Prise de décision intelligente pour les systèmes de ventilation de mines fondée sur la fusion de réseaux de neurones graphiques et d'apprentissage par renforcement profond

Un air plus intelligent pour des mines plus sûres

En profondeur, les mineurs dépendent d’un flux constant d’air frais pour diluer les gaz dangereux et réguler la température. Traditionnellement, les ingénieurs règlent d’énormes ventilateurs et conduits en s’appuyant sur des règles empiriques et des mesures périodiques — un processus lent qui peut gaspiller de l’énergie ou, dans le pire des cas, ne pas détecter une accumulation dangereuse de gaz. Cet article explore comment une nouvelle forme d’intelligence artificielle peut surveiller la « respiration » de la mine en temps réel et ajuster automatiquement le flux d’air, améliorant à la fois la sécurité et l’utilisation de l’énergie.

Pourquoi il est difficile de contrôler l’aération des mines

Les mines de charbon modernes ressemblent à des villes souterraines, avec des dizaines de galeries, d’intersections et de chantiers reliés en un réseau tortueux. L’air poussé par de grands ventilateurs doit traverser ce labyrinthe, se scindant et se rejoignant selon les variations de la géométrie des galeries, le déplacement d’engins et les émissions de gaz imprévisibles provenant de la roche. Les dispositifs de contrôle traditionnels traitent le système comme un ensemble de points isolés et reposent largement sur l’expérience humaine. Ils peinent à suivre lorsque la configuration du réseau change ou que les niveaux de gaz augmentent soudainement, et ils atteignent rarement le meilleur compromis entre sécurité et consommation d’énergie.

Transformer les galeries en carte numérique

Les auteurs abordent ce défi en transformant d’abord l’ensemble du système de ventilation en une carte mathématique, ou graphe. Dans cette carte, les nœuds représentent les jonctions, les ventilateurs et les zones de travail, tandis que les liens correspondent aux galeries avec des propriétés telles que la longueur, la section transversale et la résistance à l’écoulement d’air. Les lectures des capteurs — pression d’air, concentration de gaz, température et humidité — sont attachées aux nœuds et aux liens. Un réseau neuronal spécialisé pour les graphes analyse ensuite cette structure et apprend comment les conditions dans une partie de la mine influencent le reste. En utilisant une représentation multi‑niveaux, le système peut voir à la fois les détails locaux près d’un chantier et les motifs globaux à l’échelle de toute la mine.

Apprendre à une IA à orienter l’air

Par-dessus cette vue basée sur le graphe, les chercheurs construisent un agent d’apprentissage par renforcement — un logiciel qui apprend par essai‑erreur. L’agent expérimente, d’abord dans un simulateur haute fidélité, différents réglages de vitesses de ventilateurs et d’ouvertures de bouches. Pour chaque série d’actions, il reçoit une récompense qui reflète trois objectifs : maintenir des niveaux de gaz sûrs, fournir des conditions d’air confortables et minimiser la consommation électrique. Une architecture « acteur‑critique » améliorée, associée à une mémoire intelligente qui rejoue les expériences les plus informatives, aide le système à apprendre des politiques de contrôle fiables sans franchir les limites de sécurité. Au fil du temps, l’IA découvre des motifs que les opérateurs humains auraient du mal à percevoir, par exemple comment un petit réglage sur un régulateur lointain peut soulager un point chaud de gaz ailleurs.

Du modèle informatique à la mine opérationnelle

Pour vérifier si cette approche fonctionne dans le monde réel, l’équipe l’a testée sur des données d’une mine de charbon profonde en Chine comportant plus de 150 emplacements surveillés et plus de 200 galeries connectées. Après un entraînement en simulation, le système a été déployé en parallèle des systèmes de supervision et de contrôle de la mine. Il lisait les données des capteurs en direct toutes les quelques secondes et proposait des actions de contrôle, protégées par plusieurs vérifications de sécurité et une commutation manuelle instantanée. Sur plusieurs mois d’exploitation, le contrôleur intelligent a amélioré un score de performance composite de 34,7 % par rapport aux méthodes conventionnelles, réduit la consommation énergétique des ventilateurs de 23,7 % et a respecté les règles de sécurité 98,4 % du temps — même lors d’événements tels que des pannes de ventilateurs et des émissions soudaines de gaz. Des outils visuels montrant quelles parties du réseau l’IA « surveille » ont aidé les ingénieurs à comprendre et à faire confiance à ses choix.

Ce que cela signifie pour l’exploitation minière et au-delà

Pour les non‑spécialistes, le message clé est que ce système transforme les voies d’air complexes d’une mine en un modèle numérique vivant que l’IA peut apprendre à gérer, un peu comme un pilote automatique stabilise un avion. En ajustant en continu les ventilateurs et régulateurs, il maintient un air plus sûr et plus propre pour les travailleurs tout en réduisant une part substantielle de la facture énergétique. Bien que l’étude se concentre sur une mine de charbon, l’approche sous‑jacente — combiner un apprentissage fondé sur les graphes et un contrôle par essai‑erreur — pourrait s’appliquer à d’autres réseaux étendus tels que la circulation urbaine, les réseaux électriques ou la climatisation de grands bâtiments. Ce travail suggère un avenir où des systèmes industriels critiques s’optimisent discrètement, les humains supervisant la vue d’ensemble plutôt que de manipuler des milliers de réglages individuels.

Citation: 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

Mots-clés: ventilation de mine, réseaux de neurones graphiques, apprentissage par renforcement profond, sûreté industrielle, efficacité énergétique