矿井淋水井筒风温PSO-SVR预测方法

高佳南　吴奉亮　马砺　贺雁鹏

摘要：礦井进风井筒风温的准确预测对于井下风流的热计算至关重要。为提高矿井井筒风温预测精度，在结合矿井生产特点和参考有关淋水井筒风温预测研究的基础上，采用粒子群算法（PSO）对支持向量回归（SVR）参数进行优化，建立矿井淋水井筒风温PSO-SVR预测模型，并与利用同样的训练和测试样本建立的常规SVR预测模型和多元线性回归（MLR）预测模型进行比较。结果表明：对于训练和测试样本，MLR预测模型的预测与观测值散点分散于标准线四周，相比于MLR预测模型，常规SVR预测模型的散点较集中于标准线周围，而经过PSO优化后的SVR预测模型的散点均紧密分布在标准线附近，说明PSO-SVR预测模型具有更好的预测精度，更强的泛化性;MLR预测模型、常规SVR预测模型和PSO-SVR预测模型的测试样本预测结果的平均绝对百分比误差分别为3.43%，1.27%和0.37%，常规SVR预测模型较MLR预测模型的预测结果改进比约63%，PSO-SVR预测模型较常规SVR预测模型的预测结果改进比约71%，表明PSO-SVR预测模型的预测效果显著优于MLR预测模型和常规SVR预测模型，该模型适用于矿井淋水井筒风温的预测。

关键词：淋水井筒;风温预测;粒子群优化算法;支持向量回归

中图分类号：TD 727文献标志码：A

文章编号：1672-9315（2022）03-0476-08

DOI：10.13800/j.cnki.xakjdxxb.2022.0310开放科学（资源服务）标识码（OSID）：

PSO-SVR prediction method of airflow temperature

of shaft with water dropping in mine

GAO Jianan WU Fengliang MA Li HE Yanpeng

（1.College of Safety Science and Engineering，Xian University of Science and Technology，Xian 710054，China;

2.Key Laboratory of Western Mine Exploitation and Hazard Prevention，Ministry of Education，

Xian University of Science and Technology，Xian 710054，China）Abstract：The accurate prediction of airflow temperature in air intake shaft of mine of great significance for the thermal calculation of underground mine airflow.In order to improve the prediction accuracy of airflow temperature in air intake shaft of mine，based on the characteristics of mine production and the study of the prediction of airflow temperature of shaft with water dropping，particle swarm optimization（PSO）is used to optimize the parameters of support vector regression（SVR），and the PSO-SVR prediction model of airflow temperature of shaft with water dropping in mine is established.The conventional SVR prediction and multiple linear regression（MLR）models are established by using the same training and testing samples，with the predicted results of PSO-SVR model compared.It is found  that for training and testing samples，the scatter points of prediction and observation values of MLR prediction model are scattered around the standard line.Compared with MLR prediction model，the scatter points of conventional SVR prediction model are more concentrated around the standard line，while the scatter points of SVR prediction model after PSO optimization are closely distributed near the standard line，which indicates that PSO-SVR prediction model has better prediction accuracy and stronger generation capacity.The mean absolute percentage errors of MLR prediction model，conventional SVR prediction model and PSO-SVR prediction model are 3.43%，1.27% and 0.37%，respectively.The improvement ratio of conventional SVR prediction model is about 63% compared with MLR prediction model，and the improvement ratio of PSO-SVR prediction model is about 71% compared with conventional SVR prediction model.The prediction effect of PSO-SVR prediction model is better than MLR prediction model and conventional SVR prediction model.The model is suitable for the prediction of airflow temperature of shaft with water dropping in mine.F191FC4A-792D-4749-8D0F-AA5A93EAF57B

Key words：shaft with water dropping;air temperature prediction;particle swarm optimization（PSO）;support vector regression（SVR）

0引言

随着矿井开采深度的加大，井下风温不断升高，热害问题日益突出，严重制约着深部煤炭资源的安全高效开采[1-2]。为充分掌握井巷风流热力状态变化规律，准确评估矿井热害程度，从而制定科学合理的降温方案，改善井下高温作业环境，进而保护工作人员的身心健康，矿井风温预测研究至关重要[3]。

