Inteligentne podejmowanie decyzji dla systemów wentylacji kopalń oparte na fuzji grafowych sieci neuronowych i głębokiego uczenia ze wzmocnieniem

Mądrzejsze powietrze dla bezpieczniejszych kopalń

Głęboko pod ziemią górnicy polegają na stałym przepływie świeżego powietrza, które rozcieńcza niebezpieczne gazy i reguluje temperaturę. Tradycyjnie inżynierowie ustawiają ogromne wentylatory i przepustnice na podstawie zasad praktycznych i okresowych pomiarów — jest to proces powolny, który może marnować energię lub, w najgorszym wypadku, nie wykryć niebezpiecznego nagromadzenia gazu. W artykule badano, jak nowy rodzaj sztucznej inteligencji może obserwować „oddychanie” kopalni w czasie rzeczywistym i automatycznie dopracowywać przepływ powietrza, poprawiając zarówno bezpieczeństwo, jak i zużycie energii.

Dlaczego sterowanie przepływem powietrza w kopalni jest trudne

Nowoczesne kopalnie węgla przypominają podziemne miasta, z dziesiątkami szybów, skrzyżowań i ścian roboczych połączonych w splątany układ. Powietrze wtłaczane przez gigantyczne wentylatory musi przemierzyć to labirynt, dzieląc się i łącząc w miarę napotykania zmieniających się przekrojów tuneli, poruszających się maszyn oraz nieprzewidywalnych emisji gazów ze skał. Tradycyjne schematy sterowania traktują system jako zestaw odizolowanych punktów i opierają się w dużej mierze na doświadczeniu ludzi. Mają trudności, gdy zmienia się układ sieci lub gdy poziomy gazów gwałtownie rosną, i rzadko osiągają optymalną równowagę między bezpieczeństwem a zużyciem energii.

Przekształcanie tuneli w cyfrową mapę

Autorzy rozwiązują to wyzwanie, najpierw przekształcając cały system wentylacyjny w matematyczną mapę, czyli graf. W tej mapie węzły oznaczają skrzyżowania, wentylatory i obszary robocze, podczas gdy krawędzie reprezentują tunele z cechami takimi jak długość, przekrój i opór przepływu. Odczyty z czujników — ciśnienie powietrza, stężenie gazów, temperatura i wilgotność — są przypisane do węzłów i krawędzi. Specjalistyczna sieć neuronowa zaprojektowana do pracy z grafami analizuje tę strukturę i uczy się, jak warunki w jednej części kopalni wpływają na resztę. Dzięki wielopoziomowej reprezentacji system widzi zarówno lokalne szczegóły przy ścianie roboczej, jak i globalne wzorce obejmujące całą kopalnię jednocześnie.

Nauka sterowania powietrzem przez AI

Na bazie tej grafowej reprezentacji badacze zbudowali agenta uczenia ze wzmocnieniem — oprogramowanie, które uczy się przez próby i błędy. Agent eksperymentuje, najpierw w wysokowiernościowym symulatorze, z różnymi ustawieniami prędkości wentylatorów i otwarć przepustnic. Za każde zestawienie działań otrzymuje nagrodę odzwierciedlającą trzy cele: utrzymanie bezpiecznie niskich poziomów gazów, zapewnienie komfortowych warunków powietrza oraz minimalizację zużycia energii elektrycznej. Udoskonalona architektura typu „aktor‑krytyk”, wraz z inteligentną pamięcią odtwarzającą najbardziej informatywne doświadczenia, pomaga systemowi wypracować niezawodne polityki sterowania bez przekraczania limitów bezpieczeństwa. Z czasem AI odkrywa wzorce, które byłyby trudne do zauważenia dla operatorów — na przykład jak mała zmiana w odległym regulatorze może złagodzić koncentrację gazu w innym miejscu.

Od modelu komputerowego do działającej kopalni

Aby sprawdzić skuteczność podejścia w praktyce, zespół przetestował je na danych z głębokiej kopalni węgla w Chinach z ponad 150 monitorowanymi lokalizacjami i ponad 200 połączonymi tunelami. Po szkoleniu w symulacji system wdrożono obok nadzorczych systemów kontroli i zbierania danych kopalni. Odczytywał on dane z czujników na żywo co kilka sekund i proponował działania sterujące, zabezpieczone wieloma kontrolami bezpieczeństwa oraz możliwością natychmiastowego ręcznego przejęcia. W ciągu kilku miesięcy działania inteligentny sterownik poprawił złożony wskaźnik wydajności o 34,7% w porównaniu z konwencjonalnymi metodami, zmniejszył zużycie energii przez wentylatory o 23,7% i utrzymywał zgodność z zasadami bezpieczeństwa w 98,4% przypadków — nawet podczas zdarzeń takich jak awarie wentylatorów czy nagłe wybuchy gazu. Narzędzia wizualne pokazujące, na które części sieci AI „zwraca uwagę”, pomogły inżynierom zrozumieć i zaufać podejmowanym decyzjom.

Co to oznacza dla górnictwa i nie tylko

Dla osób niebędących specjalistami kluczowy wniosek jest taki, że system przekształca złożone drogi powietrzne kopalni w żywy model cyfrowy, którym AI może się nauczyć zarządzać, podobnie jak autopilot stabilizuje samolot. Poprzez ciągłe korygowanie ustawień wentylatorów i regulatorów utrzymuje bezpieczniejsze, czystsze powietrze dla pracowników, jednocześnie redukując znaczną część rachunków za energię. Choć badanie koncentruje się na jednej kopalni węgla, bazowe podejście — łączenie uczenia opartego na grafach z kontrolą przez próbę i błąd — może być zastosowane do innych rozległych sieci, takich jak ruch miejski, sieci energetyczne czy systemy ogrzewania i chłodzenia w dużych budynkach. Praca sugeruje przyszłość, w której krytyczne systemy przemysłowe cicho się optymalizują, a ludzie nadzorują całość zamiast walczyć z tysiącami pojedynczych ustawień.

Cytowanie: 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

Słowa kluczowe: wentylacja kopalni, grafowe sieci neuronowe, głębokie uczenie ze wzmocnieniem, bezpieczeństwo przemysłowe, efektywność energetyczna