近日，我校能源环境与安全工程学院王海宁教授团队在人工智能领域国际顶尖期刊《Expert Systems With Applications》（中科院一区，TOP期刊，IF=8.5）上发表了题为“Hybrid CNN-MLP architecture data-driven airflow parameters perception in underground metal mine”的文章。论文第一作者为2022级硕士研究生唐文轩，通讯作者为王海宁教授。

矿井智能通风系统建设是提升矿山安全管理能力、预防中毒窒息事故发生的重要手段，是智慧矿山发展的必然趋势。矿井智能通风系统实时调控矿井风流按需、有序流动的关键在于实时感知矿井的全局风流参数。虽然通过布置大量的传感器、利用通风网络实时解算可以获取矿井全局风流参数，但由于井下环境恶劣，传感器布置及维护较难，且通风网络实时解算数据的获取有延时，实时调控风流难度大。针对以上问题，本研究系统评估了CNN、MLP、CNN-MLP、CNN(pool)-MLP四种人工智能神经网络范式以构建风流参数智能感知模型；对四种模型的性能研究、现场应用与实测数据进行比对，结果表明CNN-MLP偏差率在2.5%以下，表现最佳；最终提出了一种基于多架构深度学习方法（CNN-MLP）的智能感知模型。以该模型为核心内容的风流参数智能感知方法能有效实现矿井通风系统全局风流的智能感知，为矿井通风安全管理提供数据支撑，保障矿井生产安全。

地下矿山智能通风安全是我校安全学科“有限空间灾害智能防控”研究方向的重要内容。王海宁教授团队长期从事矿井通风安全领域的研究，获批2024年度应急管理研发攻关科技项目，已在矿井智能通风方面获得发明专利、软件著作权、团体标准等一系列研究成果，并在多家企业开展应用，为矿山通风安全发展做出了重要贡献。