Интеллектуальный мониторинг и оценка работы систем дегазации «скважина-трубопровод-насос» в угольных шахтах на основе сверточных нейронных сетей

Почему важно держать под контролем горный газ

Глубоко под землей в угольных шахтах постоянно удаляют метан, чтобы предотвратить взрывы и одновременно извлечь полезный источник энергии. Эта задача выполняется сетью скважин, труб и насосов, которые высасывают газ из породы. Но утечки, засоры и нестабильная работа могут незаметно снижать эффективность системы задолго до того, как кто‑то это заметит. В этом исследовании показано, как тщательно продуманные эксперименты и современные методы искусственного интеллекта позволяют преобразовать рутинные показания датчиков в автоматическую «диагностику» дегазации шахты — это помогает сохранять безопасность работников и более эффективно использовать извлекаемый газ.

Как газ отводят из угольного пласта

В типичной шахте в угольный пласт бурят скважины, которые подключают к сети трубопроводов, ведущих к мощным вакуумным насосам. Насосы создают разрежение — по сути силу всасывания — которая вытягивает метан и воздух из породы. Смесь затем по стальным трубопроводам поступает на поверхность для очистки или использования. В теории инженеры могут отслеживать давление, расход и концентрацию газа с помощью датчиков вдоль труб и по этим данным судить, работает ли система исправно. На практике суровые подземные условия, коррозия и сложная разводка труб делают данные шумными и трудными для интерпретации, особенно при опоре только на человеческое суждение.

Что происходит при утечках или засорах

Чтобы понять поведение системы в стрессовых ситуациях, исследователи построили контролируемые эксперименты, имитирующие реальные подземные сети дегазации. Они вводили утечки и засоры в определённых точках труб и отслеживали, как меняются давление и расход вдоль линии. Когда основная магистраль рядом с насосами протекала, всасывание резко падало, а измеренный расход рос — признак того, что втягивается большое количество лишнего воздуха, а не полезного метана. Утечки в боковых ответвлениях, напротив, почти не влияли на работу насоса, но существенно снижали разрежение и отвод газа в расположенных ниже по потоку скважинах. Засоры давали собственную характерную картину: резкое изменение скорости падения давления вдоль трубы с последующим частичным восстановлением. Эти лабораторные сигнатуры образуют своего рода библиотеку отпечатков для разных типов неисправностей.

Преобразование экспертных правил в простой показатель

Опираясь на практические шахтные стандарты, команда разработала систему оценки, объединяющую множество факторов в единый индекс удовлетворённости в диапазоне от нуля до единицы. Индикаторы сгруппировали по двум главным темам: безопасность и эффективность. Безопасность отражает распределение воздуха в рабочей зоне и объём газа, остающегося вблизи людей. Эффективность показывает, сколько газа отводится ежедневно, насколько сильное всасывание, какова концентрация метана и какой объём чистого газа фактически захватывается. С помощью структурированного метода принятия решений опытные инженеры присвоили относительную важность каждому фактору. Итоговый балл затем сопоставляется с пятью градациями — от отличного (I класс) до негодного (V класс), в соответствии с практикой оценки соответствия национальным стандартам.

Как нейросеть учится «чувствовать» систему

Вместо того чтобы просить людей постоянно применять эти правила, авторы обучили сверточную нейронную сеть (CNN) — тип модели глубокого обучения — распознавать качество дегазации напрямую по данным датчиков. Они разбили временные ряды семи контролируемых переменных на короткие окна и расположили каждое окно как небольшую матрицу, наподобие изображения. Такой формат позволяет CNN выявлять тонкие закономерности во взаимных изменениях давления, расхода и концентрации газа во времени, включая отпечатки, обнаруженные в экспериментах с утечками. Метку для каждого образца данных сначала получали методом экспертной оценки и использовали как обучающий сигнал для CNN. На наборе из 10 000 образцов из шахты Синьфа в Китае архитектуру сети и параметры обучения настроили, чтобы сбалансировать точность и вычислительную стоимость.

Насколько хорошо работает интеллектуальный мониторинг

При оптимальных настройках CNN правильно классифицировала все образцы, оценённые как отличные, хорошие или средние, и почти все помеченные как удовлетворительные. Худшие результаты наблюдались для редких, явно негодных случаев, где сеть верно определила примерно половину. Эта слабая сторона объясняется отчасти дефицитом подобных опасных состояний — шахты стараются их избегать — и отчасти тем, что показания датчиков в таких состояниях могут пересекаться с пограничными, но допустимыми ситуациями. Тем не менее модель достаточно лёгкая, чтобы работать в реальном времени на стандартных шахтных компьютерах, используя те же датчики давления, расхода и газа, которые уже установлены в большинстве предприятий. Авторы утверждают, что дообучение на данных из других шахт может расширить применимость подхода, а дополнительные методы обработки редких событий помогут улучшить обнаружение наиболее серьёзных неисправностей.

Что это значит для более безопасной и экологичной добычи

Объединив физические эксперименты, экспертные знания и глубокое обучение, эта работа превращает сложную сеть дегазации в систему, способную в основном самостоятельно оценивать своё состояние. Подход даёт операторам шахт непрерывную автоматическую оценку эффективности работы систем «скважина–труба–насос», выявляя тонкие ухудшения до того, как они станут опасностью. Это может сократить риск газовых аварий, поддержать более стабильное производство угля и увеличить долю метана, улавливаемого в качестве полезного топлива, вместо его выброса в атмосферу. Проще говоря, более умный мониторинг подземного газа не только защищает горняков, но и делает угледобычу чище и эффективнее.

Цитирование: 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

Ключевые слова: безопасность угольных шахт, дегазация, утечка в трубопроводе, мониторинг с использованием глубокого обучения, добыча метана