基于GRU神经网络的巷道平均风速获取研究

doi:10.11872/j.issn.1005-2518.2021.05.054

基于GRU神经网络的巷道平均风速获取研究

邵良杉^,¹^,², 闻爽爽^,¹^,²

1.辽宁工程技术大学管理科学与工程研究院，辽宁葫芦岛 125105

2.辽宁工程技术大学工商管理学院，辽宁葫芦岛 125105

Research on Obtaining Average Wind Speed of Roadway Based on GRU Neural Network

SHAO Liangshan^,¹^,², WEN Shuangshuang^,¹^,²

1.Institute of Management Science and Engineering，Liaoning Technical University，Huludao 125105，Liaoning，China

2.School of Business Administration，Liaoning Technical University，Huludao 125105，Liaoning，China

通讯作者: 闻爽爽（1996-），女，辽宁沈阳人，硕士研究生，从事通风系统优化研究工作。18340312141@163.com

收稿日期: 2021-05-09 修回日期: 2021-08-27

基金资助:

国家自然科学基金项目“基于大数据的煤与瓦斯突出的预测方法与应用研究”. 71771111

Received: 2021-05-09 Revised: 2021-08-27

作者简介 About authors

邵良杉（1961-），男，辽宁凌源人，教授，博士生导师，从事矿业系统工程和通风系统优化研究工作lntushao@163.com , E-mail：lntushao@163.com

摘要

针对矿井智能通风系统不能及时获取风速进而影响后续通风系统解算及优化的问题，利用ANSYS巷道风速分布模拟获取神经网络所需训练集，在人工测量与风速传感器监测数据的基础上，构建基于门控循环单元（Gated Recurrent Unit）神经网络的巷道平均风速预测模型。首先，提出神经网络模型，然后采用Adam优化算法对ANSYS模拟的点风速进行异常值和归一化等预处理，通过对不同形状巷道的监测点风速进行结构化处理后用于训练神经网络，找出各点风速与平均风速之间的强非线性关系，使预测风速逼近巷道实际平均风速，最后构建基于GRU神经网络的巷道平均风速预测模型。以王家岭煤矿实测数据作为测试集，将其应用于预测模型中，结果表明GRU神经网络模型具有较高精度和较强的泛化能力，能够获取巷道平均风速。矿井通风巷道平均风速预测模型在煤矿领域的成功应用，将为其他金属矿山智能通风系统及时准确获取风速参数提供新思路。

关键词： 智慧矿山 ; GRU神经网络 ; 监测监控系统 ; 平均风速 ; 智能通风系统

Abstract

With the advent of the intelligent era， computer simulation algorithms such as machine learning and deep learning have played a role in many fields such as aerospace， medical treatment， education and communication. For the traditional industry of mining， the concept of smart mine has become a research hotspot of relevant researchers in recent years. Intelligent technologies such as machine learning have been used in pedestrian detection， gas prediction， coal rock identification has been successfully applied to practical production， but the intelligent acquisition of parameters in intelligent ventilation system is still in a blank. Therefore， under the background of smart mine， aiming at the problem that the mine intelligent ventilation system can’t obtain the wind speed in time and then complete the subsequent ventilation system solution and optimization， the training set required by the neural network is obtained by using the simulation of tunnel wind speed distribution in ANSYS. Based on manual measurement and wind speed sensor monitoring data， the prediction model of roadway average wind speed based on gated recurrent unit neural network was constructed. Firstly， the neural network model was proposed， and then the Adam optimization algorithm was used to preprocess the data such as outlier processing and normalization. After the structural processing of the wind speed at the monitoring points of the roadway with different shapes， it was used to train the neural network to find out the strong nonlinear relationship between the wind speed at each point and the average wind speed， so that the predicted wind speed is close to the actual average wind speed of the roadway. Finally， the prediction model of roadway average wind speed based on GRU neural network was constructed. Taking the measured data of Wangjialing coal mine as the model test set， the results show that the GRU neural network model has high precision and strong generalization ability， and can obtain the average wind speed of roadway， which will provide a roadway average wind speed prediction model with advanced technology， scientific process and accurate results for the mine intelligent ventilation system. Moreover， the strong prediction ability of in-depth learning will provide intelligent data for the solution and optimization of ventilation network， it can be extended to the acquisition of ventilation parameters in other metal mines to popularize the intelligent acquisition of ventilation parameters.

