Intelligent övervakning och CNN-baserad prestandautvärdering av borrhål-rör-pump gasdräneringssystem i kolgruvor

Varför det är viktigt att hålla gruvgas under kontroll

Djupt under jord måste kolgruvor ständigt avlägsna metangas för att förhindra explosioner och för att fånga en användbar energiresurs. Det arbetet utförs av ett nätverk av borrhål, rör och pumpar som suger gas ur berget. Men läckor, igensättningar och instabil drift kan tyst urholka systemets prestanda långt innan någon märker det. Den här studien visar hur noggrant utformade experiment och modern artificiell intelligens kan förvandla rutinmässiga sensormätningar till en automatisk ”hälsokontroll” för gasdränering i gruvor, vilket hjälper till att hålla gruvarbetare säkra samtidigt som man bättre tar tillvara den gas som fångas.

Hur gasen dras ut ur kolflötsen

I en vanlig gruva borras hål i kolflötsen som kopplas till ett nätverk av rör som leder till kraftfulla vakuumpumpar. Dessa pumpar skapar ett negativt tryck—i praktiken en sugkraft—som drar metan och luft ur berget. Gasblandningen transporteras sedan genom stålrör till ytan för behandling eller användning. I teorin kan ingenjörer övervaka tryck, flödeshastighet och gaskoncentration med sensorer längs rören och använda dessa värden för att bedöma om systemet fungerar väl. I praktiken gör hårda underjordiska förhållanden, korrosion och komplicerade rörledningsdragningar att datan blir brusig och svårtolkad, särskilt om man endast förlitar sig på mänskligt omdöme.

Vad som går fel när rör läcker eller täpps igen

För att förstå hur systemet beter sig under påfrestning byggde forskarna kontrollerade experiment som efterliknar verkliga underjordiska dräneringsnätverk. De introducerade läckor och blockeringar på bestämda punkter i rören och övervakade hur trycket och flödet förändrades längs linjen. När huvudledningen nära pumparna läckte sjönk sugkraften kraftigt samtidigt som det uppmätta flödet steg—ett tecken på att mycket extra luft, inte användbar metan, sögs in. Läckor i sidogrenar påverkade däremot knappt pumpen men minskade i hög grad suget och gasborttagningen i efterföljande borrhål. Blockeringar gav upphov till ett eget karakteristiskt mönster: en plötslig förändring i hur snabbt trycket föll längs röret, följt av en partiell återhämtning. Dessa laboratoriesignaturer bildar ett slags fingeravtrycksbibliotek för olika feltyper.

Att omvandla expertråd till en enkel poäng

Med utgångspunkt i praktiska gruvstandarder designade teamet ett utvärderingssystem som sammanför många faktorer till en enskild tillfredsställelsescore mellan noll och ett. De grupperade indikatorerna i två huvudteman: säkerhet och effektivitet. Säkerhet täcker hur luften fördelas i arbetsområdet och hur mycket gas som fortfarande frigörs nära gruvarbetarna. Effektivitet speglar hur mycket gas som dräneras varje dag, hur starkt suget är, hur koncentrerad metanen är och hur mycket ren gas som faktiskt fångas. Med en strukturerad beslutsmetod tilldelade erfarna ingenjörer relativ betydelse till varje faktor. Den slutliga poängen mappas sedan till fem grader, från utmärkt (Grad I) till icke godkänd (Grad V), i likhet med hur verkliga gruvor bedömer om dräneringen uppfyller nationella standarder.

Hur ett neuralt nät lär sig systemets ”känsla”

I stället för att be människor ständigt tillämpa dessa regler tränade författarna ett konvolutionellt neuralt nätverk (CNN)—en typ av djupinlärningsmodell—för att känna igen dräneringskvalitet direkt från sensordata. De delade upp tidsserier av sju övervakade variabler i korta fönster och ordnade varje fönster som en liten matris, ungefär som en bild. Det här formatet låter CNN upptäcka subtila mönster i hur tryck, flöde och gaskoncentration förändras tillsammans över tiden, inklusive de fingeravtryck som upptäcktes i läckageexperimenten. Graden för varje dataprovgodkändes först av den expertbaserade scoringsmetoden och användes sedan som undervisningssignal för CNN. Med 10 000 prover från Xinfa-kolgruvan i Kina finjusterades nätverksarkitekturen och träningsinställningarna för att balansera noggrannhet och beräkningskostnad.

Hur väl den intelligenta övervakningen presterar

Under sina bästa inställningar klassificerade CNN korrekt alla prov som bedömdes som utmärkta, bra eller medel, och nästan alla som bara var godkända. Dess svagaste prestation var för de sällsynta, allvarligt icke godkända fallen, där den korrekt identifierade cirka hälften. Denna brist beror delvis på knappt tillgång på sådana farliga tillstånd—gruvor arbetar hårt för att undvika dem—och delvis på att deras sensormätningar kan överlappa med gränsfall som ändå är acceptabla. Trots detta är modellen tillräckligt lättviktig för att köras i realtid på standarddatorer i gruvan, med samma tryck-, flödes- och gassensorer som redan finns installerade i de flesta verksamheter. Författarna menar att omskolning med data från andra gruvor kan göra metoden mer allmängiltig, medan ytterligare tekniker för att hantera sällsynta händelser kan förbättra upptäckten av de allvarligaste felen.

Vad detta betyder för säkrare och renare gruvdrift

Genom att kombinera fysikaliska experiment, expertkunskap och djupinlärning förvandlar detta arbete ett komplext gasdräneringsnät till ett system som i stor utsträckning kan bedöma sin egen prestanda. Tillvägagångssättet erbjuder gruvoperatörer en kontinuerlig, automatisk bedömning av hur väl deras borrhål–rör–pump-system fungerar och kan flagga subtila försämringar innan de blir farliga. Det kan minska risken för gasolyckor, stödja stabilare kolproduktion och öka andelen metan som fångas som nyttigt bränsle i stället för att ventileras till atmosfären. Kort sagt: smartare övervakning av underjordisk gas skyddar inte bara gruvarbetare utan hjälper också till att göra kolbrytning renare och mer effektiv.

Citering: 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

Nyckelord: gruvsäkerhet, gasdränering, rörläcka, djupinlärningsövervakning, metanutvinning