Rapid prediction algorithm for flow field in fully mechanized excavation face based on POD and machine learning
-
摘要: 针对综掘工作面降尘措施难以合理利用的问题，提出了一种基于本征正交分解（POD）与机器学习的综掘工作面流场快速预测算法。利用计算流体力学（CFD）技术对多种工况下的综掘工作面风流场和粉尘浓度场进行模拟，获得高维度流场数据；利用POD对高维度流场数据进行降维，提取能够反映流场主要特性的核心模态，得到流场工况的基函数模态与模态系数；通过机器学习方法预测不同工况下占总能量达到90%以上的模态系数，从而对未知工况的模态系数进行预测，利用预测的模态系数与基函数模态进行重构，得到未知工况的风流场数据或粉尘浓度场。研究结果表明：综掘工作面数值模拟模型的相对误差在3%以内，能够准确反映实际的风流和粉尘分布状况；风流场选择前5阶模态，粉尘浓度场选择前7阶模态，即可兼顾POD重构精度与效率；支持向量机（SVM）模型对模态系数的预测能力优于随机森林及神经网络模型，针对60种不同工况，基于POD和SVM预测的风流速度、粉尘浓度与数值模拟结果之间的相对误差分别为0.36 m/s，86.24 mg/m3，风流场及粉尘浓度场平均预测耗时为73 s，实现了对矿井综掘工作面风流场和粉尘浓度场的高精度快速预测。Abstract: To effectively utilize dust suppression measures in fully mechanized excavation faces, this study proposed a rapid prediction algorithm for the flow field based on proper orthogonal decomposition (POD) and machine learning. First, computational fluid dynamics (CFD) technology was used to simulate the air flow field and dust concentration field under various conditions, generating high-dimensional flow field data. Then, the POD method was applied to reduce the dimensionality of this data, extracting core modes that captured the main characteristics of the flow field and producing basis function modes and mode coefficients. Machine learning techniques were subsequently used to predict the mode coefficients that accounted for over 90% of the total energy under different conditions, enabling predictions of mode coefficients for unknown conditions. Finally, by reconstructing the flow or dust concentration field data using the predicted mode coefficients and basis function modes, rapid and accurate predictions for the flow field in excavation faces were achieved. The results showed that the numerical simulation model for the excavation face had a relative error within 3%, accurately reflecting the actual air flow and dust distribution. Selecting the first five modes for the flow field and the first seven modes for the dust concentration field balanced the accuracy and efficiency of POD reconstruction. The support vector machine (SVM) model outperformed the Random Forest and Neural Network models in predicting mode coefficients. For 60 different conditions, the relative errors between the POD and SVM-predicted flow velocity and dust concentration, and the CFD results, were 0.36 m/s and 86.24 mg/m³, respectively. The average prediction time for the flow and dust concentration fields was 73 seconds, achieving high-precision, rapid predictions for airflow and dust concentration in mine excavation faces.
-
0. 引言