Keywords： smart mine ; GRU neural network ; monitoring and monitoring system ; average wind speed ; intelligent ventilation system

PDF (2401KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

邵良杉, 闻爽爽. 基于GRU神经网络的巷道平均风速获取研究[J]. 黄金科学技术, 2021, 29(5): 709-718 doi:10.11872/j.issn.1005-2518.2021.05.054

SHAO Liangshan, WEN Shuangshuang. Research on Obtaining Average Wind Speed of Roadway Based on GRU Neural Network[J]. Gold Science and Technology, 2021, 29(5): 709-718 doi:10.11872/j.issn.1005-2518.2021.05.054

智能通风的基础是通风系统仿真参数的准确及时获取，以便及时调整风窗风阻、主风机转速频率或叶片角度，从而达到按需供风的最佳状态的目的（吴新忠等，2021；曹龙等，2021）。通风系统仿真参数包括风路压差、干湿温度、风速、大气压和巷道断面积5项（卢新明等，2020）。其中，最难准确获取的是风速，主要原因是监测监控系统难以准确、及时地反映巷道通过的平均风速，且受空气黏性和巷道壁面摩擦的制约，煤矿井巷断面风速并不是均匀分布的，而是分为层流状态和紊流状态（赵丹等，2014），因此，风速传感器的安装位置要符合一定的要求。根据普朗特的流体力学理论（李曼等，2017），巷道中的风流为湍流流动，运动中流体具有在各方向脉动的特征（王恩等，2016），各点风速随时间不断变化，而风速传感器监测的风速只能代表巷道风流曲线上某点风速，巷道任意位置、任意角度的传感器测得的风速值均不同，不能准确地反映巷道平均风速。同时，侧身法和迎面法等人工测量方法存在风速获取时间长、工作强度大及误差大（侧身法所得风速通常大于平均风速，迎面法所得风速通常小于平均风速）等缺点，无法及时反馈通风系统的现状。

多年来，研究人员针对巷道平均风速获取进行了广泛研究，大致划分为2个阶段：（1）早期，学者们研究发现断面上某点的风速与该断面的平均风速呈线性变化关系，通过一元线性回归方程、校正系数和MATLAB模拟分析点风速与平均风速之间的关系（赵丹等，2011；郝元伟等，2011；周西华等，2012；王军等，2013）。（2）近年来，侧重于研究巷道断面上哪一个点或哪些点可以代表平均风速，并以此确定风速传感器安装位置，提出了中轴线点位和“关键环”等重要研究成果（王翰锋，2015；丁翠等，2015；宋莹等，2016；张浪，2018；李雪冰，2018）。由此可见，早期研究更突出工程实用性，但关于点风速与平均风速间的真实关系和转换机制缺乏严谨的理论指导；近年来理论研究有所突破，能够实现单点对平均风速的直接测试，但假定的模型不同，得到代表点的位置也不同（罗广，2020）。随着智能时代的到来，机器学习和深度学习等计算机仿真算法在航天、医疗、教育及通信等众多领域得到了广泛应用，我国矿业行业也尝试引入智能化技术，并将其成功应用于智能绿色金属矿山、地下采空区、井下人员追踪、灾害预测和岩体识别等方面（胡建华等，2018；赵威等，2018；李夕兵等，2019；刘晓明等，2020；程力等，2020；陈龙等，2021），但对于智能通风系统中的参数智能化获取尚未进行探索研究。

鉴于此，针对智能通风系统的风速参数获取，利用ANSYS巷道风速分布模拟获取神经网络所需训练集，建立了GRU神经网络巷道平均风速预测模型。以王家岭煤矿井下实测数据作为测试集，预测巷道断面平均风速，以期解决手工勘测强度高、仿真模拟所需参数较多而导致计算效率低以及监测监控系统获取数据不准确等问题，为煤矿及其他金属矿井智能通风数据采集与联动调控奠定智能化基础，逐步实现矿山智能化和无人化建设（邵良杉等，2020）。

1 GRU神经网络理论

长短时记忆神经网络（Long Short Term Memory Network，LSTM）是由Hochreiter et al.（1997）提出的，其隐藏布局结构如图1所示。2014年Cho et al.（2014）在LSTM的基础上提出了GRU神经网络，将LSTM神经网络中的遗忘门、输入门和输出门这3种门缩减成重置门和更新门，相比于LSTM，GRU神经网络中没有单独的存储单元（闫航等，2021），样本训练效率更高，故为首选深度学习方法。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 LSTM隐藏层结构示意图

