金屬礦井實時風流參數智能感知方法及應用

摘要：礦井全局風流參數實時獲取是金屬礦井通風系統(tǒng)智能調控的技術關鍵，目前基于AI 算法的風流參數預測方法受數據依賴、計算成本及不同工況適應性的限制，針對該問題，提出了一種適用于金屬礦井的全局風流參數智能感知方法。首先，利用風速測量裝置實時監(jiān)測巷道內的平均風速，合理布置監(jiān)測點，搭建風流參數監(jiān)測系統(tǒng)，以獲取風量、風壓等關鍵通風參數。其次，結合通風系統(tǒng)的實際情況及立體示意圖，建立三維仿真系統(tǒng)，并通過現場實測的風流數據對其進行優(yōu)化，模擬不同通風機運行工況和自然風壓狀態(tài)下的礦井風流流動參數。然后，基于仿真數據，構建了AI 算法模型的訓練與測試數據集。最后，利用風流參數監(jiān)測系統(tǒng)采集的風流信息作為AI 算法模型的輸入，實現對礦井全域風流分布的實時感知。利用通風網絡解算數據對風流參數智能感知模型進行性能評估，結果表明：① 該模型的決定系數R2為0.998，均方根誤差為0.215 9，平均絕對誤差為0.085，平均絕對百分比誤差為1.89%。② 該模型的預測值與實際觀測值之間的吻合度較高，驗證了多層感知機（MLP） 在風流參數預測方面具備出色性能。③ 該模型在面對不同數據集時能夠維持其預測精度，表現出良好的泛化能力。④ 智能通風系統(tǒng)感知數據的平均誤差控制在5% 以內，井下風流參數感知值與現場實測值基本一致。

關鍵詞：金屬礦山；礦井通風；風流參數智能感知；多層感知器；MLP；通風網絡解算

中圖分類號：TD724 文獻標志碼：A

0 引言

礦井通風系統(tǒng)是保障礦井安全生產的基礎，主要用于預防礦內有毒有害氣體積聚、礦塵污染等問題。然而，因受礦井掘進、自然風壓變化影響，礦井通風系統(tǒng)呈現動態(tài)特性，風流參數信息變化較大，難以確保礦井風流的有序流動。為調控礦井風流，需有效獲取風流參數信息，傳統(tǒng)方法采用人工定期測定或大量布置傳感器的方式對風流參數進行實時測定。人工測量難以滿足實時性和準確性的要求，且傳感器布置和維護在復雜的礦井環(huán)境中也存在諸多限制，作業(yè)區(qū)域的風流參數難以有效獲取[1-2]，實時準確地掌握礦井風流參數信息是礦井通風管理的難點及要點[3-5]。

隨著金屬礦山井下環(huán)境復雜性和安全要求的提升，結合傳感器網絡[6]和自動化控制技術[7]的智能化監(jiān)測系統(tǒng)得到了廣泛發(fā)展，通過科學設計傳感器位置，提高了風流數據的采集效率[8-10]。文獻[11-13]研發(fā)了礦井安全智能監(jiān)測監(jiān)控系統(tǒng)、礦井通風三維仿真輔助決策系統(tǒng)、礦井智能通風與實時監(jiān)測系統(tǒng)，用于礦井環(huán)境監(jiān)測。然而，局部布設傳感器難以覆蓋礦井全局風流，而大規(guī)模布設則增加設備維護難度。利用有限數量傳感器數據感知全局風流參數成為研究熱點[14]。近年來，人工智能（Artificial Intelligence，AI）在礦井通風系統(tǒng)管理中得到了廣泛應用。文獻[15]構建了基于門控循環(huán)單元（Gated Recurrent Unit，GRU）的巷道平均風速測量模型，GRU 神經網絡具有強非線性建模能力，能夠捕捉復雜巷道形態(tài)下的風速分布特征，提高預測精度，但深度神經網絡訓練需要較長時間，并對計算資源有一定要求。文獻[16]構建了遺傳?神經網絡風速預測優(yōu)化模型，結合掘進工作面不同工況的環(huán)境參數，實現風速協(xié)同預測，結合遺傳?神經網絡模型和PID 閉環(huán)調控，提高了風速預測精度和控制效率，但在應用過程中仍需考慮數據依賴性、計算成本和系統(tǒng)復雜性等因素。文獻[17]基于遺傳算法（Genetic Algorithm，GA）和BP 神經網絡（GA?BP） 構建了巷道平均風速單點測試模型，GA?BP 在巷道平均風速預測中具有較高精度和計算效率，但仍需要確保數據質量和傳感器布置的合理性，以進一步提升模型的穩(wěn)定性和準確性。上述研究表明，AI 算法在風流參數預測中具有良好的性能和應用價值。然而，相關方法仍受數據依賴、計算成本及不同工況適應性的限制。多層感知器（MultilayerPerceptron，MLP）具有結構簡單、訓練速度快、資源消耗較低等特點，在提升數據獲取的時效性方面具有一定優(yōu)勢。因此，本文以某金屬礦山為研究對象，基于深度學習中的MLP 算法，構建風流參數智能感知模型，以實現對井下各生產作業(yè)區(qū)域及主要巷道風流參數的精準預測。首先，利用風速測量裝置實時監(jiān)測巷道內的平均風速，合理布置監(jiān)測點，搭建風流參數監(jiān)測系統(tǒng)，以獲取風量、風壓等關鍵通風參數。其次，結合通風系統(tǒng)的實際情況及立體示意圖，建立三維仿真系統(tǒng)，并通過現場實測的風流數據對其進行優(yōu)化，模擬不同通風機運行工況和自然風壓狀態(tài)下的礦井風流參數。然后，基于仿真數據，構建了AI 算法模型的訓練與測試數據集。最后，提出了一種基于有限數量傳感器數據的礦井風流參數智能感知方法，可準確預測井下各生產作業(yè)區(qū)域及主要巷道的風流參數，從而實現風流的動態(tài)調控。

