קבלת החלטות חכמה למערכות אוורור מכרות בהתבסס על מיזוג רשתות עצביות גרפיות ולמידת חיזוק עמוקה

אוויר חכם יותר למכרות בטוחים יותר

עומקים מתחת לאדמה, הכורים תלויים בזרם אוויר טרי קבוע להדילול גזים מסוכנים ולוויסות טמפרטורה. באופן מסורתי מהנדסים מכוונים מאווררים ופתחי אוורור גדולים בהתבסס על כללים אצבע ומדידות תקופתיות — תהליך איטי שיכול לבזבז אנרגיה או, במקרים גרועים, לפספס הצטברות גז מסוכנת. מאמר זה בוחן כיצד סוג חדש של בינה מלאכותית יכול לעקוב בזמן אמת אחרי "נשימת" המכרה ולכוון אוטומטית את זרימת האוויר, לשפר הן את הבטיחות והן את השימוש באנרגיה.

מדוע קשה לשלוט בזרימת האוויר במכרה

מכרות פחם מודרניים דומים לערים תת‑קרקעיות, עם עשרות מנהרות, צמתים וחזיתות עבודה המחוברות ברשת מסובכת. האוויר שנדחף על ידי מאווררים ענקיים צריך לנווט במבוך זה, להתפצל ולהתמזג כשהוא נתקל בשינויים בצורת המנהרה, ציוד בתנועה ופליטות גז בלתי צפויות מהסלע. שיטות בקרה ישנות מתייחסות למערכת כקבוצת נקודות מבודדות ותלויות מאוד בניסיון האנושי. הן מתקשות להתאים כשפריסת הרשת משתנה או כאשר רמות הגז מזנקות באופן בלתי צפוי, ולעתים רחוקות משיגות את האיזון הטוב ביותר בין בטיחות לצריכת חשמל.

הפיכת המנהרות למפה דיגיטלית

המחברים מתמודדים עם האתגר על‑ידי המרת מערכת האוורור כולה למפה מתמטית, או גרף. במפה זו, צמתים מייצגים צמתים, מאווררים ואזורים עבודה, בעוד שלינקים מייצגים מנהרות עם תכונות כגון אורך, חתך והתנגדות לזרימת אוויר. קריאות חיישנים — לחץ אוויר, ריכוז גזים, טמפרטורה ולחות — מוצמדות לצמתים ולקישורים. רשת עצבית מיוחדת המותאמת לגרפים סורקת אז את המבנה הזה ולומדת כיצד תנאים בחלק אחד של המכרה משפיעים על השאר. על‑ידי שימוש בייצוג רב‑רמות, המערכת יכולה לראות גם פרטים מקומיים סמוך לחזית עבודה וגם דפוסים גלובליים ברחבי המכרה כולו בבת אחת.

להכשיר AI לניווט האוויר

על בסיס תצוגת הגרף הזו, החוקרים בונים סוכן למידת חיזוק — תוכנה שלומדת בניסיון וטעייה. הסוכן מתנסה, תחילה בסימולטור בר־דיוק גבוה, בהגדרות שונות של מהירויות מאווררים ופתיחת פתחי אוורור. עבור כל קבוצת פעולות הוא מקבל פרס המשקף שלושה מטרות: שמירה על רמות גז נמוכות בצורה בטוחה, מסירת תנאי אוויר נוחים והפחתת צריכת חשמל. עיצוב "שחקן‑מבקר" משודרג, יחד עם זיכרון חכם שמשמיע מחדש את הניסיונות המעניינים ביותר, עוזר למערכת ללמוד מדיניות בקרה אמינה מבלי לחצות מגבלות בטיחות. עם הזמן, ה‑AI מגלה דפוסים שקשה לאופרטורים אנושיים לראות, כמו כיצד שינוי קטן בווסת מרוחק יכול להקל על מוקד גז במקום אחר.

מהדגם הממוחשב למכרה פעיל

כדי לבדוק האם גישה זו עובדת בעולם האמיתי, הצוות ניסה אותה על נתונים ממכרה פחם עמוק בסין עם יותר מ‑150 מיקומים מנוטרים ולמעלה מ‑200 מנהרות מחוברות. לאחר אימון בסימולציה, המערכת הוטמעה לצד מערכות בקרה ופיקוח של המכרה. היא קראה נתוני חיישנים חיים כל כמה שניות והציעה פעולות בקרה, כשמסביב לה בדיקות בטיחות רבות ואפשרות עקיפה ידנית מיידית. במשך חודשים של פעולה, הבקר החכם שפר את ציון הביצועים הכולל ב‑34.7% בהשוואה לשיטות מקובלות, הקטין את צריכת האנרגיה של המאווררים ב‑23.7% ושמר על עמידה בכללי הבטיחות ב‑98.4% מהמקרים — גם במהלך אירועים כמו כשלי מאווררים והתפרצויות גז פתאומיות. כלי חזותי שמראה לאילו חלקים ברשת ה־AI "שובץ לב" עזר למהנדסים להבין ולהאמין בהחלטותיו.

מה משמעות הדבר למכרות ולתחומים אחרים

לקהל שאינו מומחה, המסר המרכזי הוא שהמערכת הזו הופכת את דרכי האוויר המורכבות של מכרה למודל דיגיטלי חי שהבינה המלאכותית יכולה ללמוד לנהל, בדומה לאופן שבו טייס אוטומטי מייצב מטוס. על‑ידי כוונון תמידי של מאווררים ווסתים, היא שומרת על אוויר בטוח ונקי יותר לעובדים תוך חיסכון משמעותי בחשמל. על אף שהמחקר מתמקד במכרה פחם אחד, הגישה הבסיסית — שילוב לימוד מבוסס גרף עם בקרה בניסיון וטעייה — ניתנת ליישום ברשתות נרחבות אחרות כגון תנועה עירונית, רשתות חשמל או חימום וקירור בבניינים גדולים. העבודה מצביעה על עתיד שבו מערכות תעשייתיות קריטיות ממקסמות את עצמן באופן שקט, בעוד אנשים מפקחים על התמונה הרחבה במקום להיאבק באלפי הגדרות נפרדות.

ציטוט: 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

מילות מפתח: אוורור מכרה, רשתות עצביות גרפיות, למידת חיזוק עמוקה, בטיחות תעשייתית, יעילות אנרגטית