Fig.1 Schematic diagram of LSTM hidden layer structure

图2为GRU隐藏层结构示意图。更新门控制的前一时刻信息与当前时刻信息的影响成反比，即前一时刻的信息对当前时刻的影响随着更新门值的增大而减小；重置门控制与前一时刻信息的接收成正比，即前一时刻的信息接收随着重置门值的增大而增多。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 GRU隐藏层结构示意图

Fig.2 Schematic diagram of GRU hidden layer structure

更新门状态z_t可由下式求得：

z_{t} = σ (W_{z} [h_{t - 1}, x_{t}])

（1）

式中： $σ$ 表示sigmoid函数，W_z表示更新门的权重， $h_{t - 1}$ 表示前一时刻的状态信息， $x_{t}$ 表示输入信息。

重置门状态r_t可按下式求得：

r_{t} = σ (W_{r} [h_{t - 1}, x_{t}])

（2）

式中：W_r表示重置门的权重。

当前神经元的特定输出值为

{\tilde{h}}_{t} = t a n h (W [r_{t} * h_{t - 1}, x_{t}])

（3）

$式中 : W$ 表示GRU网络权重参数；“ $*$ ”表示哈达玛积。

GRU网络的输出值为

h_{t} = (1 - z_{t}) h_{t - 1} + z_{t} x_{t}

（4）

式中： $z_{t}$ 表示更新门。

GRU神经网络的训练方法基于反向传播理论，其具体步骤如图3所示。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 GRU神经网络训练步骤

Fig.3 Training steps of GRU neural network

2 巷道风速预测模型

矿井风速是个动态变化的数据，神经网络在训练完成后，网络权值、阈值和结构是不变的，神经网络对动态系统的适应性表现在其非常定性。神经网络具有自适应、自组织和自学习能力，不仅处理的信息有各种变化，而且在处理信息的同时，非线性动力系统本身也在不断变化，其通过迭代过程描写系统的演化过程。

2.1 方法流程设计

基于GRU神经网络的巷道平均风速预测方法框架流程如图4所示，主要包括以下5个步骤。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 基于GRU神经网络的平均风速精确获取流程

Fig.4 Accurate acquisition process of average wind speed based on GRU neural network

（1）获取训练集（点风速）。根据王家岭煤矿巷道尺寸，利用SolidWorks构建三维模型，使用ANSYS软件进行风速场模拟研究，选择模拟速度为0.5~5 m/s，间隔0.5 s选取一个速度，共有10个不同风速，选择湍流的雷诺时均方程进行数值模拟，仿真出具体巷道风速分布。受篇幅限制，仅以入口风速为3 m/s时，选择常见的拱形巷道和矩形巷道2种不同断面的巷道在所选截面（模拟总长200 m，截面为距入口100 m处）上的风速分布，其中，巷道三维结构如图5所示，风速场分布如图6所示，平均风速曲线如图7所示。每间隔0.1 m取一个断面，每个断面分成0.5×0.5个小区域，最终获得的大量模拟点风速数据导入Excel表格中，作为神经网络模型可选训练集。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 不同巷道三维结构示意图

Fig.5 Simulate 3D structure

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 风速场分布图

Fig.6 Distribution of wind speed field

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 平均风速曲线

Fig.7 Mean wind speed curve

（2）对模拟数据进行异常值和归一化等预处理。

（3）针对巷道平均风速构建GRU神经网络模型，初始化网络参数，并根据试验确定网络层数和隐藏层神经元等超参数。

（4）利用训练集对神经网络进行迭代训练，在训练过程中不断优化各项超参数，直至模型训练误差达到既定目标，保存模型。

（5）利用王家岭煤矿现场实测数据对已经训练好的GRU模型进行测试，将得到的预测值进行反归一化处理，从而获得与实际平均风速相对应的预测值。

2.2 模型参数确定

（1）权重优化算法。根据误差项，计算相应的权重梯度的优化算法包括随机梯度、AdaGrad、RMSProp和适应性动量估计（Adam）算法（Kingma et al.，2014）等。Adam优化算法集成了AdaGrad和RMSProp算法的优势，适用于各种梯度优化，且具有操作简单和内存需求低的优点，因此，模型将Adam算法作为优化误差项的首选。

