摘要：针对井下瓦斯通风网络风流密度误差大的问题，建立矿井风流密度计算模型，对瓦斯通风网络风流密度预测方法进行研究。对通风网络参数进行测定，并建立BP神经网络预测算法模型。经实际工程背景数据进行验证，结果表明：使用基于BP神经网络风流密度预测方法对矿井风流密度进行预测，相对误差最大为8.20％，巷道关键节点风流密度预测误差均不超过5％，最大相对误差为4.9％，误差范围能够满足井下对风流密度预测精度的需求。

       关键词：BP神经网络；矿井瓦斯通风；风流密度；预测方法

       0引言

　　矿井通风系统是保证井下安全生产的重要组成部分，通过通风设备为井下提供充足的新鲜空气，并确保井下的空气质量[1-1]。然而，由于井下矿井通风系统仍然需要人工操作，智能化矿井建设缓慢，难以满足井下防灾抗灾能力提高和构建安全体系环节的需求3。智能化通风系统作为推进建设智能化的必经之路，核心关键是要实现通风网络的实时计算和预测，其中，关键的通风参数是矿井风流密度。目前，由于矿井通风参数测量困难，测量过程复杂、工作量大，且成本较高，导致通风网络预测效率和误差精度较低。因此，以矿井瓦斯通风网络为研究对象，针对井下通风网络风流密度误差大的问题，研究基于BP神经网络的矿井瓦斯通风网络风流密度预测方法。建立矿井风流密度计算模型，在此基础上对矿井瓦斯通风网络风流密度预测方法进行研究，对通风网络参数进行测定，并建立BP神经网络预测算法模型，最后通过实际工程背景数据进行验证。

       1工程概况

　　煤矿位于煤田西北部，矿井开采超过40 a，核定生产能力为190万t/a。工作面煤层厚度范围为123~256 m。无黏性煤由5层岩石组成，煤层平均厚度为1.86 m。岩石层由平均厚度为0.150.83m的泥岩和砂岩构成。经鉴定，煤矿为低瓦斯矿井。其中，CH气体绝对涌出量约为6.85 m/min，相对涌出里约为1.84 m/min.co。气体绝对涌出里约为16.35 m/min，相对涌出量约为3.56m/min。矿井煤层属于自燃发火等级为Ⅱ类的煤层。目前，该矿井采用对角式通风方式，矿井内布置3个进风井(主井、副井和新副井),2个回风井(东风井和西风井)。针对上述矿井通风网络基本情况，对其通风网络的风流密度预测方法进行研究。

　　2矿井风流密度计算模型

　　矿井中含有大量瓦斯气体，需要将地面的新鲜空气由风井流入井下，再通过回风井返回地面，形成风流路径。在通风的过程中，进入井下的风流包含空气中的水蒸气，这部分湿空气对井下风流密度的计算[式（1）]具有一定影响。因此，井下的风流密度包含空气和水蒸气两部分密度：

　　通常，对风流密度的测定有两种方式，一种是直接测定，另一种是间接测定。直接测定通过测定风流状态参数而获得，通常利用井下巷道布置的测点，借助精密仪器进行人工测量，得到的结果较为精准，但操作过程复杂，人力和物力投入较大，后续的数据处理通常复杂。而间接测定是通过地面的风井口测量温度、湿度和压力，进而对井下的风流密度进行预测，这样的预测方法虽然减少了人力和物力的投入，可操作性更强。但是，所测数据的误差相对直接测定较大。因此，需要对矿井的瓦斯通风风流密度预测方法进行研究，进一步提高预测精度。

　　3矿井瓦斯通风网络风流密度预测

　　3.1通风参数测定

　　矿井的通风参数是进行风流密度预测和实验模拟的重要基础，通常需要通过相关测试仪器完成参数采集，并构建三维仿真模型，进而进行后续的风流密度预测。矿井的风流状态参数、巷道断面尺寸和风速等参数的测定采用通风阻力检测仪、机械风表和激光断面仪联合监测，尽可能减小测量误差。矿井通风系统在矿井节点和分支巷道布置测量点，如图1所示。

　　根据矿井的实际分支情况，共布置了175个测量点。矿井的风流状态参数均为正常数值，在此基础上，构建三维仿真模型。对矿井的瓦斯通风系统进行实测，可以获得如表1所示的实测数据。

　　3.2 BP神经网络预测算法模型

　　井下风流状态受地面风流状态变化的影响，传统的风流密度预测方法准确率较低，无法精准体现矿井风流密度的实际状态。为了提高通风网络的预测精准度，采用BP神经网络预测算法，通过对误差进行反向传播，可以实现较高的容错性和记忆力。BP神经网络模型结构包含有输入层、隐含层和输出层，满足非线性的函数映射，如图2所示。BP神经网络预测的具体流程如图3所示，对数据处理后进行样本训练，并与实测值进行对比，判断是否符合样本的期望结果。不符合，则需要增加训练次数。

　　激活函数（Sigmoid函数）可以在模糊神经网络中

　　4应用效果

　　为了验证基于BP神经网络的矿井瓦斯通风网络风流密度预测方法的应用效果，在现场实测数据的基础上，通过建立三维模型，并进行数据训练，来减小预测值和实测值之间的误差。

　　对BP神经网络进行迭代10 000次训练后，对比风流密度的实测值和预测值，如图4所示。可以看出，BP神经网络对16个矿井进行风流密度预测，相对误差最大为8.20％，各矿井的相对误差均未超过10%,误差范围能够满足井下对风流密度预测精度的需求。

　　对井下20个巷道关键节点的风流密度预测误差进行对比，如图5所示。可以看出，实测值与预测相对误差均不超过5％，最大误差为15号巷道，相对误差为4.9％，误差范围能够满足井下对风流密度预测的精度需求。

　　5结语

　　针对井下瓦斯通风网络风流密度误差大的问题，研究基于BP神经网络的矿井瓦斯通风网络风流密度预测方法。建立矿井风流密度计算模型，对矿井瓦斯通风网络风流密度预测方法进行研究，对通风网络参数进行测定，并建立BP神经网络预测算法模型。最后，通过实际工程背景数据进行验证。结果表明：使用基于BP神经网络风流密度预测方法对矿井进行风流密度预测，相对误差最大为8.20％，各矿井的相对误差均未超过10％，巷道关键节点风流密度预测误差均不超过5％，最大相对误差为4.9％，误差范围能够满足井下对风流密度预测精度的需求。

　参考文献

　　[1]李丽峰，周乾.基于VB语言的矿井风流温湿度预测模型研究[J].矿业安全与环保，2016，43（5）：18-22.

　　[2]龚青.基于数字孪生技术的矿井风流调控虚拟系统设计与开发[J].科学技术创新，2022（22）：180-183.

　　[3]周志杨，晏江波，王海宁，等.多功能矿井风流调控设施的研究与应用[J].中国安全生产科学技术，2016，12（6）：48-53.