(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111451684.3 (22)申请日 2021.12.01 (71)申请人 辽宁工程技术大学 地址 125000 辽宁省葫芦岛市龙湾南大街 188号辽宁工程技术大学工商管理学 院 (72)发明人 闻爽爽　曹旭生　邵良杉　 (51)Int.Cl. G06F 30/27(2020.01) G06F 30/28(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 50/02(2012.01) G06F 113/08(2020.01) (54)发明名称 一种巷道 平均风速预测方法 (57)摘要 本发明公开了一种巷道平均风速预测方法， 其特征在于， 包括步骤： 1)通过ANSYS流体力学 CFD模块模拟巷道各点点风速及平均风速， 作为 深度学习的训练集； 2)采用深度门控循环单元 (GRU)神经网络进行训练建模， 通过不断优化调 参后建立点风速与巷道平均风速之间的强非线 性关系， 形成巷道平均风速预测模型； 3)利用训 练建立的模 型， 对所需预测的巷道断面进行平均 风速预测， 并产生该巷道的平均风速预测结果； 4)通过计算机输出平均风速 预测结果。 本发明考 虑到智慧矿山现状， 结合CFD三维模拟， 通过深度 学习来预测巷道平均风速， 避免了人工测量强度 高、 便捷性差等问题， 对煤矿通风系统智能化管 理具有十分重要的应用价 值。 权利要求书2页 说明书5页 附图3页 CN 114036858 A 2022.02.11 CN 114036858 A 1.一种巷道 平均风速预测方法， 其特 征在于， 包括以下步骤： S1： 通过ANSYS流体力学模块模拟巷道风速场， 得出各点点风速及平均风速， 并对获取 的数据进行 预处理， 作为深度学习的训练集； S2： 采用深度门控循环单元(  GRU )神经网络进行训练建模， 通过不断优化调参后建立 点风速与巷道 平均风速之间的强 非线性关系， 形成巷道 平均风速预测模型； S3： 利用训练建立的模型， 对所需预测的巷道断面进行平均风速预测， 并产生该巷道的 平均风速预测结果； S4： 通过计算机 输出平均风速预测结果。 2.根据权利要求1所述的一种巷道 平均风速预测方法， 其特 征在于： 获取煤矿巷道的尺寸数据， 对每个区域进行网格划分， 并采用CFD方法计算， 以保证在 相应条件下进行风速模拟。 3.根据权利要求1所述的一种巷道平均风速预测方法， 其特征在于： 所述巷道平均风速 预测模型表示如下公式： （1） 其中，  为模型的输出量， 即平均风速的预测值；   作为模型的输入量， 是CFD模 拟巷道断面各点 点风速及平均风速数据。 4.根据权利要求1所述的一种巷道平均风速预测方法， 其特征在于： 在S1中， 对输入数 据进行预处理的方法为 min‑max归一化法， 公式如下： （2） 和  分别是  的最小值和最大值。 5.根据权利要求1所述的一种巷道平均风速预测方法， 其特征在于： 在S2中的深度门控 循环单元深度神经网络是循环神经网络的一种新型变体， 当前时刻的输出 ht不仅取决于当 前时刻的输入 xt， 还取决于前一时刻的隐含层状态量 ht‑1， 其中， 所述深度门控循环单元深 度神经网络包含重置门和更新门两个关键结构， 分别用 rt与zt表示， 每个门都是一个简单的 神经网络， 为了使门的输出固定在0到1之间， 神经网络的激活函数采用Sigmoid函 数，  为 经过重置门处理后的输出候选值。 6.所述深度门控循环单 元深度神经网络的参数迭代更新方式用公式表示 为： （3） （4） （5） （6）权　利　要　求　书 1/2 页 2 CN 114036858 A 2其中  表示为重置门中的参数，   为更新门中的参数，   代表求取输出候选值 过程中的参数， 运算符表示进行数组元素依次相乘， σ 表示sigmoid函数； 重置门 rt能够控制 当前输入 xt与之前时刻状态 ht‑1的结合方式， 更新门 zt决定着有多少前一时刻的状态信息能 够进入当前的时刻。 7.根据权利要求1所述的一种巷道平均风速预测方法， 其特征在于： 通过构建深层网络 结构来获取数据中更深层次的特征， 其中深度门控循环单元神经网络层数为一个输入层、 两个隐藏层、 一个输出层。 8.根据权利要求1所述的一种巷道平均风速预测方法， 其特征在于： 所述巷道平均风速 测模型采用计算相应权 重梯度的优化 算法为适应性动量估计 （Adam） 算法。权　利　要　求　书 2/2 页 3 CN 114036858 A 3