肖雙雙 馬亞潔 李衛(wèi)炎 劉錦

摘 要：粉塵濃度預(yù)測可為粉塵防治提供依據(jù)。為探明國內(nèi)外露天礦粉塵濃度預(yù)測研究進(jìn)展，針對中國知網(wǎng)和Web of Science收錄的粉塵濃度預(yù)測相關(guān)文獻(xiàn)，采用CiteSpace、VOSviewer可視化圖譜分析軟件，從文獻(xiàn)計(jì)量學(xué)角度對關(guān)鍵詞進(jìn)行處理，提取高頻關(guān)鍵詞、研究熱點(diǎn)，生成聚類圖譜和熱點(diǎn)時(shí)間軸。根據(jù)可視化分析結(jié)果，從露天礦粉塵濃度影響因素、指標(biāo)體系、預(yù)測方法3個(gè)方面進(jìn)行分析。結(jié)果表明：露天礦粉塵濃度的影響因素研究主要體現(xiàn)在生產(chǎn)強(qiáng)度和氣象因素方面，選取的粉塵濃度預(yù)測指標(biāo)通常有剝離量、采煤量、溫度、濕度、風(fēng)速、風(fēng)向等；粉塵濃度預(yù)測方法主要采用神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林、線性回歸等以及結(jié)合粒子群、遺傳算法優(yōu)化的組合算法預(yù)測模型。未來露天礦粉塵濃度預(yù)測研究應(yīng)深入挖掘影響粉塵濃度的因素和科學(xué)建立預(yù)測指標(biāo)體系，加強(qiáng)機(jī)器學(xué)習(xí)和智能優(yōu)化算法的組合應(yīng)用。

關(guān)鍵詞：露天礦；粉塵濃度；預(yù)測模型；知識圖譜；計(jì)量分析

中圖分類號：TD 804

文獻(xiàn)標(biāo)志碼：A

文章編號：1672-9315（2023）04-0675-11

DOI：10.13800/j.cnki.xakjdxxb.2023.0404

Prediction of? dust concentration in open-pit mine

based on CiteSpace knowledge graph analysis

XIAO Shuangshuang1，MA Yajie1，LI Weiyan2，LIU Jin1

（1.

College of Energy Science and Engineering，Xian University of Science and Technology，Xian 710054，China;

2.Zhejiang Communications Resources Investment Group Co.，Ltd.，Hangzhou? 310020，China）

Abstract：Dust concentration prediction can provide evidence for dust prevention and control.In order to explore the research progress of dust concentration prediction in open-pit mines at home and abroad，CiteSpace and VOSviewer visual graph analysis software were used to process keywords from bibliometric perspective，extract high frequency keywords and research hotspots，and generate clustering mapping and hotspot timeline for the literature related to dust concentration prediction included in China Knowledge Network（CNKI）and Web of Science.Based on the visualization analysis results，a analysis was conducted from three aspects of open-pit mine dust concentration influence factors，index system and prediction methods.The results show that the influencing factors of open-pit mine dust concentration mainly reflected in the production intensity and meteorological factors，and the selected dust concentration prediction indicators usually include stripping volume，coal mining volume，temperature，humidity，wind speed，wind direction，etc.The dust concentration prediction methods mainly involve neural network，random forest，linear regression，etc.，and the combined algorithm prediction model

coupled with particle swarm and genetic algorithm optimization.Future research on dust concentration prediction in open-pit mines should dig deeper into the factors affecting dust concentration with the prediction index system established，and strengthen the combination of machine learning and intelligent optimization algorithms.

Key words：open-pit mine；dust concentration；prediction model；knowledge graph；quantitative analysis

0 引 言

露天礦產(chǎn)塵點(diǎn)多、粉塵量大、擴(kuò)散范圍廣，影響職工健康，加速設(shè)備磨損，影響生產(chǎn)效率和生產(chǎn)安全，污染周邊生態(tài)環(huán)境。露天礦粉塵職業(yè)危害已成為礦山領(lǐng)域最重要的職業(yè)健康問題，并產(chǎn)生較大的社會影響。在國家加快推進(jìn)生態(tài)文明建設(shè)、大力推進(jìn)綠色礦山建設(shè)的背景下，露天礦粉塵防控已成為亟待解決的重大行業(yè)問題［1］。為更精準(zhǔn)高效的開展粉塵防治工作，需要對各產(chǎn)塵點(diǎn)的粉塵濃度進(jìn)行精準(zhǔn)預(yù)測，粉塵濃度預(yù)測是實(shí)施粉塵污染防治的前提，是指導(dǎo)各類防治措施的實(shí)施準(zhǔn)則。如何從產(chǎn)塵環(huán)節(jié)中挖掘關(guān)鍵的特征因素，建立有效的粉塵濃度預(yù)測模型，近年來已經(jīng)成為國內(nèi)外的研究共識和熱點(diǎn)。

國內(nèi)外學(xué)者通過理論分析、現(xiàn)場監(jiān)測等研究了溫度、濕度、風(fēng)速、風(fēng)力、風(fēng)向、剝離量、采煤量等因素對粉塵濃度的影響，選取風(fēng)速、風(fēng)向、溫度、濕度、產(chǎn)煤量、剝離量等指標(biāo)建立粉塵濃度預(yù)測指標(biāo)體系，采用時(shí)間序列、線性回歸、灰色理論、人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、求和自回歸移動平均-廣義神經(jīng)網(wǎng)絡(luò)回歸（ARIMA-GRNN）組合算法、灰色-廣義回歸神經(jīng)網(wǎng)絡(luò)（GM-GRNN）組合算法等構(gòu)建了多種粉塵濃度預(yù)測模型，能夠?qū)Ψ蹓m濃度的發(fā)展趨勢做出大致預(yù)測。為提高粉塵濃度預(yù)測的準(zhǔn)確率，一些學(xué)者在模型預(yù)測方法的研究中不局限于單一傳統(tǒng)的數(shù)學(xué)算法預(yù)測，而是逐漸引入機(jī)器學(xué)習(xí)，采用生物智能優(yōu)化算法結(jié)合機(jī)器學(xué)習(xí)建立粉塵濃度預(yù)測模型，如粒子群-BP神經(jīng)網(wǎng)絡(luò)（PSO-BP）組合預(yù)測模型［2］。但是隨著各種方法模型的不斷涌現(xiàn)，在粉塵濃度預(yù)測模型的研究現(xiàn)狀與發(fā)展趨勢方面的評述較少，預(yù)測方法的現(xiàn)狀和演進(jìn)趨勢仍然不清楚。近年來文獻(xiàn)計(jì)量分析已在多個(gè)學(xué)科中應(yīng)用，發(fā)文量呈逐年遞增的趨勢，基于文獻(xiàn)計(jì)量學(xué)分析露天礦粉塵濃度預(yù)測研究現(xiàn)狀與展望，檢索并梳理國內(nèi)外相關(guān)研究進(jìn)展，有利于充分了解露天礦粉塵濃度預(yù)測的研究現(xiàn)狀，分析粉塵濃度與各類影響因素之間的關(guān)系，正確、有效的開展粉塵預(yù)測研究工作，幫助露天礦更好的制定粉塵防治策略。