1 礦井風流監(jiān)測與仿真系統(tǒng)

1.1 巷道風速及風流參數實時監(jiān)測系統(tǒng)

1.1.1 巷道平均風速實時監(jiān)測

巷道平均風速的單點測試是實現巷道風速實時監(jiān)測的關鍵環(huán)節(jié)。為降低采礦作業(yè)、車輛通行對風速測量的干擾，采用礦井巷道平均風速單點測控裝置[18]實時監(jiān)測巷道內平均風速。該裝置主要由風速測定系統(tǒng)、物體運動監(jiān)測系統(tǒng)及通風機控制系統(tǒng)組成，物體運動監(jiān)測系統(tǒng)與風速測定系統(tǒng)相連，風速測定系統(tǒng)與巷道內的通風機控制系統(tǒng)相連，如圖1 所示。風速測定系統(tǒng)用于測量風速，物體運動監(jiān)測系統(tǒng)則判定監(jiān)測區(qū)域內是否有物體通過，兩者相互連接，并與通風機控制系統(tǒng)聯(lián)動。當物體運動監(jiān)測系統(tǒng)確認監(jiān)測區(qū)域內無人員、車輛或其他物體通過時，風速測定系統(tǒng)才會啟動，對巷道風速進行準確測量。

風速測定系統(tǒng)由風速傳感器和滑動桿等部件構成，如圖2 所示。風速傳感器包括風速探頭和信號處理器，通過連接桿固定在巷道頂面。風速探頭采集的信號傳輸至信號處理器，信號處理器通過AD 轉換將模擬信號轉換為數字信號，并計算出單點風速。隨后，系統(tǒng)基于單點風速推算出巷道內的平均風速，從而有效監(jiān)控巷道風流。

1.1.2 風流參數監(jiān)測系統(tǒng)

風流參數監(jiān)測系統(tǒng)主要由傳感器、信息傳輸系統(tǒng)和數據處理模型構成。在主要通風巷道和安裝通風機的巷道中布置風速、風壓及風溫傳感器，實時監(jiān)測巷道內平均風速、風壓和風溫等關鍵參數。采用數據處理模型分析采集到的風流參數及通風機工況數據，并通過信息傳輸系統(tǒng)傳送至數據庫，實現對通風狀態(tài)的監(jiān)控和管理。

1） 監(jiān)測點選址方法。依據金屬礦山相關規(guī)程進行風流參數監(jiān)測點的選址：① 風速傳感器應設置在能準確計算風量的地點，監(jiān)測點布置處巷道結構穩(wěn)定，前后井巷盡量平直無轉角，風流流動較穩(wěn)定。② 井下總進風巷、各個生產中段和分段的進風巷道應設置風速傳感器。風速傳感器報警值應符合巷道風速的最低及最高限定值要求。③ 主要通風機應配備風壓傳感器，傳感器的布置應符合《金屬非金屬地下礦山通風技術規(guī)范》（AQ 2013.3）中關于主要通風機風壓測點布置的要求。④ 風速監(jiān)測點應盡量布置在礦井通風系統(tǒng)中風流較敏感的巷道中。⑤ 在滿足監(jiān)測需求的情況下，用盡量少的監(jiān)測點覆蓋監(jiān)測范圍。