据统计，我国尘肺病人数约占职业病总人数的90%，其中煤矿工人占比达50%以上[1-2]。目前，综掘工作面主要采用混合式通风方式降低粉尘浓度，易导致粉尘局部聚集严重[3]。因此，综掘工作面粉尘防治对于保障煤矿生产作业环境的安全和工人健康具有重要意义[4]。为了保证粉尘防治措施的有效实施，提高防降尘效果，需要快速、准确预测工作面流场变化。
通过计算流体力学（Computational Fluid Dynamics，CFD）技术与综掘工作面现场监测数据可有效模拟出综掘工作面整体的风流场与粉尘浓度场，但由于CFD技术计算时间长，难以进行快速预测。采用降阶模型（Reduced Order Modeling，ROM）对高维流场数据进行降维是实现流场快速预测的主要途径[5-6]。在众多ROM中，本征正交分解（Proper Orthogonal Decomposition，POD）方法被广泛应用于汽车和飞行器流场分析[7-9]、航空工程[10]、流体机械[11]等领域，取得了较好的应用效果。因此，本文将POD方法引入综掘工作面流场预测中，基于少数已知的工况，使用全阶CFD模型进行计算，采用POD方法提取流场系统的核心模态。通过少量的模态和模态系数有效描述流场系统的主要动态特性，在保证模型准确性和可靠性的同时，大幅降低计算时间成本，提高综掘工作面流场预测效率。
1. 算法流程
基于POD与机器学习的综掘工作面流场快速预测算法流程如图1所示。首先，利用CFD技术对多种工况下的综掘工作面风流场和粉尘浓度场进行模拟，获得高维度的流场数据。其次，使用POD方法对高维流场数据进行降维，提取出能够反映流场主要特性的核心模态，并将其分解为基函数模态和模态系数。然后，以各工况的参数为特征，以流场的模态系数为目标，构建并训练机器学习模型。最后，通过训练好的机器学习模型和基函数模态，基于输入的工况参数，实现对目标工况下综掘工作面流场的快速预测。
![]()
图 1 基于POD与机器学习的综掘工作面流场快速预测流程Figure 1. Fast prediction flow for fullymechanized excavation face based on proper orthogonal decomposition (POD) and machine learning2. 综掘工作面数值模拟
2.1 数值计算模型
矿井综掘工作面粉尘颗粒在风流作用下的扩散是一个典型的气固两相流动过程，其中风流为连续相，粉尘为离散相。两相流中粉尘颗粒的体积比例远小于10%，粉尘颗粒间碰撞对数值模拟的影响较小[12-13]，因此，进行数值模拟时不考虑粉尘颗粒间碰撞带来的影响，此时的风流连续方程为
$$ \frac{{\partial \rho }}{{\partial t}} + \frac{{\partial (\rho {u_1})}}{{\partial {x_1}}} + \frac{{\partial (\rho {u_2})}}{{\partial {x_2}}} + \frac{{\partial (\rho {u_3})}}{{\partial {x_3}}} = 0 $$ (1) 式中：$ \rho $为气体密度，kg/m3；t为时间，s；u1，u2，u3分别为沿X，Y，Z方向的气体速度分量，m/s；x1，x2，x3分别为沿X，Y，Z方向的坐标，m。
风流动量方程为
$$ \frac{{\partial \left( {\rho {u_i}{u_j}} \right)}}{{\partial {x_i}}} = - \frac{{\partial p}}{{\partial {x_i}}} + \frac{\partial }{{\partial {x_i}}} {\left[ {\left( {\mu + {\mu _{\mathrm{t}}}} \right)\left( {\frac{{\partial {u_i}}}{{\partial {x_j}}} + \frac{{\partial {u_j}}}{{\partial {x_i}}}} \right)} \right]} $$ (2) 式中：i, j=1，2，3；p为湍流有效压力，Pa；μ为层流黏度，Pa·s；$ {\mu _{\mathrm{t}}} $为湍流黏度，Pa·s。
由于综掘工作面风流为湍流，使用k−ε模型[14-16]，其中k方程与ε方程分别为
$$ \frac{\partial }{{\partial {x_i}}}\left( {\rho {u_i}k} \right) = \frac{\partial }{{\partial {x_i}}}\left[ {\left( {\mu + \frac{{{\mu _{\mathrm{t}}}}}{{{\sigma _k}}}} \right)\frac{{\partial k}}{{\partial {x_i}}}} \right] + {G_k} - \rho \varepsilon $$ (3) $$ \frac{\partial }{{\partial {x_i}}}\left( {\rho {u_i}\varepsilon } \right) = \frac{\partial }{{\partial {x_i}}}\left[ {\left( {\mu + \frac{{{\mu _{\mathrm{t}}}}}{{{\sigma _\varepsilon }}}} \right)\frac{{\partial k}}{{\partial {x_i}}}} \right] + \frac{{\varepsilon {G_k}}}{k}{C_{1\varepsilon }} - \frac{{\rho {\varepsilon ^2}}}{k}{C_{2\varepsilon }} $$ (4) 式中：k为单位质量的湍流动能，J/kg；$ \sigma {}_k $为模型常数，经验取值为0.09；$ {G_k} $为由平均速度梯度产生的湍流动能项，kg/（s3·m）；$ \varepsilon $为湍流动能耗散率，m2/s3；$ {\sigma _\varepsilon } $为模型常数，经验取值为1.00；$ {C_{1\varepsilon }} $，$ {C_{2\varepsilon }} $为模型常数，经验取值分别为1.44，1.92。
