基于智能监测与卷积神经网络的煤矿钻孔-管道-泵抽气排放系统性能评估

为什么控制矿井瓦斯很重要

在深处的地下，煤矿必须不断排出甲烷以防爆炸并回收有用的能源。这个任务由钻孔、管道和泵组成的网络完成，它们将气体从岩层中抽出。但泄漏、堵塞和运行不稳定可能在长期内悄然削弱系统性能，远在有人注意到之前。本研究展示了如何通过精心设计的实验和现代人工智能，把日常传感器读数转化为矿井抽采系统的自动“体检”，既有助于保护矿工安全，也能更好地利用回收的气体。

瓦斯如何从煤层被抽出

在典型矿井中，会向煤层钻孔并将其连接到通向强力真空泵的管网。这些泵产生负压——本质上是一种吸力——将甲烷和空气从岩石中拉出。气体混合物随后沿钢制管线输送到地面进行处理或利用。理论上，工程师可以沿管线用传感器监测压力、流量和气体浓度，并用这些数据判断系统是否正常工作。但在实际中，恶劣的地下环境、腐蚀以及复杂的管道布局会使数据变得嘈杂且难以解释，尤其是仅依赖人工判断时。

管道泄漏或堵塞时会出什么问题

为了理解系统在受压情况下的行为，研究人员构建了模拟真实地下排放网络的受控实验。他们在管道特定位置引入泄漏和堵塞，监测沿线压力与流量的变化。当靠近泵的主管泄漏时，吸力急剧下降而测得的流量上升——这是大量额外空气（非有用甲烷）被吸入的信号。相比之下，侧支管的泄漏几乎不影响泵本体，但会大幅降低下游钻孔的抽吸和气体排出。堵塞则呈现另一套典型模式：沿管线压力下降速率突然变化，随后出现部分恢复。这些实验室中的特征信号为不同故障类型建立了指纹库。

把专家规则转成简单得分

基于实用的矿井标准，团队设计了一个将多种因素合并为介于零到一之间满意度得分的评估体系。他们将指标分为两大主题：安全性与有效性。安全性涵盖工作区空气分布及矿工附近仍然释放的瓦斯量；有效性反映每日抽采瓦斯量、吸力强度、甲烷浓度以及实际回收的纯气量。通过结构化决策方法，经验丰富的工程师为各因素分配了相对重要性。最终得分被映射为五个等级，从优（I级）到不合格（V级），与实际矿井评判排采是否符合国家标准的方式相呼应。

神经网络如何学会系统的“感觉”

为了避免持续依赖人工套用这些规则，作者训练了一个卷积神经网络（CNN）——一种深度学习模型——直接从传感器数据识别排采质量。他们将七个监测变量的时间序列切成短窗口，并将每个窗口排列成一个小矩阵，类似于图像。这种格式让CNN能够捕捉压力、流量与气体浓度随时间共同变化的细微模式，包括在泄漏实验中发现的指纹。每个数据样本的等级首先由基于专家的评分方法给出，再作为CNN的训练标签。利用来自中国鑫发煤矿的1万条样本，网络结构与训练设置在准确性与计算成本之间进行了权衡调整。

智能监测器的表现如何

在最佳设置下，CNN能正确分类所有被评为优、良或中等的样本，并几乎全部正确识别合格样本。其最弱的表现出现在罕见的严重不合格案例中，正确识别率约为一半。这一缺陷部分源于此类危险状态样本稀少——矿井尽力避免出现这些情形——也部分因为其传感器读数可能与边界但可接受的条件重叠。尽管如此，该模型足够轻量，可以在标准矿用计算机上实时运行，使用大多数矿井已安装的相同压力、流量与气体传感器。作者认为，用其他矿井的数据进行再训练可扩展此方法，而针对罕见事件的额外技术或可提高对最严重故障的检测能力。

对更安全、更清洁采矿的意义

通过结合物理实验、专家知识与深度学习，这项工作将复杂的瓦斯排采网络转变为能够在很大程度上自我评估性能的系统。该方法为矿方提供连续、自动的钻孔-管道-泵系统运行评级，能在细微性能退化发展成危险之前发出警示。这既能降低瓦斯事故风险、支持更稳定的煤炭生产，又能提高作为有用燃料回收的甲烷比例，减少向大气的排放。简言之，更智能的地下瓦斯监测不仅保护矿工，也有助于使煤炭开采更清洁、更高效。

引用: 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

关键词: 煤矿安全, 抽采瓦斯, 管道泄漏, 深度学习监测, 甲烷回收