（2）数据预处理。在图4中输入层采用的归一化公式可表示为：

{\tilde{x}}_{i} = \frac{x_{i} - x_{m i n}}{x_{m a x} - x_{m i n}} (i = 1,2, \dots, n)

（5）

式中： ${\tilde{x}}_{i}$ 为归一化后的数据， $x_{i}$ 为原始数据， $x_{m i n}$ 和 $x_{m a x}$ 分别为 $x_{i}$ 的最小值和最大值。

（3）参数设置。采用平均绝对误差（L1损失）（Mean Absolute Error，MAE）和均方误差（L2损失）（Mean Square Error，MSE）2种损失函数进行结果对比分析，确保模型建立的严谨性，MAE和MSE的具体公式（张志昌等，2020）见式（6）和式（7），训练过程的详细数据如表1所示。

M A E = \frac{1}{n} \sum_{i = 1}^{n} ∣ {\hat{y}}_{i} - y_{i} ∣

（6）

M S E = \frac{1}{n} \sum_{i = 1}^{n} {(y_{i} - {\hat{y}}_{i})}^{2}

（7）

式中：n是样本数量； ${\hat{y}}_{i}$ 代表预测值， $y_{i}$ 代表实际值。

表1 误差数据

Table 1 The error data

算法遍历次数	训练集损失	均方误差	平均绝对误差	测试集损失	均方误差损失	平均绝对误差损失
1	3.66E-02	3.66E-02	1.31E-01	1.80E-02	1.80E-02	1.20E-01
2	2.50E-02	2.50E-02	1.22E-01	1.40E-02	1.40E-02	1.07E-01
3	1.91E-02	1.91E-02	1.07E-01	9.96E-03	9.96E-03	8.98E-02
4	1.41E-02	1.41E-02	9.02E-02	6.80E-03	6.80E-03	7.47E-02
5	1.01E-02	1.01E-02	7.42E-02	4.63E-03	4.63E-03	6.30E-02
6	6.99E-03	6.99E-03	6.10E-02	2.52E-03	2.52E-03	4.54E-02
7	4.78E-03	4.78E-03	4.80E-02	1.40E-03	1.40E-03	3.36E-02
8	3.27E-03	3.27E-03	3.78E-02	7.84E-04	7.84E-04	2.51E-02
9	2.30E-03	2.30E-03	3.06E-02	3.84E-04	3.84E-04	1.68E-02
10	1.70E-03	1.70E-03	2.49E-02	1.91E-04	1.91E-04	9.91E-03
11	1.33E-03	1.33E-03	2.05E-02	1.32E-04	1.32E-04	7.53E-03
12	1.12E-03	1.12E-03	1.81E-02	1.32E-04	1.32E-04	8.89E-03
13	9.92E-04	9.92E-04	1.73E-02	1.54E-04	1.54E-04	1.03E-02
14	9.19E-04	9.19E-04	1.70E-02	1.77E-04	1.77E-04	1.07E-02
15	8.71E-04	8.71E-04	1.68E-02	1.99E-04	1.99E-04	1.12E-02
16	8.42E-04	8.42E-04	1.69E-02	2.23E-04	2.23E-04	1.25E-02
17	8.21E-04	8.21E-04	1.67E-02	2.32E-04	2.32E-04	1.27E-02
18	8.03E-04	8.03E-04	1.68E-02	2.50E-04	2.50E-04	1.37E-02
19	7.90E-04	7.90E-04	1.67E-02	2.55E-04	2.55E-04	1.40E-02
20	7.78E-04	7.78E-04	1.66E-02	2.53E-04	2.53E-04	1.39E-02

新窗口打开| 下载CSV

训练过程的损失值随Epochs变化如图8所示。loss值：训练集损失，Val-loss值：测试集损失，二者均下降，一同收敛，说明模型表现良好，情况最佳。为了确定隐藏层层数与神经元个数，由图8和表1可知，当隐藏层数为两层，神经元数为8时，MAE与MSE达到最小，若继续增加层数，将导致过拟合现象。图8显示，曲线均同时下降后趋于平稳，不存在过拟合现象，所以可以根据最佳参数（神经元数为8，批次大小为12，时间步长为9，学习速率为0.001）训练最终模型，确保测试集的有效性。

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8 训练样本与测试样本随Epochs的损失、MSE和MAE变化曲线