对粉尘颗粒的运动做以下假设：由于除重力、阻力外，其他外力对粉尘颗粒运动的影响极小，所以其他外力忽略不计；粉尘颗粒可简化为球形颗粒[17-18]。在这2种假设下的粉尘颗粒运动方程为
$$ \frac{\text{π} }{6}{d_{\mathrm{p}}}{\rho _{\mathrm{p}}}\frac{{{\mathrm{d}}{{{\boldsymbol{u}}}_{\mathrm{p}}}}}{{{\mathrm{d}}t}} = \frac{\text{π} }{8}{C_{\mathrm{d}}}d_{\mathrm{p}}^2{\rho _{\mathrm{p}}}g\left( { {\boldsymbol{u}} - {{ {\boldsymbol{u}}}_{\mathrm{p}}}} \right)\left| { {\boldsymbol{u}} - {{ {\boldsymbol{u}}}_{\mathrm{p}}}} \right| + \frac{\text{π} }{6}{d_{\mathrm{p}}}{\rho _{\mathrm{p}}}g $$ (5) 式中：$ {d_{\mathrm{p}}} $为粉尘粒径，m；$ {\rho _{\mathrm{p}}} $为粉尘密度，kg/m3；$ { {\boldsymbol{u}} _{\mathrm{p}}} $为粉尘颗粒速度矢量，m/s；$ {C_{\mathrm{d}}} $为粉尘颗粒的阻力系数；$ {\boldsymbol{u}} $为流体速度矢量，m/s；$ g $为重力加速度，m/s2。
2.2 网格模型建立与参数设定
以采用长压短抽作为降尘设施的实际综掘工作面为例，建立数值模拟模型，综掘工作面与其中设施的网格区域划分与具体尺寸如图2所示。本文计算平台搭载的CPU为Intel（R） Core（TM） i5−10700K，配备32 GiB内存及NVIDIA RTX 2060 GPU。
![]()
图 2 综掘工作面数值模拟模型1—工作面；2—掘进机；3—压风筒；4—输送带；5—抽风筒；6—巷道壁；7—出风口。Figure 2. Numerical simulation model of fully mechanized excavation face数值模拟参数的设置主要分为离散相与边界条件2种，分别见表1和表2。
表 1 离散相参数设定Table 1. Discrete phase parameter settings设置选项 设定 相间耦合 开启 耦合频率 20 粉尘材料 coal−mv 喷射方式 表面喷射 质量流率/（kg·s−1） 0.008，0.012 最大颗粒直径/m 5×10−5，1×10−4，2×10−4 最小颗粒直径/m 5×10−7，1×10−6 积分尺度 0.15 粒径数量/个 10 湍流扩散模型 离散随机游走模型 表 2 边界条件设定Table 2. Boundary condition setting部件 边界条件 设定 压风筒 入口类型 速度入口 入口速度/（m·s−1） 8，9，10，11，12 出风口类型 压力出口 抽风筒 入口类型 速度入口 入口速度/（m·s−1） 10，11，12，13，14 巷道 出风口类型 压力出口 壁面类型 石壁 掘进机 壁面类型 金属壁 输送带 壁面类型 金属壁 为了获得后续机器学习所需的样本，对表1和表2中质量流率的最大和最小颗粒直径、压风筒和抽风筒的风速设定不同值，通过组合不同参数，总计得到300种综掘工作面降尘措施的工作状态，并进行数值模拟。
为了确保数值模拟的准确性，选取综掘工作面回风侧行人呼吸带的粉尘浓度作为判断网格独立性的标准。在最大颗粒直径为2×10−4 m、最小颗粒直径为1×10−6 m、压风筒风速为8 m/s、抽风筒风速为10 m/s的工况下，比较不同网格数量对数值模拟结果的影响，结果如图3所示。
根据图3数据，12万个网格虽然能够保证基本的模拟结果，但由于粉尘浓度分布存在较大波动，且局部区域的模拟结果与其他网格数量模拟的结果不一致，显示出其难以确保结果的精确性。随着网格个数从24万增加至34万和44万，粉尘浓度分布的波动逐渐减小，不同网格条件下的浓度曲线更加平滑，显示出模拟精度有所提升，特别是在细节区域的结果更为一致。此外，34万和44万个网格的模拟结果与24万个网格相比差异不显著，表明从24万个网格开始，模拟精度已达到较为理想的水平。考虑到进一步增加网格数量会显著提高计算成本，因此，选择24万个网格作为最终计算基础，在确保精度的同时，提高计算效率。
2.3 数值模拟效果验证
选取回风侧行人呼吸带中心距工作面5 m处的实测风速及粉尘浓度，与数值模拟得到的对应值进行比较分析，验证数值模拟结果的准确性，结果见表3。可看出模拟值与实测值的相对误差均在3%以内，满足模拟值与实测值的相对误差不超过5%的精度要求，说明数值模拟能够准确反映实际的风流和粉尘分布状况。
表 3 风速及粉尘浓度模拟值与实测值对比Table 3. Comparison of simulated and measured values of wind speed and dust concentration参数 风速/（m·s−1） 粉尘浓度/（mg·m−3） 模拟值 3.42 864.37 实测值 3.59 842.34 相对误差/% 4.74 2.62 3. POD重构
3.1 POD应用方法
POD方法能够通过CFD软件所获得的大量计算数据，精选出反映流场主要特征的优化基向量模态[19]。针对综掘工作面流场与粉尘浓度场，建立POD模型的步骤如下。
1） 构建样本数据集矩阵。通过综掘工作面CFD模型的数值模拟结果生成样本数据集矩阵。本研究中，风流场或粉尘浓度场不同工况的数据集共同构成一个大小为L×N的矩阵V，L为模型网格数量，N为综掘工作面样本中不同工况的数量。
2） 求解矩阵基函数模态与模态系数。特征化风流场和粉尘浓度场系统的低模态，即利用相互正交的基函数组合实现线性叠加：
