Graf sinir ağı ve derin pekiştirmeli öğrenme füzyonuna dayalı maden havalandırma sistemleri için akıllı karar verme

Daha Güvenli Madenler için Daha Akıllı Hava

Derin yeraltında, madenciler tehlikeli gazları seyreltmek ve sıcaklığı kontrol etmek için sürekli bir temiz hava akışına bağımlıdır. Geleneksel olarak mühendisler devasa fanları ve menfezleri kestirme kurallar ve periyodik ölçümlerle ayarlar — bu, enerjiyi israf edebilen veya en kötü durumda tehlikeli gaz birikimini kaçırabilecek yavaş bir süreçtir. Bu makale, yeni tür bir yapay zekânın madenin "nefes alışını" gerçek zamanlı izleyip hava akışını otomatik olarak ince ayar yaparak hem güvenliği hem de enerji kullanımını nasıl iyileştirebileceğini inceliyor.

Maden Hava Akışını Kontrol Etmeyi Zorlaştıran Nedenler

Modern kömür madenleri, onlarca tünel, kavşak ve çalışma yüzeyinin dolaşık bir ağ halinde bağlı olduğu yeraltı şehirlerine benzer. Dev fanlar tarafından üflenen hava, değişen tünel şekilleri, hareket eden ekipman ve kayadan gelen öngörülemeyen gaz emisyonlarıyla karşılaşırken bu labirenti katetmek, bölünüp yeniden birleşmek zorundadır. Eski tarz kontrol şemaları sistemi ayrı noktalardan oluşan bir yapı olarak ele alır ve büyük ölçüde insan deneyimine dayanır. Ağ düzeni değiştiğinde veya gaz seviyeleri beklenmedik şekilde yükseldiğinde ayak uydurmakta zorlanır ve nadiren güvenlik ile enerji tüketimi arasında en iyi dengeyi yakalarlar.

Tünelleri Dijital Bir Haritaya Çevirmek

Yazarlar bu zorluğu önce tüm havalandırma sistemini matematiksel bir haritaya, yani bir grafa dönüştürerek ele alıyor. Bu haritada düğümler kavşakları, fanları ve çalışma alanlarını temsil ederken bağlantılar uzunluk, kesit ve hava akışına karşı direnç gibi özelliklere sahip tünelleri gösterir. Sensör okumaları — hava basıncı, gaz yoğunluğu, sıcaklık ve nem — düğümlere ve bağlantılara eklenir. Grafelere özgü özel bir sinir ağı bu yapıyı tarar ve madenin bir bölümündeki koşulların geri kalanını nasıl etkilediğini öğrenir. Çok seviyeli bir temsil kullanarak sistem aynı anda hem bir çalışma yüzeyine yakın yerel ayrıntıları hem de tüm madendeki küresel desenleri görebilir.

Havayı Yönlendirmeyi Öğreten Bir Yapay Zekâ Eğitmek

Bu graf tabanlı görünümün üzerine araştırmacılar bir pekiştirmeli öğrenme ajanı inşa ediyor — deneme yanılma yoluyla öğrenen yazılım. Ajan önce yüksek doğruluklu bir simülatörde fan hızları ve menfez ayarları için farklı konfigürasyonları dener. Her eylem dizisi için ödül, üç hedefi yansıtır: gaz seviyelerini güvenli düzeyde tutmak, konforlu hava koşulları sağlamak ve elektrik kullanımını minimize etmek. Geliştirilmiş bir "actor-critic" tasarımı ve en bilgilendirici deneyimleri yeniden oynatan akıllı bir bellek, sistemin güvenlik sınırlarını aşmadan güvenilir kontrol politikaları öğrenmesine yardımcı olur. Zamanla yapay zekâ, insan operatörlerin görmekte zorlanacağı örüntüleri keşfeder; örneğin uzak bir regülatörde yapılan küçük bir değişikliğin başka bir yerdeki bir gaz sıcak noktasını nasıl rahatlatabileceği gibi.

Bilgisayar Modelinden Çalışan Madene

Bu yaklaşımın gerçek dünyada işe yarayıp yaramadığını görmek için ekip, Çin’deki derin bir kömür madeninden elde edilen 150’den fazla izlenen lokasyon ve 200’den fazla bağlı tünel içeren veriler üzerinde test etti. Simülasyonda eğitimin ardından sistem madenin denetim ve veri toplama sistemlerinin yanına konuşlandırıldı. Canlı sensör verilerini her birkaç saniyede bir okuyup kontrol eylemleri önerdi; bu eylemler çoklu güvenlik kontrolleri ve anlık manuel devre dışı bırakma ile korundu. Birkaç ay süren işletme boyunca akıllı denetleyici, geleneksel yöntemlere göre bileşik performans puanını %34,7 iyileştirdi, fan enerji kullanımını %23,7 azalttı ve güvenlik kurallarını %98,4 oranında sağladı — hatta fan arızaları ve ani gaz sızmaları gibi olaylar sırasında bile. Yapay zekânın ağın hangi bölümlerine "dikkat ettiğini" gösteren görsel araçlar mühendislerin seçimlerini anlamasına ve güven duymasına yardımcı oldu.

Bu Maden ve Ötesi İçin Ne Anlama Geliyor

Uzman olmayanlar için ana mesaj, bu sistemin bir madenin karmaşık hava yollarını bir yapay zekânın yönetmeyi öğrenebileceği canlı bir dijital modele dönüştürmesi — tıpkı bir otopilotun bir uçağı stabilize etmesi gibi. Fanları ve regülatörleri sürekli olarak hassas ayarlayarak, çalışanlar için daha güvenli, daha temiz hava sağlar ve enerji maliyetlerinden önemli bir pay tasarruf eder. Çalışma tek bir kömür madenine odaklansa da, graf tabanlı öğrenmeyi deneme-yanılma kontrollü yöntemle birleştiren bu temel yaklaşım, şehir trafiği, enerji şebekeleri veya büyük binalarda ısıtma ve soğutma gibi diğer geniş ölçekli ağlara da uygulanabilir. Çalışma, kritik endüstriyel sistemlerin insanların binlerce bireysel ayarla uğraşmak yerine büyük resmi denetlediği bir gelecekte kendi kendini sessizce optimize edebileceğine işaret ediyor.

Atıf: 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

Anahtar kelimeler: maden havalandırması, graf sinir ağları, derin pekiştirmeli öğrenme, endüstriyel güvenlik, enerji verimliliği