2） 監(jiān)測內容。根據平均風速監(jiān)測原理，結合監(jiān)測點的選址方法，在巷道的適當位置布置傳感器。監(jiān)測內容主要包括主要通風機、輔助通風機參數（如風量、風壓）及主要通風巷道的風流參數（如風速、溫度、CO 濃度）。

1.2 礦井通風三維仿真系統(tǒng)

礦井通風三維仿真系統(tǒng)[19]集礦井通風系統(tǒng)立體圖繪制、風網解算、結果數據標注一體化，可達到真實再現井下通風網絡實際狀態(tài)的應用效果。為盡可能真實地模擬現實工況，首先需建立三維仿真模型，該模型的建立需調查、收集詳細的實際通風系統(tǒng)信息（井筒和巷道節(jié)點、風阻、屬性，通風設備和構筑物，局部風阻和漏風情況，自然風壓等），完成圖形基本參數輸入、通風網絡圖創(chuàng)建及仿真圖的編輯繪制；然后通過風網解算模塊解算礦井通風系統(tǒng)風流方向和風流分配等具體信息；最后對比驗證模擬解算結果與現場調查測定數據，以確保三維仿真系統(tǒng)能夠真實可靠模擬礦井通風系統(tǒng)的實際狀況。

三維仿真系統(tǒng)不僅能夠準確反映礦井實際運行狀況，還集成了通風網絡解算模型，實現不同通風條件下風流參數的模擬計算與分析。作為三維仿真系統(tǒng)的核心部分，風網解算模塊主要實現風阻解算、基本關聯(lián)矩陣解算、風網解算等功能，具體通風網絡解算流程如圖3 所示。

首先，將原始數據輸入通風網絡，包括節(jié)點坐標與類型、分支的幾何參數（長度、斷面面積、摩擦因數）及固定風量等基礎信息。其次，基于風量平衡（節(jié)點流入與流出相等）和風壓平衡（回路內風壓損失代數和為零）原理構建狀態(tài)方程，并利用圖論算法自動生成獨立回路網孔，確保每個網孔包含唯一分支以覆蓋全網。初擬風量分配時，優(yōu)先設定固定風量分支的已知值，其余分支按經驗或均勻原則賦初值，并校驗節(jié)點風量平衡。然后，在迭代計算階段采用Hardy Cross 法逐網孔計算風壓不平衡量ΔQ，若其絕對值小于收斂精度E，則按比例修正各分支風量，反復迭代直至所有回路滿足收斂條件。最后，計算固定風量分支的實際風壓損失及動態(tài)分支的風阻，輸出全網風量、風壓、風阻分布及收斂信息。

2 金屬礦山全局風流參數智能感知方法

金屬礦山全局風流參數智能感知方法的核心是基于深度學習技術構建AI 算法模型，實現全局風流參數的實時智能感知。在構建金屬礦山全局風流參數智能感知方法的過程中，首先，制定多組通風網絡解算策略，系統(tǒng)化獲取礦井風流數據。然后，對數據進行整理和劃分，生成適用于模型訓練和測試的樣本集。在數據預處理階段，按8∶2 的比例將數據劃分為訓練集和測試集，并進行標準化處理。最后，采用多項指標對風流參數智能感知模型性能進行評估，驗證其準確性。

2.1 通風網絡解算策略設計

金屬礦山通風系統(tǒng)在實際生產過程中的運行狀態(tài)受多個因素影響，特別是主要通風機運行工況（如轉速、電動機數量）、自然風壓的波動及主要通風機運行數量的變化等。因此，為了確保智能感知模型能夠應對復雜多變的運行環(huán)境并提高其泛化能力，設計了多組通風網絡解算方案，涵蓋主要通風機不同運行工況、不同自然風壓及主要通風機和輔助通風機異常等狀態(tài)下的風流流動特性。

1） 基于主要通風機的運行特性，設計P 種通風工況方案。針對相同自然風壓條件，分別設計恒定電動機轉速、單臺通風機電動機轉速變化及所有主要通風機電動機轉速變化等不同工況，確保工況設計的全面性和適應性。

2） 針對金屬礦山所處區(qū)域的環(huán)境條件變化規(guī)律，采集不同季節(jié)的地表與井底溫濕度、地表大氣壓等參數，利用三維仿真系統(tǒng)中的自然風壓計算模塊，計算各氣候條件下的自然風壓值。將計算得到的自然風壓值與A 種主要通風機運行工況組合，設計并完成C 種通風網絡的模擬解算方案。