因此，基于CNKI和Web of Science收錄的526篇粉塵濃度預(yù)測相關(guān)文獻(xiàn)，采用CiteSpace與VOSviewer知識圖譜可視化軟件進(jìn)行統(tǒng)計(jì)分析及數(shù)據(jù)挖掘，揭示粉塵濃度預(yù)測的研究熱點(diǎn)、研究方法和發(fā)展過程，系統(tǒng)歸納了露天礦粉塵濃度影響因素、指標(biāo)體系的研究現(xiàn)狀，梳理了粉塵濃度預(yù)測方法隨時(shí)間的演進(jìn)趨勢，提煉出預(yù)測方法的4大類型，并分類展開詳述，提出露天礦粉塵濃度預(yù)測研究展望，以期為露天礦粉塵濃度預(yù)測的深入研究提供參考。

1 基于文獻(xiàn)檢索的研究脈絡(luò)分析

1.1 研究方法與數(shù)據(jù)來源

為對粉塵濃度預(yù)測的研究現(xiàn)狀和發(fā)展趨勢進(jìn)行詳細(xì)分析，通過對近40 a國內(nèi)外粉塵濃度預(yù)測相關(guān)的文獻(xiàn)進(jìn)行檢索，檢索方法如下。

數(shù)據(jù)來源：中國知網(wǎng)（CNKI）、Web of Science（WOS）。

檢索區(qū)間：1981年1月1日—2022年12月31日。

檢索主題：SU=“粉塵濃度預(yù)測”+“PM2.5濃度預(yù)測”+“濃度預(yù)測模型”。

研究方法：計(jì)量學(xué)、可視化分析。

運(yùn)行環(huán)境：VOSviewer、CiteSpace。

共檢索到文獻(xiàn)526篇（CNKI 389篇、WOS 137篇），研究“礦山粉塵預(yù)測”的相關(guān)文獻(xiàn)共220篇（CNKI 40篇、WOS 180篇），研究“露天礦粉塵預(yù)測”的相關(guān)文獻(xiàn)共48篇（CNKI 9篇、WOS 39篇），由于不同領(lǐng)域的粉塵濃度預(yù)測方法類似、指標(biāo)體系不同，為全面歸納粉塵濃度預(yù)測方法發(fā)展動態(tài)，基于526篇文獻(xiàn)，運(yùn)用CiteSpace、VOSviewer軟件從文獻(xiàn)計(jì)量學(xué)的角度生成研究內(nèi)容的高頻關(guān)鍵詞的聚類圖譜和演化趨勢圖譜，對1981年—2022年的粉塵濃度預(yù)測相關(guān)研究熱點(diǎn)進(jìn)行可視化分析。

1.2 文獻(xiàn)數(shù)量動態(tài)變化

國內(nèi)外關(guān)于粉塵濃度預(yù)測的研究領(lǐng)域發(fā)表成果及發(fā)展趨勢，如圖1所示，2013年以前該領(lǐng)域研究論文數(shù)量較少，PM 2.5、粉塵濃度預(yù)測論文發(fā)表數(shù)量每年基本保持在1～2篇，2014—2018年該領(lǐng)域發(fā)文量開始增加，中英文文獻(xiàn)數(shù)量分別維持在每年25篇左右，總體上論文數(shù)量呈上升趨勢，隨著計(jì)算機(jī)科學(xué)技術(shù)的迅速發(fā)展，人工智能、機(jī)器學(xué)習(xí)、大數(shù)據(jù)技術(shù)等的興起，與計(jì)算機(jī)技術(shù)進(jìn)行學(xué)科交叉的方法技術(shù)不斷應(yīng)用于各行業(yè)領(lǐng)域，自2019年起發(fā)文量顯著增加，文獻(xiàn)數(shù)量增長主要體現(xiàn)在基于機(jī)器學(xué)習(xí)的智能預(yù)測方法。

1.3 檢索文獻(xiàn)的計(jì)量分析

1.3.1 高頻熱點(diǎn)關(guān)鍵詞

關(guān)鍵詞代表著文獻(xiàn)研究主題，利用VOSviewer對關(guān)鍵詞進(jìn)行統(tǒng)計(jì)分析，如圖2、圖3所示。圖中不同顏色代表不同的研究主題，節(jié)點(diǎn)的大小代表該研究內(nèi)容共現(xiàn)頻率的高低，線條的粗細(xì)代表研究內(nèi)容的關(guān)聯(lián)強(qiáng)度。

從圖2、圖3可以看出，在粉塵濃度預(yù)測方面，PM 2.5、預(yù)測模型、神經(jīng)網(wǎng)絡(luò)、機(jī)器學(xué)習(xí)、粒子群優(yōu)化、組合預(yù)測等關(guān)鍵詞出現(xiàn)頻率較高，這些關(guān)鍵詞體現(xiàn)了研究的熱點(diǎn)主題。

