Kömür ocaklarında sondaj- boru- pompa gaz drenajı sistemlerinin akıllı izlenmesi ve CNN tabanlı performans değerlendirmesi

Madendeki gazı kontrol altında tutmanın önemi

Yeraltının derinliklerinde, kömür ocakları patlamaları önlemek ve değerli bir enerji kaynağını yakalamak için sürekli olarak metan gazını uzaklaştırmak zorundadır. Bu iş, kaynaktan gazı çekmek için kullanılan sondaj delikleri, borular ve pompalar ağıyla yapılır. Ancak sızıntılar, tıkanmalar ve dengesiz çalışma, sistemin performansını kimse fark etmeden uzun süre boyunca sessice zayıflatabilir. Bu çalışma, özenle tasarlanmış deneyler ve modern yapay zekânın, rutin sensör okumalarını otomatik bir “sağlık kontrolü”ne nasıl dönüştürebileceğini gösteriyor; böylece madencileri güvende tutmaya ve yakalanan gazın daha iyi kullanılmasına yardımcı oluyor.

Gazi kömür damarından nasıl çekilir

Tipik bir madende, kömür damarına delikler açılır ve güçlü vakum pompalarına giden boru ağlarına bağlanır. Bu pompalar, temel olarak kayaçtan metan ve havayı çeken negatif basınç—yani emme gücü—oluşturur. Gaz karışımı daha sonra çelik boru hatları boyunca yüzeye taşınarak işleme veya kullanım için yönlendirilir. Teoride, mühendisler boru boyunca sensörlerle basınç, akış hızı ve gaz yoğunluğunu izleyebilir ve bu değerlerle sistemin iyi çalışıp çalışmadığını değerlendirebilir. Pratikte ise zorlu yeraltı koşulları, korozyon ve karmaşık boru düzenleri verileri gürültülü ve yorumlaması zor hale getirir; özellikle yalnızca insan yargısına dayanıldığında.

Borular sızdığında veya tıkandığında neler ters gider

Sistemin stres altındayken nasıl davrandığını anlamak için araştırmacılar gerçek yeraltı drenaj ağlarını taklit eden kontrollü deneyler kurdular. Boruların belirli noktalarına sızıntılar ve tıkanmalar yerleştirip basınç ve akışın hat boyunca nasıl değiştiğini izlediler. Pompaların yakınındaki ana boru hattı sızdırdığında, emiş hızla düştü ve ölçülen akış arttı—bu, yararlı olmayan çok fazla havanın, metandan ziyade çekildiğinin bir işaretiydi. Yan dallardaki sızıntılar ise pompayı neredeyse hiç etkilemedi ama aşağı akıştaki sondaj deliklerinde emişi ve gaz uzaklaştırmayı büyük ölçüde azalttı. Tıkanmalar ise kendi ayırt edici desenini üretti: boru boyunca basıncın düşme hızında ani bir değişim, ardından kısmi bir toparlanma. Bu laboratuvar imzaları farklı arıza türleri için bir çeşit parmak izi kütüphanesi oluşturuyor.

Uzman kurallarını basit bir puana dönüştürmek

Pratik maden standartlarına dayanarak ekip, birçok faktörü sıfır ile bir arasında bir memnuniyet puanına toplayan bir değerlendirme sistemi tasarladı. Göstergeleri iki ana tema altında topladılar: güvenlik ve etkinlik. Güvenlik, çalışma alanında havanın nasıl dağıldığını ve madencilerin yakınında hâlâ ne kadar gazın salındığını kapsar. Etkinlik ise günlük ne kadar gazın drenaj edildiğini, emiş gücünün ne kadar olduğunu, metan yoğunluğunu ve gerçekten ne kadar saf gazın yakalandığını yansıtır. Yapılandırılmış bir karar yöntemi kullanılarak tecrübeli mühendisler her faktöre göreli önem ataması yaptılar. Nihai puan daha sonra mükemmel (Derece I) ile niteliksiz (Derece V) arasında beş dereceye eşlendi; bu, gerçek madenlerin drenajın ulusal standartlara uyup uymadığını nasıl değerlendirdiğini yansıtıyor.

Bir sinir ağı sistemin “hissini” nasıl öğrenir

Bu kuralları insanların sürekli uygulamasını istemek yerine, yazarlar konvülsiyonel sinir ağı (CNN) adlı bir derin öğrenme modelini sensör verilerinden doğrudan drenaj kalitesini tanımayı öğrenmesi için eğittiler. İzlenen yedi değişkenin zaman serilerini kısa pencerelere böldüler ve her pencereyi küçük bir matris olarak düzenlediler; tıpkı bir görüntü gibi. Bu format, CNN’in basınç, akış ve gaz yoğunluğunun zaman içinde birlikte nasıl değiştiğine dair ince desenleri seçmesine izin veriyor; sızıntı deneylerinde keşfedilen parmak izleri de buna dahil. Her veri örneği için derece, önce uzman tabanlı puanlama yönteminden elde edildi ve ardından CNN’e öğretim sinyali olarak kullanıldı. Çin’in Xinfa Kömür Ocağı’ndan alınan 10.000 örnekle ağ mimarisi ve eğitim ayarları doğruluk ile hesaplama maliyetini dengeleyecek şekilde ayarlandı.

Akıllı izleyici ne kadar iyi performans gösteriyor

En iyi ayarlarında CNN, mükemmel, iyi veya orta olarak değerlendirilen tüm örnekleri doğru sınıflandırdı ve sadece yeterli olanların neredeyse tamamını doğru belirledi. En zayıf performansı nadir ve ciddi şekilde niteliksiz vakalarda görüldü; bunların yaklaşık yarısını doğru tanımladı. Bu eksiklik kısmen bu kadar tehlikeli durumların nadir olmasından—madenlerin bunlardan kaçınmak için büyük çaba göstermesinden—ve kısmen de bu durumların sensör okumalarının sınırda kalan ama kabul edilebilir koşullarla örtüşebilmesinden kaynaklanıyor. Yine de model, çoğu işletmede zaten kurulu olan aynı basınç, akış ve gaz sensörlerini kullanarak standart maden bilgisayarlarında gerçek zamanlı çalışabilecek kadar hafif. Yazarlar, başka madenlerden gelen verilerle yeniden eğitmenin yaklaşımı yaygınlaştırabileceğini ve nadir olayları ele almak için ek tekniklerin en ciddi arızaların tespitini iyileştirebileceğini savunuyorlar.

Daha güvenli ve daha temiz madencilik için anlamı

Fiziksel deneyleri, uzman bilgisini ve derin öğrenmeyi birleştirerek bu çalışma karmaşık bir gaz drenaj ağını büyük ölçüde kendi performansını değerlendirebilen bir sisteme dönüştürüyor. Yaklaşım, maden işletmelerine sondaj–boru–pompa sistemlerinin ne kadar iyi çalıştığına dair sürekli, otomatik bir değerlendirme sunarak tehlike hâline gelmeden önce ince bozulmaları işaretliyor. Bu, gaz kazası riskini azaltabilir, daha istikrarlı kömür üretimini destekleyebilir ve havaya salınmak yerine yakıt olarak yakalanan metanın payını artırabilir. Kısacası, yeraltı gazının daha akıllı izlenmesi yalnızca madencileri korumakla kalmaz, aynı zamanda kömür madenciliğini daha temiz ve daha verimli hâle getirir.

Atıf: 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

Anahtar kelimeler: kömür ocağı güvenliği, gaz drenajı, boru hattı sızıntısı, derin öğrenme izleme, metan çıkarımı