Fig.8 Loss of training samples and test samples with Epochs， MSE and MAE curve

使用Python编程语言构建模型。经过反复迭代和测试，综合考虑计算效率和准确性的情况下，确定神经网络结构为1个输入层、2个隐藏层和1个输出层。选择sigmoid函数和tanh函数作为激活函数，同时采用Adam优化算法对目标函数进行优化，神经元数为8，批次大小为12，时间步长为9，学习速率为0.001。

3 实例应用

3.1 数据采集

以王家岭煤矿井下实测数据为测试集，应用构建的GRU神经网络巷道平均风速预测模型，在训练好的基础上，将人工采集数据作为测试集进行仿真计算。其中，王家岭煤矿拱形、矩形锚喷巷道原始点风速如表2和表3所示（测试集点风速通过人工九点法采集，平均风速为所在断面风速传感器监测值）。

表2 拱形巷道断面九点法实测风速

Table 2 Measured wind speed by nine-point method in arch roadway section

断面	断面尺寸（高度×宽度）/m	V1	V2	V3	V4	V5	V6	V7	V8	V9	实测平均风速 /（m·s^-1）
断面1	3.84×3.84	0.7525	0.7772	0.8142	0.7402	0.7710	0.8142	0.7525	0.7648	0.7278	0.7683
断面2	4.55×3.87	1.3706	1.3770	1.4204	1.3706	1.5571	1.1282	1.3644	1.4701	1.1220	1.3534
断面3	4.63×3.71	1.8317	1.6652	1.5048	1.7885	1.7453	1.5295	1.8810	1.6652	1.3692	1.6645
断面4	2.54×3.83	0.5737	0.6107	0.4935	0.5737	0.6107	0.5243	0.5243	0.5860	0.5737	0.5634
断面5	5.52×4.04	0.4104	0.3398	0.3339	0.3810	0.4163	0.4222	0.4104	0.3457	0.3339	0.3771
断面6	4.51×5.47	4.0442	4.4602	4.3770	3.6116	4.4435	4.4269	3.2456	3.9943	3.9943	4.0664
断面7	3.02×3.81	10.6212	11.4010	9.2175	9.8413	11.0891	11.0891	8.5312	10.9331	8.7496	10.1637

新窗口打开| 下载CSV

表3 矩形巷道断面九点法实测风速

Table 3 Measured wind speed by nine-point method in rectangular roadway section

断面	断面尺寸（高度×宽度）/m	V1	V2	V3	V4	V5	V6	V7	V8	V9	实测平均风速 /（m·s^-1）
断面1	4.98×3.47	2.1620	2.0180	2.1620	2.2772	2.1908	2.2628	2.2628	2.2484	2.2628	2.2052
断面2	4.79×4.14	0.4503	0.4010	0.3332	0.4318	0.3887	0.3332	0.4380	0.3640	0.3517	0.3880
断面3	3.41×4.90	0.4318	0.4010	0.3640	0.4503	0.4627	0.4010	0.3578	0.4812	0.4010	0.4168
断面4	3.17×4.43	0.7095	0.6472	0.6472	0.7718	0.7157	0.7282	0.7406	0.7406	0.7095	0.7123
断面5	2.54×3.33	1.3233	1.1557	1.1325	1.4126	1.4238	1.3345	1.3456	1.4238	1.4462	1.3331
断面6	2.74×4.58	6.0981	5.7862	5.9110	6.5972	6.5660	6.5348	6.4413	6.5348	6.2541	6.3026

新窗口打开| 下载CSV

3.2 结果分析

巷道平均风速预测结果和准确率如表4和图9所示。预测结果的准确率分析以吻合度来表示，公式如下：

c o i n = \frac{{\hat{y}}_{i}}{y_{i}}

（8）

表4 巷道断面实测风速与预测风速对比

Table 4 Comparison of measured and predicted wind speed in roadway section

断面类型	断面	实测风速/（m·s^-1）	预测风速/（m·s^-1）	准确率/%	断面类型	断面	实测风速/（m·s^-1）	预测风速/（m·s^-1）	准确率/%
拱形锚喷	断面1	0.76	0.59	0.78	矩形锚喷	断面1	2.20	2.20	1
	断面2	1.35	1.23	0.91		断面2	0.38	0.34	0.9
	断面3	1.66	1.62	0.98		断面3	0.41	0.41	1
	断面4	0.59	0.33	0.56		断面4	0.71	0.49	0.69
	断面5	0.37	0.27	0.73		断面5	1.33	1.28	0.96
	断面6	4.06	4.42	1.08		断面6	6.30	6.68	1.06
	断面7	10.16	10.29	1.01