$$ f\left({\boldsymbol{v}},{t}_{n}\right)=\underset{k=1}{\overset{N}{{{\displaystyle \sum }}^{\text{}}}}{\alpha }_{k}\left({t}_{n}\right){\varphi }_{k}({\boldsymbol{v}}) $$ (6) 式中：f（v,tn） 为速度场或粉尘浓度场系统；tn为第n个工况中的因变量；$ {\alpha _k}\left( {{t_n}} \right) $为第k个模态系数；v
为空间向量；$ {\varphi _k}({\boldsymbol{v}}) $为第k个基函数模态。 每一个基函数模态φk（v）均与特征值λk有关联。λk反映了其所代表的基函数模态中包含的系统能量大小，表征了其对系统整体动态特性的贡献。从数学角度理解，λk可视为量化基函数模态的能量贡献指标。风流场或粉尘浓度场系统总体的平均动能E可表述为所有特征值的累计：
$$ E = \sum\limits_{k = 1}^N {{\lambda _k}} $$ (7) 使用能量贡献率ξ和M（M≤N）个基函数模态的累计能量贡献率η来精确度量基函数模态对流场系统总能量的影响[5]。
$$ {\xi } = {\lambda _k}\left/{\sum\limits_{k = 1}^N {{\lambda _k}}}\right. $$ (8) $$ {\eta } = \sum\limits_{k = 1}^M {{\lambda _k}} \sum\limits_{k = 1}^N {{\lambda _k}} $$ (9) 按基函数模态包含的能量大小对其进行降序排序。前M个基函数模态的能量通常在流场系统能量中占有较大比例，因此风流速度场或粉尘浓度场系统可描述为
$$ f\left({\boldsymbol{v}},{t}_{n}\right)=\underset{k=1}{\overset{M}{{{\displaystyle \sum }}^{\text{}}}}{\alpha }_{k}\left({t}_{n}\right){\varphi }_{k}({\boldsymbol{v}}) $$ (10) 3.2 模态重构模型建立
通过300种工况的数值模拟结果，得到不同工况下综掘工作面内部风流场与粉尘浓度场分布，导出240 632个网格的风流速度与粉尘浓度数据。对于风流场或粉尘浓度场来说，相当于将所有工况数值模拟结果合并，建立为一个大小为240 632×300的综掘工作面风流场或粉尘浓度场原始数据矩阵。
通过POD模型及数据处理，得到风流场或粉尘浓度场系统数据集矩阵的模态系数集合α及其对应的基函数模态集合Φ：
$$ {\boldsymbol{\alpha}} =\left\lceil \begin{array}{*{20}{l}}{\alpha }_{1\text{，}1}& {\alpha }_{1,2}& \cdots & {\alpha }_{1,300}\\ {\alpha }_{2\text{，}1}& {\alpha }_{2\text{，}2}& \cdots& {\alpha }_{2,300}\\ \vdots& \vdots& & \vdots \\ {\alpha }_{\text{240 632},1}& {\alpha }_{\text{240 632},2}& \cdots & {\alpha }_{\text{240 632},300}\end{array}\right\rceil $$ (11) $$ {\boldsymbol{\varPhi }} = {[{\varphi _1}\;\;\;{\varphi _2}\;\;\; \cdots \;\;\;{\varphi _{300}}]^{\mathrm{T}}} $$ (12) 风流场和粉尘浓度场系统各阶模态能量贡献率及模态能量累计贡献率如图4所示。第1阶模态在能量分布中占据主导地位，远超过其他模态，尤其在风流场中，第1阶模态能量占比更为突出。随着模态阶数增加，其包含的能量迅速降低并逐步趋于稳定。当累计模态能量达到总能量的90%时，继续增加模态对能量累计贡献率的影响相对较小。
![]()
图 4 风流场和粉尘浓度场系统各阶模态能量贡献率及累计贡献率Figure 4. Energy contribution rate and cumulative contribution rate of each mode in air flow field and dust concentration field system为选取合适的基函数模态阶数，对不同阶基函数模态重构的风流场与粉尘浓度场及原流场进行差异评估，评估指标选取平均绝对误差（Mean Absolute Error，MAE）。
$$ A = \frac{1}{{{n^{\mathrm{d}}}}}\sum\limits_{i = 1}^{{n^{\mathrm{d}}}} {|{u_{{\mathrm{original}},I}} - {u_{{\mathrm{reconstructed}},I}}|} $$ (13) 式中：A为MAE的值；nd为数据点总数；$ {u_{{\mathrm{original}},I}} $为第I个点的原始流场值；$ {u_{{\mathrm{reconstructed}},I}} $为第I个点的重构流场值。
使用不同模态阶数进行重构的风流场与粉尘浓度场及原流场MAE如图5所示。风流场的前5阶模态已将MAE降至0.028，若进一步增加模态，误差减小幅度较小，提升效果不明显，因此选择前5阶模态即可保证精度与效率平衡。粉尘浓度场的前7阶模态将MAE降至0.134 8，7阶之后误差减小幅度较小，因此选择前7阶模态即可兼顾精度与计算成本。
![]()
图 5 重构后风流场与粉尘浓度场及原流场MAEFigure 5. Mean absolute error （MAE） of reconstructed air flow field, dust concentration field and original flow field3.3 模态重构效果验证