1.3.2 聚類主體分析

基于CiteSpace軟件的K值聚類分析，設(shè)定參數(shù)K=10，提取10個(gè)聚類團(tuán)，生成粉塵濃度預(yù)測研究關(guān)鍵詞聚類圖譜，如圖4所示。

粉塵濃度預(yù)測研究大致可分為：環(huán)境影響因素、預(yù)測模型（時(shí)間序列、神經(jīng)網(wǎng)絡(luò)、灰色模型），模型優(yōu)化（機(jī)器學(xué)習(xí)）、預(yù)測控制、結(jié)果影響（塵肺?。?0大聚類團(tuán)，基于機(jī)器學(xué)習(xí)的模型優(yōu)化預(yù)測是該領(lǐng)域研究的主流。

1.3.3 關(guān)鍵詞聚類的時(shí)區(qū)演化

運(yùn)用CiteSpace可視化分析軟件提取1～7個(gè)高頻關(guān)鍵詞，該時(shí)間軸主要針對該領(lǐng)域研究熱點(diǎn)與發(fā)展趨勢進(jìn)行分析，從時(shí)間軸可看出，早期的研究方法主要為壽命表法、灰色理論、線性預(yù)測等傳統(tǒng)方法。隨著大數(shù)據(jù)、人工智能的發(fā)展，自1995年后，運(yùn)用神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等機(jī)器學(xué)習(xí)算法預(yù)測粉塵濃度逐漸成為新的研究熱點(diǎn)，從2005年起，基于粒子群算法、遺傳算法、蟻群算法等優(yōu)化算法的組合預(yù)測模型逐漸取代BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等單一的預(yù)測模型，如圖5所示。

2 露天礦粉塵濃度預(yù)測研究現(xiàn)狀

粉塵濃度預(yù)測過程主要是通過對現(xiàn)場監(jiān)測到的數(shù)據(jù)進(jìn)行收集和預(yù)處理，根據(jù)數(shù)據(jù)特征采用合適的預(yù)測算法建立粉塵濃度預(yù)測模型，確定其模型參數(shù)，分析影響粉塵濃度的關(guān)鍵因素，通過優(yōu)化算法調(diào)整優(yōu)化其參數(shù)，對結(jié)果進(jìn)行修正，提高預(yù)測結(jié)果的準(zhǔn)確率，如圖6所示。粉塵濃度預(yù)測的核心包括選取粉塵濃度影響因素，構(gòu)建粉塵濃度預(yù)測指標(biāo)體系，建立粉塵濃度預(yù)測模型［2］。

2.1 粉塵濃度影響因素和預(yù)測指標(biāo)體系

露天礦作業(yè)的每個(gè)環(huán)節(jié)都伴隨著粉塵的產(chǎn)生，露天礦作業(yè)環(huán)境敞露于地表，鉆孔、爆破、采裝、運(yùn)輸、排卸各環(huán)節(jié)都會產(chǎn)生大量粉塵，由此帶來的粉塵污染更為嚴(yán)重。產(chǎn)塵量與所用機(jī)械設(shè)備類型、生產(chǎn)強(qiáng)度、巖石性質(zhì)、開采方法以及自然條件等眾多因素有關(guān)。目前，國內(nèi)外學(xué)者通過理論分析、現(xiàn)場監(jiān)測等研究了溫度、濕度、風(fēng)速、風(fēng)力、風(fēng)向、剝離量、采煤量等因素對粉塵濃度的影響。如WANG等對西北哈爾烏素露天煤礦的粉塵污染進(jìn)行了分析，得出影響粉塵濃度的因素順序?yàn)椋寒a(chǎn)煤量>邊界層高度>風(fēng)速>溫差>溫度>濕度［3］。QI等在對影響PM濃度的重要性分析時(shí)，除當(dāng)前PM濃度受前5 min PM濃度的影響外，其他影響因素順序?yàn)椋簼穸?溫度>噪聲級>風(fēng)速>風(fēng)向［1］。LI等對TSP濃度預(yù)測時(shí)根據(jù)影響因素的重要程度分配權(quán)重，結(jié)果顯示TSP在08∶00～09∶00期間最高，在15∶00～16∶00期間最低。分析其原因主要影響因素為：氣象參數(shù)、正常作業(yè)以及逆溫層［4］?；粑牡确治鎏卣髯兞恐匾裕J(rèn)為環(huán)境影響因素中，濕度對粉塵濃度影響最大，其次是溫度、噪聲，風(fēng)速、風(fēng)力及風(fēng)向影響較小，如圖7所示［4］。 CHINTHALA等通過結(jié)合風(fēng)穿透效應(yīng)，研究了風(fēng)侵角和擴(kuò)散系數(shù)對PM10濃度的影響，研究表明風(fēng)侵角隨露天礦深度的變化對PM 10截留有顯著影響［5］。

露天礦的生產(chǎn)塵源主要來自鉆孔、爆破、采裝、運(yùn)輸、排卸等作業(yè)環(huán)節(jié)。在鉆孔作業(yè)下，粉塵顆粒由孔底高速噴出孔口而產(chǎn)生高濃度粉塵；爆破環(huán)節(jié)礦巖爆破瞬間會在爆區(qū)周圍產(chǎn)生濃度極高的粉塵顆粒，污染周邊環(huán)境。采裝、運(yùn)輸、排卸等環(huán)節(jié)因礦巖間摩擦碰撞和道路運(yùn)輸產(chǎn)生大量的揚(yáng)塵。一般認(rèn)為剝離量和采煤量越大，即生產(chǎn)強(qiáng)度越大，產(chǎn)塵量就越大。

溫度對粉塵濃度的影響主要由逆溫現(xiàn)象導(dǎo)致空氣流動性受阻，溫度較低時(shí)，粉塵無法擴(kuò)散，造成嚴(yán)重的空氣污染。一般濕度越大空氣中水分子含量越多，空氣相對濕度對粉塵濃度預(yù)測結(jié)果有顯著影響。風(fēng)速、風(fēng)力是粉塵擴(kuò)散速度的直接影響因素，在露天礦采場內(nèi)部，較小的風(fēng)速也可能產(chǎn)生揚(yáng)塵，增加空氣中粉塵濃度。風(fēng)向影響粉塵擴(kuò)散方向，具有隨機(jī)性和不確定性。

