel in der Abfallrate des Drucks entlang der Leitung, gefolgt von einer teilweisen Erholung. Diese Labor‑Signaturen bilden eine Art Fingerabdruckbibliothek für verschiedene Fehlertypen.

Expertenregeln in eine einfache Kennzahl überführen

Aufbauend auf praktischen Bergbaunormen entwarf das Team ein Bewertungssystem, das viele Faktoren in einen einzigen Zufriedenheitswert zwischen null und eins integriert. Die Indikatoren wurden in zwei Hauptthemen gegliedert: Sicherheit und Wirksamkeit. Die Sicherheit umfasst, wie die Luft im Arbeitsbereich verteilt ist und wie viel Gas noch in der Nähe der Bergleute freigesetzt wird. Die Wirksamkeit spiegelt wider, wie viel Gas täglich abgesaugt wird, wie stark der Sog ist, wie konzentriert das Methan ist und wie viel reines Gas tatsächlich gewonnen wird. Mit einer strukturierten Entscheidungs­methode ordneten erfahrene Ingenieure den Faktoren jeweils eine relative Bedeutung zu. Der Endwert wird dann in fünf Klassen übersetzt, von ausgezeichnet (Klasse I) bis nicht qualifiziert (Klasse V), entsprechend der Praxis, mit der Bergwerke prüfen, ob die Ableitung den nationalen Standards entspricht.

Wie ein neuronales Netz das System „fühlen“ lernt

Anstatt Menschen diese Regeln ständig anwenden zu lassen, trainierten die Autoren ein Convolutional Neural Network (CNN) – eine Form von Deep‑Learning‑Modell –, das die Ableitungsqualität direkt aus Sensordaten erkennt. Sie schnitten Zeitreihen von sieben überwachten Variablen in kurze Fenster und ordneten jedes Fenster als kleine Matrix an, ähnlich einem Bild. Dieses Format ermöglicht es dem CNN, subtile Muster in der gemeinsamen zeitlichen Veränderung von Druck, Durchfluss und Gaskonzentration zu erkennen, einschließlich der in den Leckageexperimenten entdeckten Fingerabdrücke. Die Bewertung jeder Datenprobe wurde zuerst mit der expertenbasierten Methode ermittelt und dann als Lehrsignal für das CNN verwendet. Mit 10.000 Proben aus dem Xinfa‑Kohlenbergwerk in China wurden Netzwerkarchitektur und Trainingsparameter so abgestimmt, dass Genauigkeit und Rechenaufwand ausgewogen sind.

Wie gut die intelligente Überwachung arbeitet

Unter optimalen Einstellungen klassifizierte das CNN korrekt alle Proben, die als ausgezeichnet, gut oder mittel eingestuft wurden, und nahezu alle, die lediglich qualifiziert waren. Die schwächste Leistung zeigte es bei den seltenen, stark nicht qualifizierten Fällen, von denen es etwa die Hälfte richtig erkannte. Diese Schwäche rührt zum Teil von der Seltenheit solcher gefährlicher Zustände her – Bergwerke vermeiden sie nach Kräften – und zum Teil daher, dass deren Sensorausgaben mit grenzwertigen, aber noch akzeptablen Zuständen überlappen können. Das Modell ist dennoch leichtgewichtig genug, um in Echtzeit auf Standardrechnern in Bergwerken zu laufen und die gleichen Druck-, Durchfluss- und Gassensoren zu nutzen, die bereits in den meisten Betrieben installiert sind. Die Autoren argumentieren, dass eine Nachtrainierung mit Daten aus anderen Bergwerken die Methode breit anwendbar machen könnte, während zusätzliche Techniken zum Umgang mit seltenen Ereignissen die Erkennung der schwerwiegendsten Fehler verbessern könnten.

Was das für sichereren und saubereren Bergbau bedeutet

Durch die Kombination physikalischer Experimente, Expertenwissen und Deep Learning verwandelt diese Arbeit ein komplexes Gasabsaugnetz in ein System, das seine Leistungsfähigkeit weitgehend selbst beurteilen kann. Der Ansatz bietet Bergwerksbetreibern eine kontinuierliche, automatisierte Bewertung der Funktionsweise ihrer Bohrloch‑Rohr‑Pumpen‑Systeme und signalisiert subtile Verschlechterungen, bevor sie zu Gefahren werden. Das kann das Risiko von Gasunfällen verringern, eine stabilere Kohleförderung unterstützen und den Anteil des als nützlichen Brennstoff erfassten Methans erhöhen, anstatt es in die Atmosphäre entweichen zu lassen. Kurz: Intelligenteres Monitoring von Untertagegas schützt nicht nur Bergleute, sondern macht den Kohlebergbau auch sauberer und effizienter.

Zitation: 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

Schlüsselwörter: Sicherheit im Bergbau, Gasabsaugung, Leckage in Rohrleitungen, Tiefenlernüberwachung, Methanförderung