选取以下工况进行模态重构效果验证：质量流率为0.008 kg/s，最大颗粒直径为1×10−4 m，最小颗粒直径为1×10−6 m，压风筒、抽风筒风速为10 m/s。取行人呼吸带高度（1.5 m）处平面作为展示平面1，抽风筒抽出口距工作面5 m处平面作为展示平面2，如图6所示。
将平面1、平面2的风流场与粉尘浓度场数值模拟结果与使用含90%以上能量的基函数模态进行POD重构的结果进行对比，结果如图7所示。可看出，在综掘工作面风流场与粉尘浓度场中，前几阶含能量较高的模态已经涵盖了流场系统的主要特性信息，利用这些模态能够以较高的准确度对样本数据集进行重构。
![]()
图 7 数值模拟结果与模态重构结果对比Figure 7. Comparison of numerical simulation and mode reconstruction results4. 基于POD与机器学习的综掘工作面流场快速预测
使用机器学习模型预测风流场前5阶模态和粉尘浓度场前7阶模态，得到目标工况下的模态系数后，可结合对应模态快速重构不同工况下的流场数据。
4.1 数据准备与机器学习模型选择
通过POD方法对不同参数组合下的数值模拟结果进行降维，得到各个工况下的模态系数，并形成数据集。该数据集共包含300个工况，其中240个工况用于模型训练，其余60个工况用于模型测试。模型的输入参数为工况参数组合，具有4个维度，输出数据为相应的模态系数。为了降低模型对数据规模的敏感性，采用离差标准化方法将数据范围调整至[0，1]，以增强模型的泛化能力。
基于不同机器学习模型的泛化能力与预测能力，选取支持向量机（Support Vector Machine，SVM）、随机森林（Random Forest，RF）及神经网络（Neural Network，NN）进行对比分析[20-23]。为确保这3种模型能够达到最佳性能，采用贝叶斯优化方法调整参数。由于深度学习模型的参数复杂、训练时间长，尤其在流场预测任务中效率较低，所以本文未选用深度学习模型。
分别采用均方根误差（Root Mean Squared Error，RMSE）和决定系数R2评价模型的预测精度和预测能力。
$$ B=\sqrt{\frac{\displaystyle\sum\limits_{i=1}^{n^{\mathrm{o}}}(Y_{\mathrm{0}}-Y_{\mathrm{p}})^2}{n^{\mathrm{o}}}} $$ (14) $$ R^2=1-\frac{\displaystyle\sum\limits_{i=1}^{n^{\mathrm{o}}}(Y_{\mathrm{0}}-Y_{\mathrm{p}})^2}{\displaystyle\sum\limits_{i=1}^{n^{\mathrm{o}}}(Y_{\mathrm{0}}-Y_{\mathrm{mean}})^2} $$ (15) 式中：B为RMSE的值；no为观测点数量；Y0为观测点原始值；Yp为观测点预测值；Ymean为观测点平均值。
3种机器学习模型性能评估指标见表4。在不同流场类型下，各模型训练后的RMSE数量级相同，其中SVM的RMSE相对较小；各模型的R2值相差较大，其中SVM的R2值明显高于其他模型。因此本文选取SVM作为模态系数预测模型。
表 4 3种机器学习模型性能评估指标Table 4. Performance evaluation indicators for three machine learning models模型 RMSE R2 风流场/（m·s−1） 粉尘浓度场/（mg·m−3） 风流场 粉尘浓度场 SVM 0.29 425.47 0.90 0.86 RF 0.78 889.23 0.76 0.64 NN 1.98 1043.61 0.62 0.51 4.2 模型预测结果分析
将待预测流场的工况参数输入训练好的SVM模型中，通过SVM模型预测模态系数，将模态系数与模态进行组合重构，获得综掘工作面风流场或粉尘浓度场预测结果。
选取与模态重构相同的工况（非训练集中工况）进行数值模拟和预测，平面1与平面2的风流场与粉尘浓度场数值模拟与预测结果如图8所示。可看出，2种结果具有较高的一致性。
针对60种不同工况，计算得到模型各网格预测的风流速度、粉尘浓度与数值模拟结果之间的相对误差分别为0.36 m/s，86.24 mg/m3，表明本文构建的预测模型具有较高的准确性，能够实现对矿井综掘工作面风流场和粉尘浓度场的高精度预测。
4.3 模型泛化能力验证
通过交叉验证能够更全面地评估模型在不同数据集上的表现，避免过拟合。采用5折交叉验证对模型的泛化能力进行验证。将60种不同工况的数据集划分为5个子集，每次使用其中1个子集作为验证集，剩余子集作为训练集，重复5次后计算模型的平均RMSE及标准差，结果见表5。
表 5 3种机器学习模型的交叉验证结果Table 5. Cross-validation results of three machine learning models流场类型 模型 平均
RMSE标准差 95%置信区间 风流场/（m·s−1） SVM 0.31 0.40 [0.15, 0.47] RF 0.82 0.24 [0.36, 1.28] NN 2.05 0.22 [1.62, 2.48] 粉尘浓度
场/（mg·m−3）SVM 431.78 47.23 [341.42, 522.14] RF 905.67 78.34 [756.81, 1055.22 ]NN 1 048.92 96.75 [859.21, 1238.63 ]从表5可看出，SVM在风流场和粉尘浓度场的预测中表现最佳，平均RMSE均为最低。虽然在风流场中的标准差较高，但由于其较高的准确性，整体误差仍然低于其他模型。RF的预测性能略逊于SVM，但在风流场中的标准差较小，表明其在不同工况下的预测结果较为稳定。而NN在2种流场预测中的RMSE均为最高，且粉尘浓度场的95%置信区间较宽，说明其预测结果存在较大的不确定性，难以在不同条件下提供一致的表现。
通过数值模拟软件获得综掘工作面风流场和粉尘浓度场的平均耗时为48 951.6 s，利用本文算法获得综掘工作面风流场及粉尘浓度场的平均耗时为73 s，显著降低了计算所需的时间成本。
