Surveillance intelligente et évaluation des performances basées sur les CNN des systèmes de drainage de gaz forage-tuyau-pompe dans les mines de charbon

Pourquoi il est essentiel de maîtriser le gaz en mine

En profondeur, les mines de charbon doivent en permanence évacuer le méthane pour prévenir les explosions et récupérer une ressource énergétique exploitable. Cette tâche est assurée par un réseau de forages, de tuyaux et de pompes qui extraient le gaz de la roche. Mais les fuites, les obstructions et un fonctionnement instable peuvent dégrader discrètement les performances du système bien avant qu’on ne s’en aperçoive. Cette étude montre comment des expériences soigneusement conçues et l’intelligence artificielle moderne peuvent transformer des relevés de capteurs routiniers en un « bilan de santé » automatique du drainage des gaz en mine, contribuant à la sécurité des mineurs tout en améliorant l’utilisation du gaz capté.

Comment le gaz est extrait du banc de charbon

Dans une mine typique, des trous sont forés dans le banc de charbon et reliés à un réseau de tuyaux menant à des pompes à vide puissantes. Ces pompes créent une dépression — essentiellement une force d’aspiration — qui évacue le méthane et l’air de la roche. Le mélange gazeux circule ensuite dans des canalisations en acier vers la surface pour être traité ou utilisé. En théorie, les ingénieurs peuvent suivre la pression, le débit et la concentration en gaz grâce à des capteurs le long des tuyaux et utiliser ces valeurs pour évaluer le bon fonctionnement du système. En pratique, les conditions souterraines difficiles, la corrosion et les réseaux de tuyauterie complexes rendent les données bruyantes et difficiles à interpréter, surtout si l’on dépend uniquement du jugement humain.

Ce qui se passe quand les tuyaux fuient ou se bouchent

Pour comprendre le comportement du système sous contrainte, les chercheurs ont construit des expériences contrôlées qui reproduisent des réseaux de drainage souterrains réels. Ils ont introduit des fuites et des obstructions en des points précis des tuyaux et surveillé comment la pression et le débit variaient le long de la conduite. Quand la conduite principale près des pompes fuyait, l’aspiration chutait fortement alors que le débit mesuré augmentait — signe qu’un grand volume d’air supplémentaire, non utile, était aspiré. Les fuites sur des branches secondaires, en revanche, affectaient à peine la pompe elle‑même mais réduisaient fortement l’aspiration et l’extraction de gaz dans les forages en aval. Les obstructions produisaient leur propre signature : un changement brusque de la vitesse de décroissance de la pression le long du tuyau, suivi d’une récupération partielle. Ces signatures de laboratoire constituent une sorte de bibliothèque d’empreintes pour différents types de défauts.

Transformer des règles d’experts en un score simple

À partir de normes pratiques de l’industrie minière, l’équipe a conçu un système d’évaluation qui agrège plusieurs facteurs en un score de satisfaction unique compris entre zéro et un. Ils ont regroupé les indicateurs en deux thèmes principaux : sécurité et efficacité. La sécurité couvre la distribution de l’air dans la zone de travail et la quantité de gaz encore libérée à proximité des mineurs. L’efficacité reflète la quantité de gaz drainée chaque jour, la force de l’aspiration, la concentration en méthane et la quantité de gaz pur effectivement capturée. En utilisant une méthode de décision structurée, des ingénieurs expérimentés ont attribué l’importance relative de chaque facteur. Le score final est ensuite mappé en cinq niveaux, d’excellent (Grade I) à non qualifié (Grade V), reflétant la façon dont les mines évaluent si le drainage respecte les normes nationales.

Comment un réseau neuronal apprend la « sensation » du système

Plutôt que de demander aux humains d’appliquer ces règles en continu, les auteurs ont entraîné un réseau de neurones convolutionnel (CNN) — un type de modèle d’apprentissage profond — à reconnaître directement la qualité du drainage à partir des données de capteurs. Ils ont découpé les séries temporelles de sept variables surveillées en courtes fenêtres et organisé chaque fenêtre comme une petite matrice, un peu comme une image. Ce format permet au CNN de repérer des motifs subtils dans la manière dont pression, débit et concentration en gaz évoluent conjointement au fil du temps, y compris les empreintes découvertes lors des expériences de fuite. La note attribuée à chaque échantillon de données provenait d’abord de la méthode d’évaluation basée sur les experts et a ensuite servi de signal d’apprentissage pour le CNN. Avec 10 000 échantillons issus de la mine de charbon Xinfa en Chine, l’architecture du réseau et les paramètres d’entraînement ont été ajustés pour concilier précision et coût informatique.

Les performances du système de surveillance intelligent

Dans ses meilleurs réglages, le CNN a correctement classé tous les échantillons évalués comme excellents, bons ou moyens, et presque tous ceux simplement qualifiés. Ses performances les plus faibles concernaient les cas rares et fortement non qualifiés, où il a correctement identifié environ la moitié. Cette faiblesse tient en partie à la rareté de ces états dangereux — les mines font des efforts importants pour les éviter — et en partie au fait que leurs relevés de capteurs peuvent se rapprocher de conditions limites mais acceptables. Malgré cela, le modèle est suffisamment léger pour fonctionner en temps réel sur des ordinateurs standards de mine, en utilisant les mêmes capteurs de pression, de débit et de gaz déjà installés dans la plupart des sites. Les auteurs soutiennent qu’un réentraînement avec des données d’autres mines pourrait étendre largement l’approche, tandis que des techniques supplémentaires pour gérer les événements rares pourraient améliorer la détection des défauts les plus graves.

Ce que cela signifie pour une exploitation minière plus sûre et plus propre

En combinant expériences physiques, savoir‑faire d’experts et apprentissage profond, ce travail transforme un réseau complexe de drainage de gaz en un système capable d’évaluer en grande partie sa propre performance. L’approche offre aux exploitants miniers une évaluation continue et automatisée de l’état de leurs systèmes forage–tuyau–pompe, signalant des dégradations subtiles avant qu’elles ne deviennent des dangers. Cela peut réduire le risque d’accidents liés au gaz, soutenir une production de charbon plus stable et augmenter la part du méthane capturée comme combustible utile au lieu d’être rejetée dans l’atmosphère. En bref, une surveillance plus intelligente du gaz souterrain protège non seulement les mineurs, mais contribue aussi à rendre l’exploitation du charbon plus propre et plus efficace.

Citation: 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

Mots-clés: sûreté des mines de charbon, drainage de gaz, fuite de canalisation, surveillance par apprentissage profond, extraction de méthane