Intelligent besluitvorming voor mijnventilatiesystemen op basis van fusie van grafische neurale netwerken en diepe versterkingsleer

Slimmere lucht voor veiligere mijnen

Diep onder de grond zijn mijnwerkers afhankelijk van een constante stroom verse lucht om gevaarlijke gassen te verdunnen en de temperatuur te beheersen. Traditioneel passen ingenieurs enorme ventilatoren en kleppen aan op basis van vuistregels en periodieke metingen — een traag proces dat energie kan verspillen of, in het ergste geval, een gevaarlijke gasophoping kan missen. Dit artikel onderzoekt hoe een nieuw type kunstmatige intelligentie de “ademhaling” van de mijn in realtime kan volgen en automatisch de luchtstroom kan bijsturen, waardoor zowel de veiligheid als het energieverbruik verbeteren.

Waarom het regelen van luchtstroom in mijnen moeilijk is

Moderne kolenmijnen lijken op ondergrondse steden, met tientallen tunnels, kruisingen en werkplaatsen die in een verward netwerk verbonden zijn. Lucht die door gigantische ventilatoren wordt ingeblazen, moet door dit doolhof navigeren, zich splitsen en weer samenkomen wanneer ze veranderende tunnelvormen, verplaatsende uitrusting en onvoorspelbare gasemissies uit het gesteente tegenkomt. Oudere regelsystemen beschouwen het systeem als een verzameling geïsoleerde punten en vertrouwen sterk op menselijke ervaring. Ze hebben moeite bij veranderingen in het netwerklay-out of bij plotselinge gaspieken, en zelden bereiken ze de beste balans tussen veiligheid en energieverbruik.

Tunnels omzetten in een digitaal kaartbeeld

De auteurs pakken deze uitdaging aan door eerst het hele ventilatiesysteem om te zetten in een wiskundige kaart, of graaf. In deze kaart staan knooppunten voor kruisingen, ventilatoren en werkzones, terwijl verbindingen tunnels vertegenwoordigen met eigenschappen zoals lengte, dwarsdoorsnede en luchtweerstand. Sensorlezingen — luchtdruk, gasconcentratie, temperatuur en vochtigheid — worden aan de knooppunten en verbindingen gekoppeld. Een gespecialiseerde neurale netwerkarchitectuur voor grafen scant vervolgens deze structuur en leert hoe omstandigheden in één deel van de mijn de rest beïnvloeden. Door gebruik te maken van een meerlagenrepresentatie kan het systeem zowel lokale details nabij een werkplaats als globale patronen over de hele mijn tegelijk zien.

Een AI leren de lucht te sturen

Bovenop dit graafgebaseerde beeld bouwen de onderzoekers een reinforcement learning-agent — software die leert door proef en fout. De agent experimenteert, aanvankelijk in een zeer gedetailleerde simulator, met verschillende instellingen voor ventilatorsnelheden en klepopeningen. Voor elke reeks acties ontvangt hij een beloning die drie doelen weerspiegelt: het veilig laag houden van gaskoncentraties, het leveren van comfortabele luchtcondities en het minimaliseren van elektriciteitsgebruik. Een verbeterd "actor-critic"-ontwerp, samen met een slimme geheugenfunctie die de meest informatieve ervaringen her afspeelt, helpt het systeem betrouwbare regels te leren zonder veiligheidsgrenzen te overschrijden. Na verloop van tijd ontdekt de AI patronen die menselijke operators moeilijk zouden zien, zoals hoe een kleine aanpassing in een verre regelaar een gashotspot elders kan verlichten.

Van computermodel naar werkende mijn

Om te testen of deze aanpak in de praktijk werkt, voerde het team proeven uit met gegevens van een diepe kolenmijn in China met meer dan 150 bewaakte locaties en meer dan 200 verbonden tunnels. Na training in de simulatie werd het systeem naast het toezichts- en besturingssysteem van de mijn ingezet. Het las elke paar seconden live sensorgegevens en stelde stuuracties voor, afgeschermd door meerdere veiligheidscontroles en een onmiddellijke handmatige override. Gedurende maandenlange werking verbeterde de intelligente controller een samengestelde prestatie-score met 34,7% vergeleken met conventionele methoden, verlaagde het energieverbruik van ventilatoren met 23,7% en hield het zich 98,4% van de tijd aan veiligheidsregels — zelfs tijdens gebeurtenissen zoals ventilatorstoringen en plotselinge gasuitbarstingen. Visuele hulpmiddelen die laten zien welke delen van het netwerk de AI "in de gaten houdt" hielpen ingenieurs de keuzes te begrijpen en erop te vertrouwen.

Wat dit betekent voor mijnbouw en daarbuiten

Voor niet-specialisten is de kernboodschap dat dit systeem de complexe luchtwegen van een mijn omzet in een levend digitaal model dat een AI kan leren beheren, vergelijkbaar met hoe een automatische piloot een vliegtuig stabiliseert. Door ventilatoren en regelaars continu bij te sturen, handhaaft het veiligere, schonere lucht voor medewerkers terwijl het een aanzienlijk deel van de energierekening bespaart. Hoewel de studie zich richt op één kolenmijn, kan de onderliggende aanpak — het combineren van graafgebaseerd leren met proef-en-foutbesturing — worden toegepast op andere uitgestrekte netwerken zoals stadsverkeer, elektriciteitsnetten of verwarming en koeling in grote gebouwen. Het werk suggereert een toekomst waarin kritieke industriële systemen zichzelf stilletjes optimaliseren, met mensen die het grotere geheel superviseren in plaats van te worstelen met duizenden afzonderlijke instellingen.

Bronvermelding: 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

Trefwoorden: mijnventilatie, grafische neurale netwerken, diepe versterkingsleer, industriële veiligheid, energie-efficiëntie