5. 结论
1） 建立了POD重构模型，该模型能够识别综掘工作面风流场与粉尘浓度场的主导特征，使用较少模态进行流场信息重构，且当模态累计能量达到流场系统总能量的90%以上时，重构结果具备较高准确性，能够满足精度要求。
2） 对于实时变化的工况参数，基于POD与机器学习的综掘工作面流场快速预测算法能够快速准确地预测综掘工作面的风流场和粉尘浓度场。风流场预测结果与数值模拟结果中各网格风流速度的相对误差为0.36 m/s；粉尘浓度流场预测结果与数值模拟结果中各网格的相对误差为86.24 mg/m³。
3） 基于POD与机器学习的综掘工作面流场快速预测算法具有优越的通用性和较低的时间成本，预测综掘工作面风流场及粉尘浓度场的平均耗时为73 s，实现了综掘工作面流场快速预测，能够满足综掘工作面降尘设施运行及优化调控的时效性要求。
4） 尽管该算法在综掘工作面流场预测中表现良好，但在更复杂的工况或大规模工业流程中，可能面临工况复杂度增加带来的不确定性。尤其是在具有更复杂边界条件、动态变化更为频繁的大规模流场中，算法的精度和计算效率可能会受到影响。因此，未来研究可考虑如何在更复杂工况下进一步优化该算法，以提升其适用性和扩展性。
-
![]()
图 1 基于POD与机器学习的综掘工作面流场快速预测流程
Figure 1. Fast prediction flow for fullymechanized excavation face based on proper orthogonal decomposition (POD) and machine learning
![]()
图 2 综掘工作面数值模拟模型
1—工作面；2—掘进机；3—压风筒；4—输送带；5—抽风筒；6—巷道壁；7—出风口。
Figure 2. Numerical simulation model of fully mechanized excavation face
![]()
图 4 风流场和粉尘浓度场系统各阶模态能量贡献率及累计贡献率
Figure 4. Energy contribution rate and cumulative contribution rate of each mode in air flow field and dust concentration field system
![]()
图 5 重构后风流场与粉尘浓度场及原流场MAE
Figure 5. Mean absolute error （MAE） of reconstructed air flow field, dust concentration field and original flow field
![]()
图 7 数值模拟结果与模态重构结果对比
Figure 7. Comparison of numerical simulation and mode reconstruction results
表 1 离散相参数设定
Table 1 Discrete phase parameter settings
设置选项 设定 相间耦合 开启 耦合频率 20 粉尘材料 coal−mv 喷射方式 表面喷射 质量流率/（kg·s−1） 0.008，0.012 最大颗粒直径/m 5×10−5，1×10−4，2×10−4 最小颗粒直径/m 5×10−7，1×10−6 积分尺度 0.15 粒径数量/个 10 湍流扩散模型 离散随机游走模型 
下载: 导出CSV
表 2 边界条件设定
Table 2 Boundary condition setting
部件 边界条件 设定 压风筒 入口类型 速度入口 入口速度/（m·s−1） 8，9，10，11，12 出风口类型 压力出口 抽风筒 入口类型 速度入口 入口速度/（m·s−1） 10，11，12，13，14 巷道 出风口类型 压力出口 壁面类型 石壁 掘进机 壁面类型 金属壁 输送带 壁面类型 金属壁
下载: 导出CSV
表 3 风速及粉尘浓度模拟值与实测值对比
Table 3 Comparison of simulated and measured values of wind speed and dust concentration
参数 风速/（m·s−1） 粉尘浓度/（mg·m−3） 模拟值 3.42 864.37 实测值 3.59 842.34 相对误差/% 4.74 2.62
下载: 导出CSV
表 4 3种机器学习模型性能评估指标
Table 4 Performance evaluation indicators for three machine learning models
模型 RMSE R2 风流场/（m·s−1） 粉尘浓度场/（mg·m−3） 风流场 粉尘浓度场 SVM 0.29 425.47 0.90 0.86 RF 0.78 889.23 0.76 0.64 NN 1.98 1043.61 0.62 0.51
下载: 导出CSV
表 5 3种机器学习模型的交叉验证结果
Table 5 Cross-validation results of three machine learning models
流场类型 模型 平均
RMSE标准差 95%置信区间 风流场/（m·s−1） SVM 0.31 0.40 [0.15, 0.47] RF 0.82 0.24 [0.36, 1.28] NN 2.05 0.22 [1.62, 2.48] 粉尘浓度
场/（mg·m−3）SVM 431.78 47.23 [341.42, 522.14] RF 905.67 78.34 [756.81, 1055.22 ]NN 1 048.92 96.75 [859.21, 1238.63 ]
下载: 导出CSV
-
[1] 袁亮. 煤矿粉尘防控与职业安全健康科学构想[J]. 煤炭学报,2020,45(1):1-7. YUAN Liang. Scientific conception of coal mine dust control and occupational safety[J]. Journal of China Coal Society,2020,45(1):1-7.