国内外众多学者对矿井风温预测做了大量研究。LOWNDES等构建了巷道气候预测模型并分析了有关熱力参数[4];KRASNOSHTEIN等基于拉普拉斯变换确定了围岩与风流间非稳态换热的积分表达式[5];侯祺棕等分析了风温与风流湿度间变化的相关关系，并建立了将风温与风流湿度相结合的预测模型[6];张习军研究了井下风温的线性回归计算式[7];高建良等通过对饱和空气含湿量与温度进行二次曲线拟合来处理巷壁水分蒸发，并解算出风温及湿度的变化规律[8];孔松等利用有限差分方法建立了进风井筒及巷道的风温迭代预测模型[9]。从上述文献中可以看出，矿井风温预测方法主要有实验室模型模拟法、数学分析法、实测回归统计法等[10-12]。实验室模型模拟法往往受实验条件所限，预测精度很难精确[13]。数学分析法是通过传热学理论建立热传导方程，计算精度相对较高，而实际条件复杂，涉及的热物性等基础参数各异且难以获取，在计算方法上采取了假设简化，影响风温预测精度[14]。实测回归统计法是在现场实测数据基础上进行回归预测，解决了应用理论方法求解风温的困难，但风温与其他参数之间存在着某种非线性关系，该方法下的风温预测精度不佳[15-16]。近年来机器学习的智能算法在矿井风温预测方面有所应用，如BP神经网络[15，17-18]、支持向量机（SVM）[19]等。BP神经网络具有优越的非线性处理能力，但其预测精度受学习样本规模的影响较大，且易出现模型在训练样本中拟合效果好，而在测试样本表现差的过拟合现象，泛化性能较低[20];SVM是一种基于统计学习理论的机器学习算法，具有严格的数学逻辑，能够较好地解决小型数据样本、高维度、非线性的问题，学习与泛化能力强，将SVM推广到回归问题可得到支持向量回归SVR[21]，能够处理井巷风温与其影响因素之间存在的非线性函数关系。

矿井入风井筒风温是井下空气热计算的重要节点，其风温关系到整个矿内的热环境。当井筒有淋水现象时，其风温的求解涉及到风流与淋水水滴混合流的复杂热交换，因此，理论计算淋水井筒风温较为困难[22]。另外，许多学者在井筒风温预测研究中未考虑淋水的存在[16]，导致预测结果不理想。基于上述分析，文中提出利用支持向量回归法（SVR）来预测矿井淋水井筒风温，并利用粒子群算法（PSO）对支持向量回归参数进行优化，建立参数优化的支持向量回归模型（PSO-SVR），以期获得准确的矿井淋水井筒风温预测方法。

1矿井淋水井筒风温PSO-SVR预测模型

1.1支持向量回归SVR

1.2粒子群优化算法

PSO算法的基本思想是：模拟鸟群根据自身经验和种群交流来调整搜寻路径继而寻找到食物的捕食行为。在PSO算法中，用粒子代表优化问题的解，粒子特征用位置、速度来描述，优化求解首先是在搜索空间中随机初始化每个粒子的速度和位置，根据粒子的适应度函数值，迭代搜索最优解。每次迭代搜寻时粒子都会根据自身历史最优位置和粒子种群当前最优位置来更新自身的搜寻速度和位置，最终找到最优解。

1.3预测结果评价

对于矿井淋水井筒风温预测回归模型的预测结果，文中采用平均绝对误差MAE，平均绝对百分比误差MAPE，均方误差MSE等3项统计量对其预测效果进行评价。其中，

2PSO-SVR预测模型建立

利用PSO优选SVR的惩罚因子C和核函数参数g，建立井筒风温PSO-SVR预测模型，其寻优预测过程如图1所示。主要步骤如下。

1）训练和测试样本数据归一化。将训练和测试样本数据按式（11）（12）归一化在[0，1]区间

式中xti为特征属性t的原始输入数据;min{xti}为特征属性t的原始输入数据最小值;max{xti}为特征属性t的原始输入数据最大值。

式中y_i为原始输出数据;min{y_i}为原始输出数据最小值;max{y_i}为原始输出数据最大值。

2）PSO初始化。算法参数的初始化：设定粒子群算法最大进化代数为100，种群数目20，惩罚因子C∈[0.1，100]，核函数参数g∈[0.01，100]，局部搜索能力c₁=1.5，全局搜索能力c₂=1.7，对训练样本进行5折交叉验证;种群20个粒子的位置和速度初始化。