因此，生產(chǎn)強(qiáng)度大小決定了產(chǎn)塵量的多少，氣象因素決定粉塵的聚集與擴(kuò)散。根據(jù)影響因素選擇預(yù)測指標(biāo)，建立粉塵濃度預(yù)測指標(biāo)體系是粉塵濃度精準(zhǔn)預(yù)測的關(guān)鍵。目前，該指標(biāo)體系主要分為氣象類指標(biāo)和生產(chǎn)類指標(biāo)2大類。氣象類指標(biāo)包括風(fēng)速、風(fēng)向、溫度、濕度等；生產(chǎn)類指標(biāo)包括產(chǎn)煤量、剝離量、生產(chǎn)噪聲等［7］，如圖8所示。

2.2 粉塵濃度預(yù)測方法

計(jì)量學(xué)可視化分析得出粉塵濃度預(yù)測方法主要是沿著早期的壽命表、宏觀測算、經(jīng)驗(yàn)類比法等傳統(tǒng)方法發(fā)展為時(shí)間序列、線性回歸、灰色理論等方法，再延伸至近年的人工神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林、支持向量機(jī)以及生物智能算法優(yōu)化機(jī)器學(xué)習(xí)等組

合方法的研究脈絡(luò)發(fā)展的?；诳梢暬治鼋Y(jié)果，將粉塵濃度預(yù)測相關(guān)方法進(jìn)行歸類，系統(tǒng)的分析對比各方法的特點(diǎn)和適用范圍，將應(yīng)用次數(shù)較高的預(yù)測方法和模型進(jìn)行匯總，見表1。

目前的粉塵濃度預(yù)測方法分為定性和半定量預(yù)測、線性回歸預(yù)測、機(jī)器學(xué)習(xí)預(yù)測以及組合預(yù)測4大類。

2.2.1 定性和半定量預(yù)測

壽命表、宏觀測算、經(jīng)驗(yàn)類比法為傳統(tǒng)預(yù)測方法。傳統(tǒng)預(yù)測方法大致可分為定性預(yù)測和半定量預(yù)測2種，在定性預(yù)測方法的應(yīng)用中，王美霞等采用職業(yè)衛(wèi)生調(diào)查、類比法、經(jīng)驗(yàn)法預(yù)測了擬建項(xiàng)目的噪聲與粉塵職業(yè)病危害因素預(yù)期接觸水平，根據(jù)預(yù)測結(jié)果采取相應(yīng)防護(hù)控制措施［8］。韓磊等通過分析煤礦污染變化趨勢、煤工塵肺患者發(fā)病特征、暴露水平與發(fā)病的關(guān)系，掌握煤工塵肺病發(fā)病規(guī)律，對煤工塵肺未來發(fā)病情況做出預(yù)警預(yù)測［9］。

在半定量預(yù)測方法的研究中，陳春生等在壽命表法的基礎(chǔ)上增加了肺內(nèi)石英粉塵負(fù)荷量估算法對鐵路隧道工現(xiàn)場粉塵容許濃度進(jìn)行了估算，并對該方法的數(shù)據(jù)處理部分稍加改進(jìn)，將累積發(fā)病率取了逆正態(tài)分布函數(shù)后再建立的方程，使得結(jié)果更加符合實(shí)際應(yīng)用［10］。沈陽等運(yùn)用貝葉斯決策分析技術(shù)評估某高速公路隧道掘進(jìn)工粉塵累計(jì)暴露情況，并估計(jì)決策分析最小樣本數(shù)。得出該高速隧道掘進(jìn)工暴露矽塵濃度超標(biāo)嚴(yán)重，基于粉塵測定的貝葉斯決策分析技術(shù)可實(shí)現(xiàn)累計(jì)暴露預(yù)測及最少檢測樣本估算［11］。GHOSE等針對粉塵排放源展開研究，使用排放因子或預(yù)測方程對不同采礦活動粉塵排放進(jìn)行量化，重點(diǎn)介紹了本研究在環(huán)境保護(hù)領(lǐng)域的重要性以及該研究可能產(chǎn)生的影響，得出結(jié)論：得以估計(jì)的產(chǎn)塵量可以適當(dāng)評估對空氣質(zhì)量的影響，并制定適當(dāng)?shù)目諝馕廴究刂撇呗裕?2］。BALAGA等提出并開發(fā)一種基于冪函數(shù)的粉塵濃度預(yù)測算法功能模型，可針對不具經(jīng)驗(yàn)數(shù)據(jù)的粉塵分布狀態(tài)進(jìn)行預(yù)測，建立PM10、PM4和PM2.5粉塵顆粒的分布特征，該模型適用范圍廣，不受粉塵粒徑大小以及粉塵源距離限制，為礦山工作者提供更安全高效的粉塵防治策略［13］。TRIPATHY等重點(diǎn)介紹礦井不同作業(yè)區(qū)域的粉塵水平監(jiān)測、不同來源收集的粉塵表征、粉塵的個(gè)人暴露情況，采用AERMOD軟件對礦井不同位置和附近區(qū)域的粉塵濃度進(jìn)行了預(yù)測［14］。傳統(tǒng)方法如粉塵健康風(fēng)險(xiǎn)評估大多基于定性或者半定量的方法，缺少粉塵暴露的連續(xù)性監(jiān)測，不能在風(fēng)險(xiǎn)概率的基礎(chǔ)上進(jìn)行定量評估，使得粉塵長期累積暴露評估客觀性下降。以上宏觀預(yù)測模型僅僅能夠反映出預(yù)測對象的主要變動趨勢，因此傳統(tǒng)的預(yù)測方法在需求數(shù)據(jù)波動較大的復(fù)雜環(huán)境下逐漸被其他更好的方法取代。