新窗口打开| 下载CSV

图9

新窗口打开| 下载原图ZIP| 生成PPT

图9 巷道平均风速预测结果

Fig.9 Forecast result of average wind speed in roadway

由表4可知，拱形锚喷断面2、断面3、断面6、断面7，矩形锚喷断面1、断面2、断面3、断面5、断面6的预测准确率的误差均在10%以内。

选取的13组数据，有9组的吻合度在90%以上，其余4组吻合度较低可能是因为井下多变复杂的情况造成的，整体来看，基于GRU神经网络的巷道平均风速预测模型应用效果良好，为煤矿智能通风参数获取提供了智能新手段。

《煤矿安全规程》规定：矿井每10 d进行1次全面测风。目前测风工作主要是由测风员采用侧身法和迎面法等传统方法测得，但运用传统方法测风时测风员要在测风断面走动，重复多次测量，导致被测量断面风速发生变化，给测风结果带来误差，无法确保测风员的安全性和测量结果的准确性，而且每10 d要对整个矿井的几十个乃至上百个测点进行测量，工作强度极大。深度GRU神经网络预测模型在给定某一点风速后便可在极短时间内得到对应的平均风速，能够缓解监测监控系统无法及时准确地获取巷道风速等问题，避免人工测量的困难、误差和经验判断，获取的风速即为巷道的平均风速值，结合对应的巷道断面面积，就能求得巷道风量，完成后续的风网测算、通风阻力测算等智能通风系统的各个有机模块运算步骤。该预测模型也可推广应用于其他矿井，根据构建模型的步骤，针对具体矿井进行训练，待训练成熟之后，便可使用该模型为其智能通风系统提供所需通风数据，确保数据获取及时准确，以完成后续通风管理工作。与传统风速测量方法相比，GRU神经网络具有更准时的数据获取能力，在大数据时代，为智慧矿山智能通风系统的风速参数获取提供了智能方法。

4 结论

基于GRU神经网络的巷道平均风速预测方法，通过点风速数据，自动找到点风速与巷道平均风速之间的强非线性关系，弥补了传统人工测量、经验公式和统计分析的局限性以及监测监控系统获取不及时、不准确的缺陷。将预测结果与实测结果进行对比分析后发现，二者结果基本吻合，GRU预测值可以反映出对应巷道断面的平均风速，该方法对平均风速的智能获取具有较高的准确性和稳健性，将为后续通风网络解算提供数据支持。

（1）通过三维结构和风速场模拟获取训练集，经多次训练后，根据人工测量及风速传感器监测数据得到的基于GRU神经网络的巷道平均风速预测模型，将为矿井智能通风系统提供一种技术先进、过程科学和结果精准的巷道平均风速预测模型。

（2）GRU神经网络可以预测巷道平均风速，解决传统人工测量的困难，相比于监测监控系统可以更加准确及时地获取风速，为智能通风网络解算提供数据基础。

（3）将深度学习强大的预测能力，应用于巷道平均风速的获取中，为通风网络解算、优化提供智能化数据。该预测模型具备良好的性能，准确率高，存在误差的原因很可能是受极端条件的影响，后续可推广到其他矿井的通风参数获取中，让通风参数智能获取更加普及。

http://www.goldsci.ac.cn/article/2021/1005-2518/1005-2518-2021-29-5-709.shtml

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[]

Cao

Long

，Yang

Min

，2021.

Key technology of intelligent ventilation in metal mines

［J］. World Nonferrous Metals，（12）：100-101.

Chen

Long

，Wang

Xiao

，Yang

Jianjian

，al

，2021.

Parallel mining operating systems： from digital twins to mining intelligence

［J］. Acta Automatica Sinica，47（7）：1633-1645.

Cheng

，Liu

Huanxin

，Zhu

Mingde

， al

，2020.

Current situation and prospect of research on underground goaf in metal mines

［J］. Gold Science and Technology， 28（1）：70-81.

Cho

，Van Merriënboer

，Bahdanau

，al

，2014.

On the properties of neural machine translation：Encoder-decoder approaches

［J］.arXiv：1409.1259. DOI：10.3115/v1/W14-4012.