3）计算每个粒子的适应度。初始化的粒子位置向量（C，g）输入SVR后建模，将预测结果的均方误差作为对应粒子的适应度。

4）优选个体适应度。比较20个粒子的适应度，以适应度最小为最优，得到当前群体的最优位置。

5）迭代更新种群适应度，获得最优SVR参数（C，g）。按照式（6）、式（7）分别更新种群粒子的位置和速度，重复步骤3）4），更新优选出种群最小适应度，对应粒子的（C，g）为最优位置向量，即最优SVR参数。

6）将训练样本输入SVR，最优SVR参数（C，g）赋值于SVR，建立矿井淋水井筒风温PSO-SVR预测模型。

3矿井淋水井筒风温预测算例分析

3.1样本数据F191FC4A-792D-4749-8D0F-AA5A93EAF57B

結合矿井生产特点，并参考有关矿井淋水井筒风温预测研究[16]，综合分析选取了地面气候参数及井深作为影响井筒风温的因素，因此矿井淋水井筒风温PSO-SVR预测模型的特征向量由地面风温、地面空气相对湿度、地面大气压、井深构成，输出变量为井底风温。选用有关矿井淋水井筒温度预测研究文献[11，15，16，19]中近30个矿井共65组实测数据作为样本数据。样本数据部分内容见表1。其中前50组实测数据作为训练集，用于构建模型，后15组实测数据作为测试集，对已训练好的模型进行预测效果检验。

3.2预测结果对比分析

为研究矿井淋水井筒风温PSO-SVR预测模型的预测效果，表2列出了其他2种矿井淋水井筒风温预测模型。利用同样的训练和测试样本数据，将3种矿井淋水井筒风温预测模型预测精度和预测误差进行对比。矿井淋水井筒风温MLR预测模型是根据最小二乘法原理寻求矿井淋水井筒风温与地面入风气候参数及井深间的最佳线性回归函数，实现对矿井淋水井筒风温的预测。矿井淋水井筒风温SVR预测模型中，取惩罚因子C为1，核函数参数g为0.25。利用LIBSVM工具箱，编写PSO算法程序对SVR参数进行寻优，确定最优惩罚因子C为30.1096，核函数参数g为0.010，建立PSO优化后的矿井淋水井筒风温SVR预测模型。采用上述3种矿井淋水井筒风温预测模型对训练和测试样本进行预测，井底风温的预测值与其现场实际观测值散点图如图2和图3所示，图中横坐标为井底风温现场实际观测值，纵坐标为3种预测模型的井底风温预测值，直线y=x为预测标准线，分布于该直线上的点的井底风温预测值等于其现场实际观测值，即预测误差为零。

从图2和图3可以看出，3种矿井淋水井筒风温预测模型中，MLR预测模型的训练和测试样本的预测与观测值散点分散于标准线四周，对比MLR预测模型，常规SVR预测模型的预测与观测值散点较集中分布于标准线周围，而经过PSO优化后的SVR预测模型的训练和测试样本的预测与观测值散点均集中在标准线附近，说明3种矿井淋水井筒风温预测模型中，MLR预测模型预测结果偏差最大，PSO-SVR预测模型具有更好的预测精度，更强的泛化性。

图4给出了3种矿井淋水井筒风温预测模型的预测值和观测值的比较曲线。可以看出，3种矿井淋水井筒风温预测模型下测试样本的预测值与观测值曲线的趋势基本一致，相比于MLR预测模型和常规SVR预测模型，PSO-SVR预测模型的预测值与观测值曲线更为接近，说明该模型拟合效果更好。

为更直观地对比3种矿井淋水井筒风温预测模型的预测效果，表3给出了3种矿井淋水井筒风温预测模型下测试样本的预测结果的MAE，MAPE和MSE。

从表3可知，相比于矿井淋水井筒风温MLR预测模型，常规SVR预测模型的预测结果的MAE与MAPE均提升约63%，MSE提升约85%，说明常规SVR预测模型预测效果好于MLR预测模型;相对于常规SVR预测模型，PSO-SVR预测模型的预测结果的MAE与MAPE均提升约71%，MSE提升约92%，表明在矿井淋水井筒风温预测中PSO-SVR预测模型具有更好的预测效果，同时也说明了优化SVR参数对提高矿井淋水井筒风温预测精度有明显作用。

