基于图神经网络与深度强化学习融合的矿井通风系统智能决策

更聪明的空气， 更安全的矿井

在深地下，矿工依赖不断流动的新鲜空气来稀释危险气体并控制温度。以往工程师通过经验法则和定期测量来调节大型风机和风门——这是一个缓慢的过程，既可能浪费能源，也可能在最坏情况下错过有害气体的累积。本文探讨了一种新型人工智能如何实时“监测”矿井的呼吸并自动微调气流，从而同时改善安全性和能效。

为什么矿井气流难以控制

现代煤矿类似于地下城市，数十条巷道、交叉口和采工作面以错综复杂的网络相连。由巨大风机推动的空气必须在这迷宫中穿行，遇到隧道形状变化、移动的设备和来自岩体的不可预测气体排放时会分流并再合并。传统控制方案把系统当作若干孤立点来处理，依赖大量人工经验。当网络布局变化或气体浓度突升时，这些方法难以应对，也很少在安全与能耗之间找到最佳平衡。

将巷道变成数字地图

作者首先将整个通风系统转化为数学地图或图结构。在这张地图中，节点代表交叉口、风机和作业区，边表示具有长度、横截面和气流阻力等属性的巷道。传感器读数——气压、气体浓度、温度和湿度——被附加到节点和边上。专门为图设计的神经网络随后扫描该结构，学习矿井某一部分的状况如何影响其他区域。通过采用多层次表示，系统可以同时看到靠近采工作面的局部细节和贯穿整个矿井的全局模式。

教人工智能来引导气流

在这种基于图的视图之上，研究人员构建了一个强化学习智能体——利用试错法学习的软件。该智能体首先在高保真模拟器中尝试不同的风机转速和风门开度设置。对于每一组动作，它都会获得一个反映三项目标的奖励：将气体浓度保持在安全低位、提供舒适的空气条件以及最小化电力消耗。一种增强的“actor‑critic（演员‑评论家）”结构，结合重放最有信息经验的智能记忆，帮助系统在不突破安全限制的前提下学习可靠的控制策略。随着时间推移，AI发现了人工操作员难以察觉的模式，例如远端某个调节器的微小改动如何缓解另一处的气体热点。

从计算模型走向真实矿井

为了验证该方法在真实世界中的有效性，团队在中国一座监测点超过150处、连通巷道超过200条的深部煤矿中进行了测试。在模拟中训练后，系统与矿井的监控与数据系统并行部署，实时每几秒读取传感器数据并提出控制建议，这些建议受多重安全检查保护并可被即时人工接管。在数月运行中，智能控制器在综合绩效评分上比传统方法提升了34.7%，风机能耗降低了23.7%，并在98.4%的时间里满足安全规则——即便在风机故障和突发瓦斯喷发等事件期间亦如此。用于展示AI“关注”网络哪些部分的可视化工具，帮助工程师理解并信任其决策。

对采矿及其他领域的意义

对非专业读者而言，关键在于该系统将矿井复杂的气道转化为可被AI管理的动态数字模型，类似于自动驾驶仪稳定飞机的方式。通过持续微调风机和调节器，它为工人维持更安全、更清洁的空气，同时显著降低电费。尽管该研究聚焦于一座煤矿，但其基础方法——将基于图的学习与试错控制相结合——可推广到城市交通、电力网或大型建筑的供暖与制冷等其他广阔网络。该工作预示了一个未来：关键工业系统在人的宏观监督下，悄然自行优化，而不是由人逐一调整成千上万的参数。

引用: 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

关键词: 矿井通风, 图神经网络, 深度强化学习, 工业安全, 能源效率