[2] 中华人民共和国国家卫生健康委员会规划发展与信息化司. 2018年我国卫生健康事业发展统计公报[EB/OL]. [2024-08-22]. http://www.Nhc.gov.cn/ guihuaxxs/s10748/201905/9b8d52727cf346049de8acce25ffcbd0.shtml. Planning,Development and Information Technology Department of National Health Commission of the People’s Republic of China. 2018 China's health development statistical bulletin[EB/OL]. [2024-08-22]. http://www.Nhc.gov.cn/guihuaxxs/s10748/201905/9b8d52727cf346049de8acce25ffcbd0.shtml.
[3] 赵春双,刘剑,田瑞祥,等. 压入式掘进通风流场PIV实验研究[J]. 矿业安全与环保,2017,44(2):21-25,30. DOI: 10.3969/j.issn.1008-4495.2017.02.005 ZHAO Chunshuang,LIU Jian,TIAN Ruixiang,et al. PIV experiment study on flow field of forced ventilation system for roadway heading[J]. Mining Safety & Environmental Protection,2017,44(2):21-25,30. DOI: 10.3969/j.issn.1008-4495.2017.02.005
[4] 韩敏,王建国,王康. 多抽风筒对综掘面除尘的影响研究[J]. 矿业安全与环保,2022,49(5):114-118. HAN Min,WANG Jianguo,WANG Kang. Study on the influence of multiple exhaust pipes on dust removal in fully mechanized excavation face[J]. Mining Safety & Environmental Protection,2022,49(5):114-118.
[5] 李天宇,陈曦,钟文琪. 基于CFD与POD的煤粉锅炉三维速度场快速预测[J]. 东南大学学报(自然科学版),2022,52(4):641-649. LI Tianyu,CHEN Xi,ZHONG Wenqi. Rapid prediction of three-dimensional velocity field of pulverized coal boiler based on CFD and POD[J]. Journal of Southeast University (Natural Science Edition),2022,52(4):641-649.
[6] 陈刚,李跃明. 非定常流场降阶模型及其应用研究进展与展望[J]. 力学进展,2011,41(6):686-701. DOI: 10.6052/1000-0992-2011-6-lxjzJ2011-009 CHEN Gang,LI Yueming. Advances and prospects of the reduced order model for unsteady flow and its application[J]. Advances in Mechanics,2011,41(6):686-701. DOI: 10.6052/1000-0992-2011-6-lxjzJ2011-009
[7] 傅奇星,张之豪,余秋阳,等. 基于POD模态拟合的汽车尾流场重构[C]. 中国汽车工程学会汽车空气动力学分会学术年会,上海,2022. FU Qixing,ZHANG Zhihao,YU Qiuyang,et al. Reconstruction of automobile wake based on POD modes fitting[C]. Annual Conference of the Automotive Aerodynamics Branch of the Chinese Society of Automotive Engineers,Shanghai,2022.
[8] 王磊,高丽敏,茅晓晨,等. 基于POD方法的对转压气机叶顶非定常流场分析[J/OL]. 航空动力学报:1-16[2024-08-22]. https://doi.org/10.13224/j.cnki.jasp.20220896. WANG Lei,GAO Limin,MAO Xiaochen,et al. Analysis of tip unsteady flow field in a counter-rotating compressor based on POD method[J/OL]. Journal of Aerospace Power:1-16 [2024-08-22]. https://doi.org/10.13224/j.cnki.jasp.20220896.
[9] 孙翀,田甜,竺晓程,等. 风力机翼型非定常流场POD和EPOD分析[J]. 上海交通大学学报,2022,56(1):45-52. SUN Chong,TIAN Tian,ZHU Xiaocheng,et al. Analysis of POD and EPOD for unsteady flow field of wind turbine airfoil[J]. Journal of Shanghai Jiao Tong University,2022,56(1):45-52.
