基于POD与机器学习的综掘工作面流场快速预测算法

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/m^(3),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。