3） 為增強風流參數智能感知模型的泛化能力，還需納入主要通風機和輔助通風機異常工況下的通風系統(tǒng)運行方案。具體而言，在夏季和冬季的不同氣候條件下，設計并模擬M 種單主要通風機運行的異常通風系統(tǒng)方案。

通過借助三維仿真系統(tǒng)，全面模擬各類工況下的風流流動特性，從而為風流參數智能感知模型提供豐富、真實、全面的樣本集。

2.2 樣本數據劃分

通過通風網絡解算獲取不同運行狀態(tài)下第i 個分支ei的風流參數，主要包括風量Qi、風阻Ri、風壓Hf和自然風壓Hn。基于這些通風參數，構建模型訓練樣本集合O =｛ei，Qi，Ri，Hf ，Hn｝。在感知模型的訓練過程中，可以將多個風流參數特征（如分支ei、風量Qi等）作為輸入數據，輸出時只需將風量作為唯一要素進行風流感知。為確保模型的泛化能力和感知精度，按照8∶2 的比例將數據劃分為訓練集和測試集，進行風流感知試驗。

2.3 樣本數據預處理

為消除輸入要素單位差異對感知模型的影響，對初始數據進行線性變換，將其映射到[0，1]范圍內，進行去量綱化。

tnorm =t-tmin／tmax -tmin（1）

式中：tnorm為歸一化數據；t為原始數據；tmin為原始最小數據；tmax為原始最大數據。

2.4 風流參數智能感知模型構建

2.4.1 風流參數智能感知原理

三維仿真系統(tǒng)和礦井通風網絡AI 算法模型是實現金屬礦山全局風流參數智能感知的關鍵。首先，采用MLP 算法構建礦井通風網絡AI 算法模型；然后，應用三維仿真系統(tǒng)模擬不同通風機運行工況、不同自然風壓狀態(tài)下的礦井風流參數，建立AI 算法模型的訓練測試數據集；訓練、測試和優(yōu)化AI 算法模型，以提升模型對各類工況的適用性。基于上述研究，本文提出了一種基于有限數量傳感器數據的礦井風流參數智能感知方法，該方法依托風流參數監(jiān)測系統(tǒng)采集傳感器數據，利用AI 算法模型對局部測點的風速、風壓信息進行建模，從而實現礦井全域風流分布的實時推斷，為智能控制系統(tǒng)提供精準的風流參數支持。

2.4.2 AI 算法模型

神經網絡最早的形式是單層感知器，用于處理簡單的線性問題[20-21]。MLP 通過增加隱含層建立輸入輸出間的復雜非線性關系，如圖4 所示。MLP 算法在分類[22]和回歸[23]任務中具有出色的預測性能[24-25]，因此，利用該算法構建礦井通風網絡AI 算法模型，以實現對井下各生產作業(yè)區(qū)域及主要巷道風流參數的智能感知。

對于輸入矩陣X∈RN×F，RN×F為N×F維實數矩陣， N為樣本數量， F 為特征維度。輸出向量為Y 2 RN×1，第j 層權重矩陣Wj 2 RUj-1×Uj，Uj為第j 層神經元數量。MLP 通過建立輸入值X 與輸出值Y 間的非線性關系，來實現目標的預測功能[26]。在MLP中，第j 層第i 個神經元的輸出為

式中：f j（·）為第j層激活函數； xj-1k為第 j-1層第k 個神經元的輸出值；Wjki為從第 j-1層第k 個神經元到第j 層第i 個神經元的權重；bji為第j 層第i 個神經元的偏置項。

在模型訓練過程中，常用損失函數來衡量模型預測結果與實際觀測值之間的差異。

式中：L（W，b）為損失函數，W 為權重矩陣，b 為偏置項；yk為第k 個樣本的真實值；N 為樣本總個數；^yk模型的預測輸出；λ為正則化系數；∥Wj∥22為第j 層權重矩陣的歐幾里得范數的平方。

2.4.3 全局風流參數獲取

借助三維仿真系統(tǒng)建立通風系統(tǒng)三維仿真數據集，訓練測試AI 算法模型，風流參數監(jiān)測系統(tǒng)測得的風流參數作為通風網絡AI 算法模型的實時輸入值，通過智能感知獲取井下各生產作業(yè)區(qū)域及主要巷道風流參數，實時監(jiān)測數據與風流感知數據共同構成金屬礦山的全局風流參數，實現對井下各主要進回風工作面及關鍵巷道的全面實時監(jiān)測。這有助于實時掌握井下風流參數的動態(tài)變化，為動態(tài)智能調控策略的制定提供科學依據。全局風流參數的完整獲取步驟如圖5 所示。

