Интеллектуальное принятие решений для систем вентиляции шахт на основе слияния графовых нейронных сетей и глубокого обучения с подкреплением

Умный воздух для более безопасных шахт

Глубоко под землёй шахтёры зависят от непрерывного потока свежего воздуха, который разбавляет опасные газы и контролирует температуру. Традиционно инженеры регулируют мощные вентиляторы и заслонки по эмпирическим правилам и по периодическим измерениям — медленно и не всегда эффективно: такая практика может приводить к избыточному расходу энергии или, в худшем случае, не заметить опасное накопление газа. В статье изучается, как новый класс искусственного интеллекта может в реальном времени «наблюдать» за «дыханием» шахты и автоматически тонко настраивать воздухообмен, повышая и безопасность, и энергетическую эффективность.

Почему управление воздушными потоками в шахте сложно

Современные угольные шахты похожи на подземные города: десятки ходов, развилок и рабочие забои соединены в запутанную сеть. Воздух, нагнетаемый гигантскими вентиляторами, должен пробираться по этому лабиринту, разделяясь и вновь сливаясь при изменении сечений тоннелей, движении техники и непредсказуемых выбросах газа из породы. Традиционные схемы управления рассматривают систему как набор изолированных точек и сильно полагаются на опыт людей. Они с трудом справляются при изменении конфигурации сети или при резком повышении концентрации газа и редко достигают оптимального баланса между безопасностью и энергопотреблением.

Преобразование тоннелей в цифровую карту

Авторы решают эту задачу, сначала представив всю систему вентиляции в виде математической карты — графа. В этой карте узлы соответствуют развилкам, вентиляторам и рабочим зонам, а рёбра отражают тоннели с характеристиками, такими как длина, поперечное сечение и сопротивление потоку воздуха. Данные с датчиков — давление воздуха, концентрация газа, температура и влажность — привязаны к узлам и рёбрам. Специализированная нейронная сеть для работы с графами затем просматривает эту структуру и изучает, как условия в одной части шахты влияют на остальные. Используя многослойное представление, система одновременно видит локальные детали около рабочего забоя и глобальные закономерности по всей шахте.

Обучение ИИ управлять потоком воздуха

Поверх этого графового представления исследователи строят агента обучения с подкреплением — программу, которая учится методом проб и ошибок. Агент сначала экспериментирует в высокоточной симуляции с разными настройками скоростей вентиляторов и положений заслонок. За каждый набор действий он получает вознаграждение, которое отражает три цели: поддержание безопасно низкого уровня газа, создание комфортных воздушных условий и минимизацию расхода электроэнергии. Улучшенная архитектура «actor‑critic» вместе с продуманной памятью, которая повторно проигрывает наиболее информативные эпизоды, помогает системе выучить надёжные стратегии управления, не нарушая предельных правил безопасности. Со временем ИИ обнаруживает закономерности, которые человеку заметить трудно, например как небольшое изменение на удалённом регуляторе может снять очаг повышенной концентрации газа в другом месте.

От компьютерной модели к рабочей шахте

Чтобы проверить работоспособность подхода в реальных условиях, команда испытала его на данных из глубокой угольной шахты в Китае с более чем 150 контролируемыми точками и свыше 200 соединёнными тоннелями. После обучения в симуляции система была развернута параллельно с системой диспетчерского контроля шахты. Она читала живые данные с датчиков каждые несколько секунд и предлагала управляющие действия, защищённые множественными проверками безопасности и мгновенным ручным перебитием. В течение нескольких месяцев работы интеллектуальный контроллер улучшил составной показатель эффективности на 34,7% по сравнению с традиционными методами, сократил энергопотребление вентиляторов на 23,7% и соблюдал правила безопасности в 98,4% случаев — даже при таких инцидентах, как отказ вентиляторов и внезапные выбросы газа. Визуальные инструменты, показывающие участки сети, на которые ИИ «обращает внимание», помогли инженерам понять и доверять его решениям.

Что это значит для горнодобывающей отрасли и не только

Для широкой аудитории главное — эта система превращает сложную сеть воздушных путей шахты в живую цифровую модель, которой ИИ может научиться управлять, подобно тому как автопилот стабилизирует самолёт. Постоянно подстраивая вентиляторы и регуляторы, она поддерживает более безопасный и чистый воздух для работников, одновременно снижая значительную долю счетов за электроэнергию. Хотя исследование сосредоточено на одной угольной шахте, использованный подход — сочетание обучения на графах и контроля методом проб и ошибок — применим и к другим обширным сетям, таким как городские транспортные потоки, энергосети или системы отопления и охлаждения крупных зданий. Работа намечает будущее, в котором критические промышленные системы незаметно оптимизируют себя, а люди контролируют общую картину, вместо того чтобы вручную управлять тысячами отдельных настроек.

Цитирование: 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

Ключевые слова: вентиляция шахт, графовые нейронные сети, глубокое обучение с подкреплением, промышленная безопасность, энергетическая эффективность