4结论

1）提出了矿井淋水井筒风温PSO-SVR预测方法。利用粒子群优化算法对支持向量回归参数进行寻优，建立了矿井淋水井筒风温PSO-SVR预测模型，实现了对矿井淋水井筒风温的预测，为矿井风温预测提供了一种人工智能新方法。

2）矿井淋水井筒风温PSO-SVR预测模型具有更高的预测精度。对比矿井淋水井筒风温MLR预测模型的预测结果，SVR预测模型的预测精度有一定提高，而采用PSO对SVR进行参数寻优后的预测模型的预测值更逼近于观测值，说明矿井淋水井筒风温PSO-SVR预测模型有更好的预测效果，这也表明了SVR参数优化对于提高矿井淋水井筒风温预测精度有重要作用。

3）本研究所建立的矿井淋水井筒风温PSO-SVR预测模型是将地面入风气候参数及井深作为主要影响因素对矿井淋水井筒风温进行预测，后续工作可考虑围岩热物性参数、风量等因素，建立矿井淋水井筒风温PSO-SVR预测模型，同时也可尝试将本研究应用于矿井采掘工作面风温预测工作当中。

参考文献（References）：

[1]谢和平，周宏伟，薛东杰，等.煤炭深部开采与极限开采深度的研究与思考[J].煤炭学报，2012，37（4）：535-542.XIE Heping，ZHOU Hongwei，XUE Dongjie，et al.Research and consideration on deep coal mining and critical mining depth[J].Journal of China Coal Society，2012，37（4）：535-542.

[2]高佳南.井巷围岩对风流调热能力模拟研究[D].西安：西安科技大学，2017.GAO Jianan.Simulation research on heat regulating ability of surrounding rock of roadway[D].Xian：Xian University of Science and Technology，2017.

[3]赵长闯，杨超锋，李志立.巨厚覆盖层下矿井开采风温预测与降温措施研究[J].煤炭工程，2017，49（6）：13-15.ZHAO Changchuang，YANG Chaofeng，LI Zhili，et al.Wind temperature forecast and cooling measures for mining under thick overburden[J].Coal Engineering，2017，49（6）：13-15.F191FC4A-792D-4749-8D0F-AA5A93EAF57B

[4]LOWNDES I S，YANG Z Y，JOBLING S，et al.A parametric analysis of a tunnel climatic prediction and planning model[J].Tunnelling and Underground Space Technology，2006，21（5）：520-532.

[5]KRASNOSHTEIN A E，KAZAKOV B P，SHALIMOV A V.Modeling phenomena of non-stationary heat exchange between mine air and a rock mass[J].Journal of Mining Science，2007，43（5）：522-529.

[6]侯祺棕，沈伯雄.井巷围岩与风流间热湿交换的温湿预测模型[J].武汉工业大学学报，1997（3）：125-129.HOU Qizong，SHEN Boxiong.The prediction model of temperature and moisture transfer between tunnel periphery rock and air[J].Journal of Wuhan University of Technology，1997（3）：125-129.

[7]张习军.蚕庄金矿深部开采降温技术研究与应用[D].青岛：山东科技大学，2007.ZHAGN Xijun.Research and application of cooling technology in deep mining of Canzhuang gold mine[D].Qingdao：Shandong University of Science and Technology，2007.

[8]高建良，张学博.潮湿巷道风流温度及湿度计算方法研究[J].中国安全科学学报，2007，17（6）：114-119，179.GAO Jianliang，ZHAGN Xuebo.Study on method of temperature and humidity calculation of airflow in wet airway[J].China Safety Science Journal，2007，17（6）：114-119，179.

[9]孔松，吳建松，孙广京，等.高温矿井进风井筒及巷道风温预测[J].煤矿安全，2015，46（10）：199-202.KONG Song，WU Jiansong，SUN Guangjing，et al.Air temperature prediction of intake air shaft and airway in high temperature mine[J].Safety in Coal Mines，2015，46（10）：199-202.