2.5 模型性能評估

為評價感知模型預測性能，選取決定系數、平均絕對誤差、平均絕對百分比誤差和均方根誤差作為評價指標。R2是評估風流參數智能感知模型擬合程度的重要指標，其值越接近1，表明模型的擬合效果越佳。平均絕對誤差表示預測值與實際值之間的平均絕對誤差，數值越小，表明感知模型的預測精度越高。平均絕對百分比誤差用于衡量預測值與實際值之間的相對誤差，平均絕對百分比誤差較低表示模型的預測結果與實際值更為接近，誤差較小。均方根誤差反映了預測值與實際值之間的誤差波動，均方根誤差越小， 說明感知模型總體預測精度越高。

3 案例應用

為驗證所提方法的有效性，本研究以某金屬礦山通風系統(tǒng)為研究對象，通過實際工程案例進行應用分析。

3.1 工程概況

某金屬礦山采用兩翼對角抽出式通風系統(tǒng)，新鮮風流由Ⅱ號礦體北段的北進風管纜井、Ⅱ號礦體南段的南進風井、輔助斜坡道進入，經各中段石門巷道、輔助斜坡道聯(lián)絡道、中段運輸巷道、中段穿脈巷道、人行通風井進入各采場，污風匯入到上中段回風巷道，再經安裝在東回風井口的礦用對旋式軸流通風機和西回風井井口的礦用對旋式軸流通風機抽出至地表。與其他金屬礦井類似，該作業(yè)礦井具有井下機械化操作程度高、作業(yè)中段數量多、礦井通風系統(tǒng)結構復雜等特點。通風系統(tǒng)的日常運行調控主要依賴人工操作，難以實時監(jiān)測全局風流參數，未能實時掌握礦井全局風流的流動情況及災害辨識。

3.2 建立風流參數監(jiān)測系統(tǒng)

對某金屬礦山礦井通風網絡（圖6）進行詳細分析，并在主要作業(yè)區(qū)域的進回風巷道選取了21 個風流參數監(jiān)測點及52 個風流參數感知點，其中，v 為通風網絡具體分支的節(jié)點。

3.3 建立通風系統(tǒng)仿真數據集

以某金屬礦山通風系統(tǒng)為工程背景， 設計了91 個主要通風機運行工況，包括主要通風機保持恒定電動機轉速、單個通風機電動機轉速變化及所有主要通風機電動機轉速變化等方案。同時，結合礦山所在地的環(huán)境條件變化，采集了不同季節(jié)條件下地表與井底溫濕度、地表大氣壓等參數，利用三維仿真系統(tǒng)中的自然風壓計算模塊計算各氣候條件下的自然風壓，并針對每個自然風壓值設計了對應的91 個主要通風機運行工況，共形成819 個通風網絡模擬解算方案。此外，為增強感知模型的泛化能力，還設計了40 個異常工況下的通風系統(tǒng)模擬解算方案， 分別針對夏季和冬季（地面溫度為33，?2℃）的單主要通風機運行工況。對上述方案進行網絡參數解算，構建風流參數智能感知模型的訓練測試數據集，其中一組方案的模擬試驗樣本參數見表1。

3.4 感知模型訓練與測試

先對樣本數據進行預處理，再隨機按8∶2 的比例將數據分為訓練集和測試集，其中80% 的數據用于訓練風流參數智能感知模型，20% 的數據用于評估該模型的預測性能。在參數調優(yōu)階段，通過網格搜索確定了MLP 的最佳參數配置。該模型采用雙隱含層的全連接結構，其中輸入層包含21 個節(jié)點，每個隱含層包含10 個節(jié)點，輸出層包含52 個節(jié)點。激活函數使用ReLU，并在每個隱含層后引入了BatchNormalization。學習率設定為0.000 01，訓練的最大迭代次數為1 000。

利用通風網絡解算數據對風流參數智能感知模型進行性能評估。結果顯示，風流參數智能感知模型的決定系數R2達到0.998，均方根誤差為0.215 9，平均絕對誤差為0.085， 平均絕對百分比誤差為1.89%。這些指標表明，所提出的風流感知方法在準確性和可靠性方面表現優(yōu)異，能夠在復雜環(huán)境中實時智能感知風流參數。

利用通風網絡解算數據對風流參數智能感知模型進行性能評估。結果顯示，風流參數智能感知模型的決定系數R2達到0.998，均方根誤差為0.215 9，平均絕對誤差為0.085， 平均絕對百分比誤差為1.89%。這些指標表明，所提出的風流感知方法在準確性和可靠性方面表現優(yōu)異，能夠在復雜環(huán)境中實時智能感知風流參數。