2.2.2 線性回歸預(yù)測模型

粉塵預(yù)報(bào)早期常用理論方法，包括函數(shù)解算法和圖像查找法。隨后有學(xué)者開始采用統(tǒng)計(jì)模型來預(yù)測預(yù)報(bào)，如張志偉等采用灰色理論的預(yù)測方法，建立了降塵含量的GM生成函數(shù)預(yù)測模型，對邯鄲市工業(yè)居民混合區(qū)降塵含量歷年的變化規(guī)律進(jìn)行預(yù)測研究［15］。陳日輝等用粉塵濃度統(tǒng)計(jì)值建立GM模型，對原始數(shù)據(jù)進(jìn)行了滑動平均處理，該模型預(yù)測結(jié)果相對誤差較?。?6］。曹玉珍等結(jié)合灰色預(yù)測模型以及模型的預(yù)測結(jié)果檢驗(yàn)評估，以MATLAB語言編寫為開源程序，對廣州市降塵量進(jìn)行預(yù)測分析，結(jié)果與實(shí)際情況相符，該程序可應(yīng)用于不同指標(biāo)或同一指標(biāo)不同時(shí)段的建模和模型檢驗(yàn)過程，為灰色模型在各個(gè)領(lǐng)域的廣泛應(yīng)用提供了幫助［27］。

GM灰色理論、直線回歸等方法一般適用于線性趨勢預(yù)測，因此，不適合對波動較大的數(shù)據(jù)進(jìn)行預(yù)測；對于非線性和不穩(wěn)定的數(shù)據(jù)，還需要預(yù)測模型具有較強(qiáng)的非線性映射能力。如王月紅等以某礦粉塵濃度時(shí)間序列為基礎(chǔ)，提出了差分自回歸移動平均預(yù)測模型，建立ARIMA粉塵濃度預(yù)測模型，該模型適用于非平穩(wěn)數(shù)據(jù)的處理。得到初步模型后，根據(jù)貝葉斯信息準(zhǔn)則對比模型的優(yōu)劣，選擇最優(yōu)模型提高預(yù)測精度［18］。毛煒嶧等通過對常規(guī)的回歸分析方法加以改進(jìn)，綜合滑動相關(guān)理論以及集合回歸方法建立超級集合模型，利用反推法逐級尋找與沙塵日數(shù)序列有顯著統(tǒng)計(jì)關(guān)系的前期環(huán)流因子，得出它們之間的關(guān)系，為塔里木盆地多發(fā)季節(jié)沙塵日數(shù)的預(yù)測提供依據(jù)［19］。礦井產(chǎn)量與粉塵排放量之間的線性關(guān)系較弱，采用非線性方法建立模型可以提高結(jié)果的準(zhǔn)確率。

2.2.3 機(jī)器學(xué)習(xí)預(yù)測模型

在機(jī)器學(xué)習(xí)算法的應(yīng)用中，任屹罡等建立了BP神經(jīng)網(wǎng)絡(luò)模型對鄭州環(huán)境空氣中粉塵濃度PM10進(jìn)行預(yù)測，以平均氣壓、平均氣溫、平均相對濕度和平均風(fēng)速這4類氣象因子來預(yù)測，得到預(yù)測結(jié)果的準(zhǔn)確率可達(dá)86.85%［20］。王布川采用LMBP神經(jīng)網(wǎng)絡(luò)對煤巷綜掘工作面的粉塵濃度進(jìn)行了預(yù)測，結(jié)果顯示預(yù)測值誤差在±10%以內(nèi)，預(yù)測結(jié)果可靠［21］。李德根等通過分析各產(chǎn)塵因素對截割粉塵濃度的影響，建立基于熵權(quán)法的RBF神經(jīng)網(wǎng)絡(luò)模型，分析掘進(jìn)工作面截割粉塵濃度的變化規(guī)律。結(jié)果表明：熵權(quán)法RBF神經(jīng)網(wǎng)絡(luò)可以準(zhǔn)確預(yù)測掘進(jìn)工作面粉塵濃度［22］。李明等在對粉塵影響因素分析的基礎(chǔ)上，建立了粉塵SiO2含量、粉塵濃度、接塵時(shí)間與塵肺發(fā)病率之間的關(guān)系，運(yùn)用人工神經(jīng)網(wǎng)絡(luò)技術(shù)來實(shí)現(xiàn)粉塵危害三因素與塵肺病發(fā)病率之間的劑量-反應(yīng)關(guān)系，對數(shù)據(jù)進(jìn)行訓(xùn)練學(xué)習(xí)，參數(shù)進(jìn)行選擇調(diào)整，建立了粉塵模擬和預(yù)測模型［23］。單純用線性模型或非線性模型會導(dǎo)致信息源不廣泛問題，合適的組合模型可更好地發(fā)掘數(shù)據(jù)的潛在關(guān)系，提高模型的預(yù)測精度和穩(wěn)定性，如圖9所示。

2.2.4 組合預(yù)測模型

人工神經(jīng)網(wǎng)絡(luò)算法雖然能夠處理非線性、非平穩(wěn)數(shù)據(jù)，但易陷入局部最優(yōu)，且易導(dǎo)致過擬合現(xiàn)象。隨著數(shù)據(jù)增加，冗余性問題也將制約預(yù)測精度和計(jì)算效率（圖10）。在多種方法綜合預(yù)測模型的研究中，王永斌等分別建立GM（灰色系統(tǒng)）模型、BPNN（反向傳播網(wǎng)絡(luò)）模型、GM-GRNN（灰色-廣義回歸神經(jīng)網(wǎng)絡(luò)）組合模型對我國塵肺病發(fā)病人數(shù)進(jìn)行預(yù)測，并根據(jù)誤差分析對比3種模型的預(yù)測效果，結(jié)果表明，GM（1，1）-GRNN組合模型的擬合及預(yù)測效果優(yōu)于GM（1，1）模型和BPNN模型［25］，也是首次將多種智能算法相結(jié)合使用。