[10]汤元元，菅从光，张晓磊，等.高温矿井风流热状态预测[J].煤矿安全，2010，41（2）：79-82.TANG Yuanyuan，JIAN Congguang，ZHAGN Xiaolei，et al.Prediction of heat state of airflow in the high-temperature mine[J].Safety in Coal Mines，2010，41（2）：79-82.

[11]何启林，任克斌.深井建井期入风井筒风温的预测[J].煤炭工程，2002（8）：47-48.HE Qilin，REN Kebin.Prediction of air temperature of air-intake shafts in developing coal mine[J].Coal Engineering，2002（8）：47-48.

[12]刘何清.高温矿井井巷热质交换理论及降温技术研究[D].长沙：中南大学，2009.LIU Heqing.The study of heat and mass transfer theory and cooling technology in the shaft and tunnel that in the high-temperature mine[D].Changsha：Central South University，2009.

[13]岑衍强，侯祺棕.矿内热环境工程[M].武汉：武汉工业大学出版社，1989.

[14]张晓明，李丽峰，王志光.煤矿井下热害分析与风流温度预测[J].辽宁工程技术大学学报（自然科学版），2012，31（6）：826-829.ZHANG Xiaoming，LI Lifeng，WANG Zhiguang.Heat harm analysis and prediction of airflow temperature in coal mine[J].Journal of Liaoning Technical University（Natural Science），2012，31（6）：826-829.

[15]吕品，左金宝，倪小军，等.基于BP神经网络的矿井淋水井筒风温预测[J].煤矿安全，2008，39（12）：11-13.LYU Pin，ZUO Jinbao，NI Xiaojun.BP neural network for predicting air temperature of watering well in mine[J].Safety in Coal Mines，2008，39（12）：11-13.

[16]马恒，刘亮亮.基于T-S模糊神经网络的淋水井筒温度预测分析[J].世界科技研究与发展，2015，37（3）：226-229.MA Heng，LIU Liangliang.Prediction analysis of temperature of wellbore with spay water based on T-S fuzzy neural network[J].World Sci-Tech R & D，2015，37（3）：226-229.F191FC4A-792D-4749-8D0F-AA5A93EAF57B

[17]张翔，王佰顺，徐硕，等.基于PSO-BP的矿井淋水井筒风温预测[J].煤矿安全，2012，43（11）：178-181.ZHANG Xiang，WANG Baishun，XU Shuo，et al.Prediction of airflow temperature of shafts with water dropping based on PSO-BP neural network[J].Safety in Coal Mines，2012，43（11）：178-181.

[18]赵鼎成.基于GA-BP网络的掘進工作面风流温度预测的研究[J].煤炭工程，2013（1）：105-107.ZHAO Dingcheng.Research on prediction of airflow temperature in heading face based on GA-BP neural network[J].Coal Engineering，2013（1）：105-107.

[19]段艳艳.基于支持向量机的矿井风温预测[D].西安：西安科技大学，2013.DUAN Yanyan.Prediction of the mine air temperature based on support vector machine[D].Xian：Xian University of Science and Technology，2013.

[20]KATSUYUKI H，FUKUMIZU K.Relation between weight size and degree of over-fitting in neural network regression[J].Neural Networks，2008，21（1）：48-58.

[21]MENG Q，MA X P，ZHOU Y.Forecasting of coal seam gas content by using support vector regression based on particle swarm optimization[J].Journal of Natural Gas Science and Engineering，2014，21：71-78.

[22]黄昌洪，马逸吟.深井建井期入风淋水井筒风温预算的研究[J].淮南矿业学院学报，1987（2）：34-49.HUANG Changhong，MA Yiyin.The study of temperature predicting of air-intake shafts with water dropping in developing coal mine[J].Journal of Huainan Mining Institute，1987（2）：34-49.

[23]CHERKASSKY V，MA Y Q.Practical selection of SVM parameters and noise estimation for SVM regression[J].Neural Networks，2004，17（1）：113-126.

[24]MILAN P，SHAHABODDIN S，DALIBOR P，et al.Forecasting of consumers heat load in district heating systems using the support vector machine with a discrete wavelet transform algorithm[J].Energy，2015，87：343-351.F191FC4A-792D-4749-8D0F-AA5A93EAF57B