為進一步評估感知模型的精確性和泛化能力，對模型進行了多次訓練。在反復訓練過程中，風流參數智能感知模型指標性能對比結果見表2。可看出這些關鍵性能指標的變化幅度相對較小，進一步證明了該模型在面對不同數據集時能夠維持其預測精度，表現出良好的泛化能力。

3.5 運行效果分析

該金屬礦山目前已經完成通風系統(tǒng)智能化建設，搭建了智能通風系統(tǒng)管控平臺，該平臺主要包括風流監(jiān)測、視頻監(jiān)控、火災監(jiān)測、三維可視化等模塊，如圖10 所示。其中風流監(jiān)測模塊包含風流參數監(jiān)測系統(tǒng)和風流參數智能感知系統(tǒng)，實現了該金屬礦井的實時風流參數智能感知。

通過風流參數監(jiān)測系統(tǒng)，可以實時顯示各監(jiān)測點的風流參數， 準確反映井下風流的變化趨勢（圖11）。此外，該系統(tǒng)還支持數據的連續(xù)記錄和分析，為通風系統(tǒng)的動態(tài)調整提供依據，從而確保礦井內部環(huán)境的安全性和穩(wěn)定性。

風流監(jiān)測數據和感知數據均為實時風流參數，如圖12 所示，通過利用實時監(jiān)測數據，風流參數智能感知模型可以實時感知井下各生產作業(yè)區(qū)域及主要巷道的風流參數。

智能通風系統(tǒng)感知效果如圖13 所示，可看出感知數據的平均誤差控制在5% 以內，井下風流參數感知值與現場實測值基本一致。評估結果表明，該模型在全局風流參數感知方面展現了良好的穩(wěn)定性和可靠性，能夠滿足工程實踐的需求。

風流參數監(jiān)測值和感知值為智能控制系統(tǒng)提供了實時的風流參數依據，系統(tǒng)根據井下交接班時間、設備檢修時間及風量需求，動態(tài)調整通風機運行狀態(tài)及風流調節(jié)設施，從而優(yōu)化井下風流分配，及時排出有毒有害氣體，改善作業(yè)環(huán)境。

通過分析不同時間段的數據，系統(tǒng)能夠識別風流參數的變化規(guī)律及潛在異常。這種趨勢分析有助于及時調整通風策略，確保礦井空氣質量和安全，同時優(yōu)化能源利用，降低運行成本。此外，系統(tǒng)還可以通過回顧和總結歷史數據，統(tǒng)計特定時間范圍內的風量數據，為未來通風方案的優(yōu)化提供數據支持，提升通風系統(tǒng)調控指令的可靠性，助力礦山智能化建設。

4 結論

1） 采用深度學習MLP 算法構建了礦井風流參數智能感知模型。該模型表現出較高的擬合優(yōu)度和感知精度，其預測風流參數的決定系數R2為0.998，均方根誤差為0.215 9，平均絕對誤差為0.085。此外，MLP 作為該感知模型的基礎框架，具有較強的通用性，可推廣應用于其他礦山的風流參數預測任務。

2） 提出了一種基于有限數量傳感器數據的礦井風流參數智能感知方法。該方法利用風流參數監(jiān)測系統(tǒng)采集的風流信息作為 AI 算法模型的輸入，實現對礦井全域風流分布的實時感知。通過智能感知可有效解決礦井全局風流參數實時獲取的關鍵技術難題。

3） 應用三維仿真系統(tǒng)模擬了某金屬礦山在不同通風機運行工況、不同自然風壓狀態(tài)下的礦井風流流動參數，建立了AI 算法模型的訓練測試數據集。經訓練的風流參數智能感知模型在預測礦井生產作業(yè)區(qū)域及主要巷道的風流參數時，平均誤差控制在5% 以內，精度較高。

參考文獻（References）：

[ 1 ]董建軍，謝鄭權，楊嫡，等. 基于FBG 傳感器的回采巷道錨桿支護監(jiān)測分析[J]. 安全與環(huán)境學報， 2021，21（5）：2013-2021.

DONG Jianjun， XIE Zhengquan， YANG Di， et al.Monitoring and analysis of the bolt supporting for themining roadways based on the FBG sensor[J]. Journalof Safety and Environment，2021，21（5）：2013-2021.

[ 2 ]劉尹霞，馬恒，楊皓然. 礦井風速傳感器可變模糊優(yōu)選方案[J]. 遼寧工程技術大學學報（自然科學版） ，2017，36（10）：1031-1035.