卞子龍等基于求和自回歸移動平均模型（ARIMA）與灰色模型GM（1，1）、廣義神經(jīng)回歸網(wǎng)絡(luò)模型（GRNN）的分別組合，構(gòu)建適合江蘇省塵肺病預(yù)測的組合模型。通過對比擬合分析ARIMA預(yù)測模型、ARIMA-GM組合模型、ARIMA-GRNN組合模型的誤差值得出，在江蘇省塵肺病新病例預(yù)測中ARIMA-GRNN模型誤差最小，擬合效果最好［26］。周旭等采用時(shí)間序列和神經(jīng)網(wǎng)絡(luò)相結(jié)合的外因輸入非線性自回歸模型（NARX模型）來預(yù)測粉塵濃度和時(shí)間的關(guān)系，該模型適用于時(shí)序型數(shù)據(jù)，可以給不同時(shí)段的輸入之間建立聯(lián)系［27］。劉杰等提出了一種結(jié)合弱化緩沖算子優(yōu)化的分?jǐn)?shù)階累加灰色（FGM）預(yù)測模型，對廢氣中煙（粉）塵排放濃度的變化進(jìn)行預(yù)測和擬合，并對比分析GAWBO和AWBO以及WAWBO 3種弱化緩沖算子處理后得到的預(yù)測結(jié)果，發(fā)現(xiàn)運(yùn)用WAWBO算法優(yōu)化過的FGM模型預(yù)測的數(shù)據(jù)精度高、誤差低，結(jié)果與實(shí)際煙（粉）塵排放情況更符［28］，如圖11所示。張易容通過建立傳統(tǒng)回歸、隨機(jī)森林、LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測模型，選取時(shí)間因子、氣象因子及采裝強(qiáng)度作為輸入變量，預(yù)測哈爾烏素露天煤礦PM2.5濃度值，結(jié)果表明LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測模型效果較好［29］。王雅寧采用決策樹、馬爾科夫等算法知識，構(gòu)建了屬于露天礦的隨機(jī)森林-馬爾科夫粉塵濃度預(yù)測模型，通過馬爾科夫修正后的預(yù)測結(jié)果精度較高［30］。

3 露天礦粉塵濃度預(yù)測研究展望

國內(nèi)外學(xué)者對露天礦粉塵預(yù)測進(jìn)行了大量的研究，取得了豐富的成果，為后續(xù)研究提供重要的參考。綜合考慮露天礦粉塵產(chǎn)塵機(jī)理、物化特征、影響因素等，構(gòu)建完善露天礦粉塵濃度預(yù)測研究體系，如圖12所示，尚有以下問題需深入研究。

1）礦山尤其是露天礦礦山產(chǎn)塵點(diǎn)多、產(chǎn)塵量大、粉塵濃度大、擴(kuò)散范圍廣，影響粉塵濃度的因素眾多，了解掌握影響粉塵濃度的主要因素是粉塵濃度精準(zhǔn)預(yù)測的關(guān)鍵。根據(jù)氣象理論、粉塵擴(kuò)散機(jī)理，運(yùn)用人工智能、大數(shù)據(jù)分析、機(jī)器學(xué)習(xí)的方法對粉塵濃度影響因素進(jìn)行深入挖掘分析，揭示影響粉塵濃度的關(guān)鍵因素，構(gòu)建科學(xué)的粉塵濃度預(yù)測指標(biāo)體系。

2）影響粉塵濃度的因素眾多，且數(shù)據(jù)波動較大，粉塵環(huán)境具有不確定性、時(shí)變性、非線性，僅使用現(xiàn)行的、單一的模型對粉塵濃度進(jìn)行預(yù)測，難以獲得最優(yōu)解。將多種智能預(yù)測算法與優(yōu)化算法相結(jié)合，構(gòu)建粉塵濃度預(yù)測智能模型，并根據(jù)預(yù)測場景、數(shù)據(jù)特征進(jìn)行參數(shù)優(yōu)化，提高預(yù)測精度。

3）采用各種非線性的預(yù)測方法結(jié)合智能優(yōu)化算法對模型的參數(shù)進(jìn)行優(yōu)化調(diào)整，檢驗(yàn)?zāi)Ｐ皖A(yù)測效果，提高結(jié)果的可靠性，并增強(qiáng)模型的魯棒性，以期獲得更好的預(yù)測效果。

4）推廣應(yīng)用各類粉塵預(yù)測模型并評估其預(yù)測精度、優(yōu)勢及不足，為預(yù)測模型優(yōu)化提供參考。

4 結(jié) 論

1）PM2.5、預(yù)測模型、神經(jīng)網(wǎng)絡(luò)、機(jī)器學(xué)習(xí)、粒子群優(yōu)化、組合預(yù)測為粉塵濃度預(yù)測方面的研究熱點(diǎn)，基于機(jī)器學(xué)習(xí)的模型優(yōu)化預(yù)測是該領(lǐng)域研究的主流，基于優(yōu)化算法的組合預(yù)測模型逐漸取代單一預(yù)測模型。

2）在粉塵濃度影響因素及預(yù)測指標(biāo)體系方面，生產(chǎn)強(qiáng)度大小決定了產(chǎn)塵量的多少，氣象因素決定粉塵的聚集與擴(kuò)散。粉塵濃度預(yù)測指標(biāo)主要包括氣象類指標(biāo)和生產(chǎn)類指標(biāo)2大類。氣象類指標(biāo)包括溫度、濕度、風(fēng)速、風(fēng)向等，生產(chǎn)類指標(biāo)包括剝離量、采煤量等。

3）在粉塵濃度預(yù)測方法方面，基于可視化分析結(jié)果，將目前的粉塵濃度預(yù)測方法分為定性和半定量預(yù)測、線性回歸預(yù)測、機(jī)器學(xué)習(xí)預(yù)測以及組合預(yù)測4大類，系統(tǒng)分析對比了各類方法的特點(diǎn)和適用范圍。當(dāng)下主流的預(yù)測方法為基于機(jī)器學(xué)習(xí)、生物智能算法優(yōu)化的組合預(yù)測模型。

