Intelligente bewaking en CNN-gebaseerde prestatie-evaluatie van boorgat-leiding-pomp gasafzuigsystemen in steenkoolmijnen

Waarom het belangrijk is om het mijngas onder controle te houden

Diep onder de grond moeten steenkoolmijnen continu methaangas verwijderen om explosies te voorkomen en om een nuttige energiebron te vangen. Dat gebeurt via een netwerk van boorgaten, leidingen en pompen die gas uit het gesteente zuigen. Maar lekkages, verstoppingen en onstabiele werking kunnen de prestaties van het systeem geruisloos aantasten lang voordat iemand het opmerkt. Deze studie laat zien hoe zorgvuldig ontworpen experimenten en moderne kunstmatige intelligentie routinematige sensorgegevens kunnen omzetten in een automatische "gezondheidscheck" voor de gasafzuiging van de mijn, wat helpt mijnwerkers te beschermen en het gewonnen gas beter te benutten.

Hoe gas uit de kolenzijde wordt gezogen

In een typische mijn worden gaten in de kolenzijde geboord en aangesloten op een netwerk van leidingen die naar krachtige vacuümpompen leiden. Deze pompen creëren onderdruk—eigenlijk een zuigkracht—die methaan en lucht uit het gesteente trekt. Het gasmengsel reist vervolgens door stalen pijpleidingen naar de oppervlakte voor behandeling of gebruik. In theorie kunnen ingenieurs druk, debiet en gasconcentratie volgen met sensoren langs de leidingen en die waarden gebruiken om te beoordelen of het systeem goed werkt. In de praktijk maken de harde ondergrondse omstandigheden, corrosie en ingewikkelde leidinglay-outs de data lawaaierig en moeilijk te interpreteren, vooral wanneer alleen op menselijke beoordeling wordt vertrouwd.

Wat er misgaat bij lekkende of verstopte leidingen

Om te begrijpen hoe het systeem zich onder stress gedraagt, bouwden de onderzoekers gecontroleerde experimenten die echte ondergrondse afzuignetwerken nabootsen. Ze brachten op specifieke punten in de leidingen lekkages en verstoppingen aan en observeerden hoe druk en debiet langs de lijn veranderden. Wanneer de hoofdleiding bij de pompen lekte, daalde de zuigkracht scherp terwijl het gemeten debiet steeg—een teken dat veel extra lucht, niet nuttig methaan, werd aangetrokken. Lekkages in zijtakken beïnvloedden de pomp zelf nauwelijks, maar verminderden sterk de zuigkracht en gasafvoer in de boorgaten stroomafwaarts. Verstoppingen gaven hun eigen karakteristieke patroon: een plotselinge wijziging in de snelheid waarmee de druk langs de leiding daalde, gevolgd door gedeeltelijk herstel. Deze laboratoriumsignaturen vormen een soort vingerafdrukbibliotheek voor verschillende fouttypen.

Expertregels omzetten in een eenvoudige score

Voortbouwend op praktische mijnnormen ontwierp het team een evaluatiesysteem dat veel factoren samenvat in één tevredenheidsscore tussen nul en één. Ze groepeerden de indicatoren in twee hoofdthema's: veiligheid en doeltreffendheid. Veiligheid betreft hoe lucht in de werkruimte wordt verdeeld en hoeveel gas nog in de buurt van mijnwerkers vrijkomt. Doeltreffendheid weerspiegelt hoeveel gas er dagelijks wordt afgevoerd, hoe sterk de zuigkracht is, hoe geconcentreerd het methaan is en hoeveel puur gas daadwerkelijk wordt opgevangen. Met een gestructureerde beslismethode gaven ervaren ingenieurs relatieve gewichten aan elk onderdeel. De uiteindelijke score wordt vervolgens in vijf klassen ingedeeld, van uitstekend (klasse I) tot niet-goedgekeurd (klasse V), in overeenstemming met hoe echte mijnen beoordelen of de afzuiging aan nationale normen voldoet.

Hoe een neuraal netwerk het "gevoel" van het systeem leert

In plaats van mensen voortdurend die regels te laten toepassen, trainden de auteurs een convolutioneel neuraal netwerk (CNN)—een type deep-learningmodel—om de kwaliteit van de afzuiging direct uit sensorgegevens te herkennen. Ze sneden tijdreeksen van zeven gemonitorde variabelen in korte vensters en rangschikten elk venster als een kleine matrix, vergelijkbaar met een afbeelding. Dit formaat stelt het CNN in staat subtiele patronen te herkennen in hoe druk, debiet en gasconcentratie gelijktijdig in de tijd veranderen, inclusief de vingerafdrukken die in de lekkage-experimenten werden ontdekt. De beoordeling voor elk gegevensmonster werd eerst verkregen met de expert-gebaseerde schaal en vervolgens gebruikt als leersignaal voor het CNN. Met 10.000 monsters uit de Xinfa-steenkoolmijn in China werden netwerkarchitectuur en trainingsinstellingen afgestemd om nauwkeurigheid en rekenkosten in balans te brengen.

Hoe goed de intelligente monitor presteert

Onder optimale instellingen classificeerde het CNN correct alle monsters die als uitstekend, goed of gemiddeld waren beoordeeld, en vrijwel alle die slechts gekwalificeerd waren. De zwakste prestatie deed zich voor bij de zeldzame, ernstig niet-gekwalificeerde gevallen, waarbij het model ongeveer de helft correct identificeerde. Dit tekort komt deels door het gebrek aan zulke gevaarlijke toestanden—mijnen doen er veel aan om ze te vermijden—en deels doordat hun sensorlezingen kunnen overlappen met randgevallen die nog acceptabel zijn. Desalniettemin is het model lichtgewicht genoeg om in realtime te draaien op standaard mijncomputers, gebruikmakend van dezelfde druk-, debiet- en gassensoren die al in de meeste bedrijven zijn geïnstalleerd. De auteurs stellen dat bijscholing met data van andere mijnen de aanpak breed toepasbaar kan maken, terwijl aanvullende technieken voor het omgaan met zeldzame gebeurtenissen de detectie van de ernstigste fouten kunnen verbeteren.

Wat dit betekent voor veiliger en schoner mijnbouwen

Door fysieke experimenten, deskundige kennis en deep learning te combineren, verandert dit werk een complex gasafzuignetwerk in een systeem dat grotendeels zijn eigen prestaties kan beoordelen. De aanpak biedt mijnexploitanten een continue, geautomatiseerde beoordeling van hoe goed hun boorgat–leiding–pomp-systemen functioneren, en signaleert subtiele achteruitgang voordat die tot gevaar leidt. Dat kan het risico op gasincidenten verminderen, stabielere kolenproductie ondersteunen en het aandeel methaan vergroten dat als nuttige brandstof wordt opgevangen in plaats van naar de atmosfeer te worden geblazen. Kort gezegd: slimmer monitoren van ondergronds gas beschermt niet alleen mijnwerkers, maar helpt ook om kolenmijnbouw schoner en efficiënter te maken.

Bronvermelding: 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

Trefwoorden: veiligheid in steenkoolmijnen, gasafzuiging, leidinglekkage, monitoring met deep learning, methaanwinning