LIU Yinxia，MA Heng， YANG Haoran. Variable fuzzyoptimal selection scheme for mine wind speedsensor[J]. Journal of Liaoning Technical University（Natural Science），2017，36（10）：1031-1035.

[ 3 ]TANG Wenxuan， ZHANG Qilong， CHEN Yin， et al.An intelligent airflow perception model for metal minesbased on CNN-LSTM architecture[J]. Process Safetyand Environmental Protection，2024，187：1234-1247.

[ 4 ]LIU Yujiao， LIU Zeyi， GAO Ke， et al. Efficientgraphical algorithm of sensor distribution and air volumereconstruction for a smart mine ventilation network[J].Sensors，2022，22（6）. DOI：10.3390/S22062096.

[ 5 ]周福寶，魏連江，夏同強，等. 礦井智能通風原理、關鍵技術及其初步實現[J]. 煤炭學報，2020，45（6）：2225-2235.

ZHOU Fubao， WEI Lianjiang， XIA Tongqiang， et al.Principle，key technology and preliminary realization ofmine intelligent ventilation[J]. Journal of China CoalSociety，2020，45（6）：2225-2235.

[ 6 ]閆麗新，王宏浩. 基于無線網絡技術的礦井無線管理信息系統(tǒng)的研究[J]. 煤炭技術，2013，32（12）：149-151.

YAN Lixin， WANG Honghao. Research of minewireless management information system based onwireless network technology[J]. Coal Technology，2013，32（12）：149-151.

[ 7 ]高俊祥，高孝亮. 自動化控制技術在煤礦通風系統(tǒng)中的應用[J]. 煤礦安全，2011，42（11）：81-84.

GAO Junxiang， GAO Xiaoliang. Application ofautomatic control technology in coal mine ventilationsystem[J]. Safety in Coal Mines，2011，42（11）：81-84.

[ 8 ]REN Chen， CAO Shijie. Implementation andvisualization of artificial intelligent ventilation controlsystem using fast prediction models and limitedmonitoring data[J]. Sustainable Cities and Society，2020，52. DOI：10.1016/j.scs.2019.101860.

[ 9 ]潘竟?jié)w丹，李宗翔，等. 大明礦通風系統(tǒng)故障源診斷及風速傳感器的布置[J]. 煤炭學報，2013，38（S1）：153-158.

PAN Jingtao， ZHAO Dan， LI Zongxiang， et al. Faultsource diagnosis for ventilation system and air velocitytransducer placement in Daming Mine[J]. Journal ofChina Coal Society，2013，38（S1）：153-158.

[10]趙丹，潘竟?jié)? 改進靈敏度矩陣的礦井通風故障源診斷及傳感器布置研究[J]. 中國安全科學學報，2011，21（2）：78-84.

ZHAO Dan， PAN Jingtao. Fault source diagnosis formine ventilation based on improved sensitivity matrixand its wind speed sensor setting[J]. China SafetyScience Journal，2011，21（2）：78-84.

[11]楊戰(zhàn)旗，郝天軒. 礦井通風安全智能監(jiān)測監(jiān)控系統(tǒng)研制[J]. 工礦自動化，2017，43（9）：110-114.

YANG Zhanqi， HAO Tianxuan. Development ofintelligent monitoring and control system for mineventilation safety[J]. Industry and Mine Automation，2017，43（9）：110-114. .

[12]楊帥，撒占友，王相君，等. 基于環(huán)境監(jiān)測的礦井通風三維仿真輔助決策系統(tǒng)設計[J]. 中國安全生產科學技術，2020，16（1）：80-84.

YANG Shuai， SA Zhanyou， WANG Xiangjun， et al.Design of 3D simulation assistant decision-makingsystem for mine ventilation based on environmentalmonitoring[J]. Journal of Safety Science andTechnology，2020，16（1）：80-84.

[13]欒王鵬. 礦井智能通風與實時監(jiān)測控制系統(tǒng)[J]. 山東煤炭科技，2019，37（5）：183-185，191.

LUAN Wangpeng. Mine intelligent ventilation and realtimemonitoring and control system[J]. Shandong CoalScience and Technology，2019，37（5）：183-185，191.

[14]李鴻蔚，王海寧，胡天壽，等. 金屬礦井智能通風平臺開發(fā)與應用[J]. 金屬礦山，2024（9）：181-189.

LI Hongwei， WANG Haining， HU Tianshou， et al.Developmentand application of intelligent ventilationplatform for metal mines[J]. Metal Mine， 2024（9） ：181-189.