4）國內(nèi)外在露天礦粉塵預(yù)測研究方面取得了豐碩的成果，相關(guān)理論方法不斷革新，但仍存在粉塵濃度影響因素缺乏深度挖掘、粉塵濃度預(yù)測指標(biāo)主觀選取、預(yù)測方法單一不變等問題。應(yīng)積極引入大數(shù)據(jù)、人工智能等新方法新技術(shù)，不斷提升粉塵濃度預(yù)測的科學(xué)性和準(zhǔn)確性。

參考文獻(xiàn)（References）：

［1］ 肖雙雙，馬亞潔，李衛(wèi)炎，等.我國露天礦粉塵防治理論技術(shù)近20 a研究進(jìn)展與展望［J/OL］.金屬礦山.http：//kns.cnki/net/kcms/detail/34.1055.TD.2023-0506.1715.004.html.XIAO Shuangshuang，MA Yajie，LI Weiyan，etal.Research progress and prospect on theory and technology for dust prevention and control in open pit mine of China in the past 20 years［J/OL］.Metal Mine.http：//kns.cnki/net/kcms/detail/34.1055.TD.20230506.1715.004.html.

［2］QI C C，ZHOU W，LU X，et al.Particulate matter concentration from open-cut coal mines：A hybrid machine learning estimation［J］.Environmental Pollution，2020，263：1-10.

［3］WANG Z M，ZHOU W，JISKANI M I，et al.Dust pollution in cold region surface mines and its prevention and control-sciencedirect［J］.Environmental Pollution，2022，292：118293.

［4］LI L，ZHANG R X，SUN J D，et al.Monitoring and prediction of dust concentration in an open-pit mine using a deep-learning algorithm［J］.Journal of Environmental Health Science and Engineering，2021，19（1）：401-414.

［5］SUMANTH C，KHARE M，SHUKLA K.Numerical modelling of PM10 dispersion in open-pit mines［J］.Chemosphere，2020，259：127454.

［6］霍文，欒博鈺，周偉，等.基于環(huán)境因素的露天煤礦粉塵質(zhì)量濃度預(yù)測［J］.遼寧工程技術(shù)大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，40（5）：409-414.

HUO Wen，LUAN Boyu，ZHOU Wei，et al.Prediction of dust mass concentration in open-pit coal mine based on environmental factors［J］.Journal of Liaoning Technical University（Natural Science），2021，40（5）：409-414.

［7］LUO H，ZHOU W，JISKANI I M，et al.Analyzing cha-racteristics of particulate matter pollution in open-pit coal mines：Implications for green mining［J］.Energies，2021，14（9）：1-19.

［8］王美霞，蘇世標(biāo)，徐海娟.某2×1 000 MW燃煤發(fā)電機(jī)組項(xiàng)目噪聲與粉塵職業(yè)病危害因素分析及危害程度預(yù)測［J］.中國衛(wèi)生工程學(xué)，2016，15（3）：225-228.

WANG Meixia，SU Shibiao，XU Haijuan.Analysis of noise and dust occupational disease hazard factors and prediction of hazard degree of a 2×1 000 MW coal-fired generator set project［J］.Chinese Journal of Public Health Engineering，2016，15（3）：225-228.

［9］韓磊.華東某煤礦粉塵污染變化趨勢、煤工塵肺發(fā)病特征及其預(yù)測研究［D］.南京：南京醫(yī)科大學(xué)，2016.

HAN Lei.Trend of dust pollution，prevalence characteristics and prediction of coal workers pneumoconiosis in a mine in eastern China［D］.Nanjing：Nanjing Medical University，2016.

［10］陳春生，趙恩金，劉安生，等.鐵路隧道工現(xiàn)場粉塵容許濃度的估算及矽肺發(fā)生發(fā)展動向預(yù)測的研究［J］.鐵道勞動安全衛(wèi)生與環(huán)保，2001，28（1）：48-52.CHEN Chunsheng，ZHAO Enjin，LIU Ansheng，et al.

Estimation of allowable dust concentration in railway tunnel project site and prediction of development trend of pneumosilicosis［J］.

Railway Occupational Safety Health & Environmental Protection，2001，28（1）：48-52.

［11］沈陽，王永偉，曹柳，等.高速公路隧道掘進(jìn)工粉塵累積暴露評估［J］.現(xiàn)代預(yù)防醫(yī)學(xué)，2018，45（10）：1753-1758.

SHEN Yang，WANG Yongwei，CAO Liu，et al.Assessing cumulative dust exposure for excavating workers in a high speed tunnel industry using the Bayesian decision analysis technique［J］.Modern Preventive Medicine，2018，45（10）：1753-1758.

［12］GHOSE M K.Emission factors for the quantification of dust in Indian coal mines［J］.Journal of Scientific & Industrial Research，2004，63（9）：763-768.

［13］BALAGA D，KALITA M，DOBRZANIECKI P，et al.Analysis and forecasting of PM2.5，PM4，and PM10 dust concentrations，based on insitutests in hard coal mines［J］.Energies，2021，14（17）：5527.

［14］TRIPATHY D P，DASH T R，Badu A，et al.Assessment and modelling of dust concentration in an opencast coal mine in India［J］.Global Nest Journal，2015，17（4）：825-834.

［15］張志偉，劉銳，楊寶芬.工業(yè)居民混合區(qū)降塵含量的灰色GM（1，1）預(yù)測［J］.中國環(huán)境監(jiān)測，1997，13（4）：52-54.

ZHANG Zhiwei，LIU Rui，YANG Baofen，et al.The grey GM（1，1）forecast for the dust reduction content in industrial residential quarters［J］.Environmental Monitoring in China，1997，13（4）：52-54.

［16］陳日輝.礦井粉塵濃度的灰色預(yù)測法［J］.工業(yè)安全與防塵，2000，22（12）：5-7.

CHEN Rihui.Gray prediction of underground dust concentration［J］.Industrial Safety and Dust Control，2000，22（12）：5-7.

［17］曹玉珍，莫翠云，蔡明.基于MATLAB的灰色模型在廣州市降塵預(yù)測中的應(yīng)用［J］.中國環(huán)境監(jiān)測，2006，22（5）：54-56.

