Tomada de decisão inteligente para sistemas de ventilação de minas baseada na fusão de redes neurais gráficas e aprendizado profundo por reforço

Ar mais inteligente para minas mais seguras

Nas profundezas, os mineiros dependem de um fluxo constante de ar fresco para diluir gases perigosos e controlar a temperatura. Tradicionalmente, os engenheiros ajustam grandes ventiladores e dutos usando regras práticas e medições periódicas — um processo lento que pode desperdiçar energia ou, no pior cenário, não detectar um acúmulo perigoso de gás. Este artigo explora como um novo tipo de inteligência artificial pode monitorar a "respiração" da mina em tempo real e ajustar automaticamente o fluxo de ar, melhorando tanto a segurança quanto o uso de energia.

Por que o fluxo de ar na mina é difícil de controlar

Minas de carvão modernas assemelham-se a cidades subterrâneas, com dezenas de túneis, interseções e frentes de trabalho conectadas numa rede emaranhada. O ar impulsionado por gigantescos ventiladores precisa navegar nesse labirinto, dividindo-se e reunindo-se ao encontrar mudanças na geometria dos túneis, equipamentos em movimento e emissões imprevisíveis de gás da rocha. Esquemas de controle antigos tratam o sistema como um conjunto de pontos isolados e dependem fortemente da experiência humana. Eles têm dificuldade em acompanhar quando a configuração da rede muda ou quando os níveis de gás disparam inesperadamente, e raramente alcançam o melhor equilíbrio entre segurança e consumo de energia.

Transformando túneis em um mapa digital

Os autores enfrentam esse desafio ao primeiro transformar todo o sistema de ventilação em um mapa matemático, ou grafo. Nesse mapa, os nós representam junções, ventiladores e áreas de trabalho, enquanto os enlaces correspondem a túneis com propriedades como comprimento, seção transversal e resistência ao fluxo de ar. Leituras de sensores — pressão do ar, concentração de gás, temperatura e umidade — são associadas a nós e enlaces. Uma rede neural especializada em grafos então examina essa estrutura e aprende como condições em uma parte da mina influenciam o resto. Ao usar uma representação multinível, o sistema consegue ver tanto detalhes locais próximos a uma frente de trabalho quanto padrões globais em toda a mina ao mesmo tempo.

Ensinando uma IA a conduzir o ar

Sobre essa visão baseada em grafo, os pesquisadores constroem um agente de aprendizado por reforço — um software que aprende por tentativa e erro. O agente experimenta, primeiro em um simulador de alta fidelidade, diferentes configurações de velocidade dos ventiladores e aberturas de reguladores. Para cada conjunto de ações recebe uma recompensa que reflete três objetivos: manter os níveis de gás em patamares seguros, proporcionar condições de ar confortáveis e minimizar o consumo elétrico. Um design aprimorado do tipo "ator-crítico", junto com uma memória inteligente que reproduz as experiências mais informativas, ajuda o sistema a aprender políticas de controle confiáveis sem ultrapassar limites de segurança. Ao longo do tempo, a IA descobre padrões que operadores humanos teriam dificuldade em ver, como o modo pelo qual uma pequena alteração em um regulador distante pode aliviar um ponto crítico de gás em outro local.

Do modelo computacional à mina em operação

Para verificar se essa abordagem funciona no mundo real, a equipe a testou com dados de uma mina de carvão profunda na China com mais de 150 locais monitorados e mais de 200 túneis conectados. Após o treinamento em simulação, o sistema foi implantado em paralelo aos sistemas de supervisão e controle da mina. Ele leu dados de sensores ao vivo a cada poucos segundos e sugeriu ações de controle, protegidas por múltiplas verificações de segurança e por uma ordem de anulação manual instantânea. Ao longo de meses de operação, o controlador inteligente melhorou uma métrica composta de desempenho em 34,7% em comparação com métodos convencionais, reduziu o consumo de energia dos ventiladores em 23,7% e manteve as regras de segurança satisfeitas 98,4% do tempo — mesmo durante eventos como falhas de ventiladores e surtos súbitos de gás. Ferramentas visuais que mostram quais partes da rede a IA está "prestando atenção" ajudaram os engenheiros a entender e confiar em suas escolhas.

O que isso significa para mineração e além

Para não especialistas, a mensagem principal é que este sistema transforma as complexas vias aéreas de uma mina em um modelo digital vivo que uma IA pode aprender a gerenciar, muito parecido com um piloto automático que estabiliza uma aeronave. Ao ajustar continuamente ventiladores e reguladores, mantém-se um ar mais seguro e limpo para os trabalhadores enquanto se reduz uma parcela significativa da conta de energia. Embora o estudo se concentre em uma mina de carvão, a abordagem subjacente — combinando aprendizado baseado em grafos com controle por tentativa e erro — poderia ser aplicada a outras redes extensas, como o tráfego urbano, redes elétricas ou aquecimento e resfriamento em grandes edifícios. O trabalho sugere um futuro no qual sistemas industriais críticos se otimizam silenciosamente, com humanos supervisionando a visão geral em vez de lidar com milhares de configurações individuais.

Citação: 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

Palavras-chave: ventilação de minas, redes neurais gráficas, aprendizado profundo por reforço, segurança industrial, eficiência energética