[15]邵良杉，聞爽爽. 基于GRU 神經網絡的巷道平均風速獲取研究[J]. 黃金科學技術，2021，29（5）：709-718.

SHAO Liangshan， WEN Shuangshuang. Research onobtaining average wind speed of roadway based on GRUneural network[J]. Gold Science and Technology，2021，29（5）：709-718.

[16]蔣仲安，楊向東. 基于環(huán)境參數協(xié)同預測風速的掘進面智能變頻通風控制系統(tǒng)[J]. 金屬礦山，2023（7）：57-65.

JIANG Zhong'an， YANG Xiangdong. Intelligentvariable frequency ventilation control system forexcavation face based on collaborative prediction ofwind speed by environmental parameters[J]. MetalMine，2023（7）：57-65.

[17]卞歡，劉劍，劉學，等. 基于GA?BP 神經網絡的巷道平均風速單點測試研究[J]. 中國安全生產科學技術，2023，19（5）：57-64.

BIAN Huan， LIU Jian， LIU Xue， et al. Research onsingle point test of average wind speed in roadway basedon GA-BP neural network[J]. Journal of Safety Scienceand Technology，2023，19（5）：57-64.

[18]王海寧，厲志安. 一種礦井巷道平均風速的單點測控裝置與方法：CN202010050498.8[P]. 2022-04-12.

WANG Haining，LI Zhi'an. A single point measurementand control device and method for average wind speed inmine tunnels：CN202010050498.8[P]. 2022-04-12.

[19]汪光鑫. 基于三維仿真系統(tǒng)的礦井風流調控技術及應用研究[D]. 贛州：江西理工大學，2014.

WANG Guangxin. Research on mine airflow controltechnology and applications based on 3D simulationsystem[D]. Ganzhou：Jiangxi University of Science andTechnology，2014.

[20]萬宇鵬，周遠波，文捷，等. 基于神經網絡的聲學參數預測方法研究[J]. 中國測試，2024，50（2）：167-171.

WAN Yupeng， ZHOU Yuanbo， WEN Jie， et al.Research of acoustic parameter prediction method basedon neural network[J]. China Measurement amp; Test，2024，50（2）：167-171.

[21]鄭太雄，賀吉，張良斌. 基于LSTM 神經網絡的混合燃料HCCI 發(fā)動機復雜工況下燃燒正時估計[J]. 儀器儀表學報，2020，41（10）：100-110.

ZHENG Taixiong， HE Ji， ZHANG Liangbin.Combustion timing estimation of the HCCI engine withmixed fuel under complex operating conditions based onLSTM neural network[J]. Chinese Journal of ScientificInstrument，2020，41（10）：100-110.

[22]傅興宇，陳穎悅，陳玉明，等. 一種全連接粒神經網絡分類方法[J]. 山西大學學報（自然科學版） ， 2023，46（1）：91-100.

FU Xingyu， CHEN Yingyue， CHEN Yuming， et al. Aclassification method of fully connected granular neuralnetwork[J]. Journal of Shanxi University（NaturalScience Edition），2023，46（1）：91-100.

[23]POLO-MENDOZA R， DUQUE J， MA?íN D.Prediction of California bearing ratio and modifiedproctor parameters using deep neural networks andmultiple linear regression： a case study of granularsoils[J]. Case Studies in Construction Materials， 2024，20. DOI：10.1016/j.cscm.2023.e02800.

[24]張振生，蔡景，張瑞，等. 航空發(fā)動機滑油消耗率計算與預測方法[J]. 南京航空航天大學學報， 2024，56（4）：668-676.

ZHANG Zhensheng， CAI Jing， ZHANG Rui， et al. Acalculation and prediction method of lubricating oilconsumption rates for aeroengines[J]. Journal ofNanjing University of Aeronautics amp; Astronautics，2024，56（4）：668-676.

[25]韓意，姜逢源，田海慶，等. 基于多層感知機的墜物對海底管道損傷預測及可靠性分析[J]. 海洋湖沼通報，20206）：37-43.

HAN Yi， JIANG Fengyuan， TIAN Haiqing， et al.Damage prediction and reliability analysis of submarinepipelines subject to dropped objects based on multi-layerperceptron[J]. Transactions of Oceanology andLimnology，2020（6）：37-43.

[26]FARMANIFARD S， ASGHAR ALESHEIKH A，SHARIF M. A context-aware hybrid deep learningmodel for the prediction of tropical cyclonetrajectories[J]. Expert Systems with Applications，2023，231. DOI：10.1016/J.ESWA.2023.120701.

基金項目：浙江省應急管理研發(fā)攻關科技項目（2024YJ004）。