[10] 贾续毅,龚春林,李春娜. 基于POD和BPNN的流场快速计算方法[J]. 西北工业大学学报,2021,39(6):1212-1221. DOI: 10.3969/j.issn.1000-2758.2021.06.006 JIA Xuyi,GONG Chunlin,LI Chunna. Fast flow simulation method based on POD and BPNN[J]. Journal of Northwestern Polytechnical University,2021,39(6):1212-1221. DOI: 10.3969/j.issn.1000-2758.2021.06.006
[11] 肖颖,肖翔域,段壮,等. 采用本征正交分解和长短期记忆网络模型的离心泵流场预测[J/OL]. 西安交通大学学报:1-11[2024-08-22]. http://kns.cnki.net/kcms/detail/61.1069.T.20240703.1631.002.html. XIAO Ying,XIAO Xiangyu,DUAN Zhuang,et al. Flow field prediction in centrifugal pump based on the proper orthogonal decomposition-radial basis function model[J/OL]. Journal of Xi'an Jiaotong University:1-11 [2024-08-22]. http://kns.cnki.net/kcms/detail/61.1069.T.20240703.1631.002.html.
[12] LIU Qiang,NIE Wen,HUA Yun,et al. The effects of the installation position of a multi-radial swirling air-curtain generator on dust diffusion and pollution rules in a fully-mechanized excavation face:a case study[J]. Powder Technology,2018,329:371-385. DOI: 10.1016/j.powtec.2018.01.064
[13] AMIRI Z,MOVAHEDIRAD S. Bubble-induced particle mixing in a 2-D gas-solid fluidized bed with different bed aspect ratios:a CFD-DPM study[J]. Powder Technology,2017,320:637-645. DOI: 10.1016/j.powtec.2017.07.097
[14] HU Shengyong,LIAO Qi,FENG Guorui,et al. Numerical study of gas-solid two-phase flow around road-header drivers in a fully mechanized excavation face[J]. Powder Technology,2019,344:959-969. DOI: 10.1016/j.powtec.2018.12.076
[15] 于欣,陈连军,刘国明. 喷浆作业粉尘分布影响因素的数值模拟[J]. 矿业研究与开发,2017,37(2):97-101. YU Xin,CHEN Lianjun,LIU Guoming. Numerical simulation of influencing factors on dust distribution during shotcreting[J]. Mining Research and Development,2017,37(2):97-101.
[16] 周刚,张琦,白若男,等. 大采高综采面风流−呼尘耦合运移规律CFD数值模拟[J]. 中国矿业大学学报,2016,45(4):684-693. ZHOU Gang,ZHANG Qi,BAI Ruonan,et al. CFD simulation of air-respirable dust coupling migration law at fully mechanized mining face with large mining height[J]. Journal of China University of Mining & Technology,2016,45(4):684-693.
[17] CHENG Weimin,YU Haiming,ZHOU Gang,et al. The diffusion and pollution mechanisms of airborne dusts in fully-mechanized excavation face at mesoscopic scale based on CFD-DEM[J]. Process Safety and Environmental Protection,2016,104:240-253. DOI: 10.1016/j.psep.2016.09.004
[18] ZHAO Kai,JANUTOLO M,BARLA G. A completely 3D model for the simulation of mechanized tunnel excavation[J]. Rock Mechanics and Rock Engineering,2012,45(4):475-497. DOI: 10.1007/s00603-012-0224-3
[19] ROWLEY C W,COLONIUS T,MURRAY R M. Model reduction for compressible flows using POD and Galerkin projection[J]. Physica D:Nonlinear Phenomena,2004,189(1/2):115-129.
[20] 李鑫灵,袁梅,董洪,等. PSO−SVM模型在掘进工作面突出预警系统中的应用[J]. 煤矿安全,2021,52(9):90-95. LI Xinling,YUAN Mei,DONG Hong,et al. Application of PSO-SVM model in outburst warning system of heading face[J]. Safety in Coal Mines,2021,52(9):90-95.
[21] 成小雨,周爱桃,郭焱振,等. 基于随机森林与支持向量机的回采工作面瓦斯涌出量预测方法[J]. 煤矿安全,2022,53(10):205-211. CHENG Xiaoyu,ZHOU Aitao,GUO Yanzhen,et al. Prediction method of gas emission based on random forest and support vector machine[J]. Safety in Coal Mines,2022,53(10):205-211.
[22] 张浪,张迎辉,张逸斌,等. 基于机器学习的通风网络故障诊断方法研究[J]. 工矿自动化,2022,48(3):91-98. ZHANG Lang,ZHANG Yinghui,ZHANG Yibin,et al. Research on fault diagnosis method of ventilation network based on machine learning[J]. Journal of Mine Automation,2022,48(3):91-98.
[23] 刘彦青. 基于巷道摩擦阻力系数BP神经网络预测模型的矿井风网风量预测研究[J]. 矿业安全与环保,2021,48(2):101-106. LIU Yanqing. Study on the air quantity of mine ventilation network based on BP neural network prediction model of friction resistance coefficient in roadway[J]. Mining Safety & Environmental Protection,2021,48(2):101-106.
计量
- 文章访问数: 103
- HTML全文浏览量: 23
- PDF下载量: 28
