Intelligent beslutsfattande för gruvventilationssystem baserat på fusion av grafneuralt nätverk och djup förstärkningsinlärning

Smartare luft för säkrare gruvor

Djupt under jord är gruvarbetare beroende av ett konstant flöde av frisk luft för att späda ut farliga gaser och reglera temperaturen. Traditionellt justerar ingenjörer enorma fläktar och ventilationsöppningar med tumregler och periodiska mätningar — en långsam process som kan slösa energi eller, i värsta fall, missa en farlig gasansamling. Denna artikel undersöker hur en ny typ av artificiell intelligens kan övervaka gruvans ”andning” i realtid och automatiskt finjustera luftflödet, vilket förbättrar både säkerhet och energianvändning.

Varför gruvluft är svårt att kontrollera

Moderna kolgruvor liknar underjordiska städer, med dussintals tunnlar, korsningar och arbetsytor förbundna i ett invecklat nätverk. Luft som trycks in av gigantiska fläktar måste navigera denna labyrint, dela upp sig och gå samman igen när den möter förändrade tunnelprofiler, rörliga maskiner och oförutsägbara gasutsläpp från berggrunden. Gammalmodiga styrsystem behandlar systemet som en uppsättning isolerade punkter och förlitar sig starkt på mänsklig erfarenhet. De har svårt att hänga med när nätverkets layout förändras eller när gaskoncentrationer plötsligt stiger, och de når sällan den bästa balansen mellan säkerhet och energiförbrukning.

Att göra tunnlarna till en digital karta

Författarna angriper denna utmaning genom att först omvandla hela ventilationssystemet till en matematisk karta, eller graf. I denna karta står noder för förgreningar, fläktar och arbetsområden, medan länkar representerar tunnlar med egenskaper som längd, tvärsnittsarea och luftmotstånd. Sensormätningar — lufttryck, gaskoncentration, temperatur och fuktighet — kopplas till noderna och länkarna. Ett specialiserat neuralt nätverk utformat för grafer skannar sedan denna struktur och lär sig hur tillstånd i en del av gruvan påverkar resten. Genom att använda en flernivårepresentation kan systemet samtidigt se både lokala detaljer nära en arbetsyta och globala mönster över hela gruvan.

Att lära en AI styra luften

Ovanpå denna grafbaserade vy bygger forskarna en förstärkningsinlärningsagent — programvara som lär sig genom försök och misstag. Agenten experimenterar, först i en högtrogen simulator, med olika inställningar för fläkthastigheter och ventilöppningar. För varje åtgärd den utför får den en belöning som speglar tre mål: hålla gaskoncentrationer säkert låga, leverera bekväma luftförhållanden och minimera elförbrukningen. En förbättrad "actor‑critic"-arkitektur, tillsammans med ett smart minne som återuppspelar de mest informativa erfarenheterna, hjälper systemet att lära sig pålitliga styrpolicyer utan att överskrida säkerhetsgränser. Med tiden upptäcker AI:n mönster som mänskliga operatörer skulle ha svårt att se, exempelvis hur en liten ändring i en avlägsen regulator kan avlasta en gas‑hotspot någon annanstans.

Från datormodell till fungerande gruva

För att se om denna metod fungerar i verkligheten testade teamet den på data från en djup kolgruva i Kina med mer än 150 övervakade platser och över 200 anslutna tunnlar. Efter träning i simulering implementerades systemet parallellt med gruvans överordnade styr‑ och datorsystem. Det läste live sensorinformation varannan sekund och föreslog styråtgärder, skyddade av flera säkerhetskontroller och omedelbar manuell nödbryt. Under månader av drift förbättrade den intelligenta styrenheten ett sammansatt prestationsmått med 34,7 % jämfört med konventionella metoder, minskade fläktarnas energianvändning med 23,7 % och höll säkerhetsreglerna uppfyllda 98,4 % av tiden — även vid händelser som fläktfel och plötsliga gasutbrott. Visuella verktyg som visar vilka delar av nätverket AI:n "fokuserar" på hjälpte ingenjörer att förstå och lita på dess beslut.

Vad detta betyder för gruvdrift och bortom

För icke‑specialister är huvudbudskapet att detta system förvandlar en gruvas komplexa luftvägar till en levande digital modell som en AI kan lära sig att hantera, ungefär som en autopilot stabiliserar ett flygplan. Genom att kontinuerligt justera fläktar och regulatorer upprätthåller det säkrare, renare luft för arbetarna samtidigt som det minskar en betydande del av elkostnaden. Även om studien fokuserar på en kolgruva, kan den underliggande metoden — att kombinera grafbaserat lärande med försök‑och‑misstag‑styrning — tillämpas på andra utbredda nätverk som stadstrafik, elnät eller uppvärmning och kylning i stora byggnader. Arbetet antyder en framtid där kritiska industriella system diskret optimerar sig själva, med människor som övervakar helheten istället för att hantera tusentals individuella inställningar.

Citering: 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

Nyckelord: gruvventilation, grafneuronätverk, djup förstärkningsinlärning, industrisäkerhet, energieffektivitet