CAO Yuzhen，MO Cuiyun，CAI Ming.Gray model GM（1，1）based on MATLAB language and its application in the prediction of dust fall in Guangzhou city［J］.Environmental Monitoring in China，2006，22（5）：54-56.

［18］王月紅，高萌，趙帥博.礦井粉塵濃度預(yù)測模型的建立及應(yīng)用研究［J］.中國礦業(yè)，2021，30（1）：178-181.

WANG Yuehong，GAO Meng，ZHAO Shuaibo.Establishment and application of mine dust concentration prediction model［J］.China Mining Magazine，2021，30（1）：178-181.

［19］毛煒嶧，譚艷梅，李錫福.塔里木盆地沙塵多發(fā)季節(jié)沙塵日數(shù)與前一年大氣環(huán)流指數(shù)的關(guān)系研究［J］.干旱區(qū)地理，2007，30（6）：888-895.

MAO Weiyi，TAN Yanmei，LI Xifu.Relations between sand-dust days and the former year atmospheric indexes in Tarim basin［J］.Arid Land Geography，2007，30（6）：888-895.

［20］任屹罡，牛曉霞，丁奎杰，等.鄭州環(huán)境空氣中粉塵濃度的統(tǒng)計(jì)分析及預(yù)測［J］.工業(yè)安全與環(huán)保，2012，38（8）：25-27，66.

REN Yigang，NIU Xiaoxia，DING Kuijie，et al.Statistical analysis and prediction for dust concentration of Zhengzhou environmental air［J］.Industrial Safety and Environmental Protection，2012，38（8）：25-27，66.

［21］王布川.基于神經(jīng)網(wǎng)絡(luò)的煤巷綜掘工作面粉塵濃度預(yù)測研究［J］.礦業(yè)研究與開發(fā)，2017，37（6）：22-25.

WANG Buchuan.Research on prediction of dust concentration of coal alley comprehensive excavation work face based on neural network［J］.Mining Research and Development，2017，37（6）：22-25.

［22］李德根，劉曉亮，宋勝偉，等.熵權(quán)法徑向基神經(jīng)網(wǎng)絡(luò)的截割粉塵濃度模型與預(yù)測［J］.煤炭技術(shù)，2018，37（6）：177-179.

LI Degen，LIU Xiaoliang，SONG Shengwei，et al.Prediction and model of cutting dust concentration of radial basis neural network with entropy weight［J］.Coal Technology，2018，37（6）：177-179.

［23］李明.計(jì)算機(jī)在粉塵擴(kuò)散及危害預(yù)測與環(huán)境經(jīng)濟(jì)分析中的應(yīng)用研究［D］.長沙：中南大學(xué)，2005.

LI Ming.Application of computer in dust prediction and environmental economic analysis［D］.Changsha：Central South University，2005.

［24］李祥銅，曹亮，李湘麗，等.基于XGBoost的水禽養(yǎng)殖粉塵預(yù)測研究［J］.仲愷農(nóng)業(yè)工程學(xué)院學(xué)報(bào)，2021，34（2）：11-16.

LI Xiangtong，CAO Liang，LI Xiangli，et al.XGBoost based dust prediction for waterfowl breeding［J］.Journal of Zhongkai University of Agriculture and Engineering，2021，34（2）：11-16.

［25］王永斌，李向文，柴峰，等.采用灰色-廣義回歸神經(jīng)網(wǎng)絡(luò)組合模型預(yù)測我國塵肺病發(fā)病人數(shù)的方法探討［J］.環(huán)境與職業(yè)醫(yī)學(xué)，2016，33（10）：984-987，999.

WANG Yongbin，LI Xiangwen，CHAI Feng，et al.Grey Model-Generalized regression neural network combination model was used to predict on incidence of pneumoconiosis in China［J］.Environmental and Occupational Medicine，2016，33（10）：984-987，999.

［26］卞子龍，湯佳琪，倪春輝，等.應(yīng)用ARIMA-GRNN組合模型分析江蘇塵肺病發(fā)病情況［J］.環(huán)境與職業(yè)醫(yī)學(xué)，2019，36（8）：755-760.

BIAN Zilong，TANG Jiaqi，NI Chunhui，et al.Analysis on prevalence of pneumoconiosis in Jiangsu province using ARIMA-GRNN combined model［J］.Journal of Environmental and Occupational Medicine，2019，36（8）：755-760.

［27］周旭，王藝博，朱毅，等.基于非線性自回歸模型的礦井粉塵濃度預(yù)測［J］.華北理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，43（4）：127-133.

ZHOU Xu，WANG Yibo，ZHU Yi，et al.Mine dust concentration prediction based on nonlinear autoregressive model［J］.Journal of North China University of Science and Technology（Natural Science Edition），2021，43（4）：127-133.

［28］劉杰，傅鈺，馬倩，等.弱化緩沖算子優(yōu)化的煙（粉）塵排放FGM模型預(yù)測研究［J］.安全與環(huán)境學(xué)報(bào)，2022，22（2）：941-946.

LIU Jie，F(xiàn)U Yu，MA Qian，et al.Study on FGM model prediction of smoke（powder）dust eission optimized by weakening buffer operator［J］.Journal of Safety and Environment，2022，22（2）：941-946.

［29］張易容.基于循環(huán)神經(jīng)網(wǎng)絡(luò)的哈爾烏素露天煤礦粉塵濃度預(yù)測［D］.徐州：中國礦業(yè)大學(xué)，2020.

ZHANG Yirong.Prediction of dust concentration in Haerwusu open-pit coal mine based on recurrent neural network［D］.Xuzhou：China University of Mining and Technology，2020.

［30］王雅寧.基于隨機(jī)森林-馬爾科夫模型的露天礦粉塵濃度預(yù)測研究［D］.徐州：中國礦業(yè)大學(xué)，2021.

WANG Yaning.Research on dust concentration prediction of open-pit mine based on random Forest-Markov model［D］.Xuzhou：China University of Mining and Technology，2021.

（責(zé)任編輯：劉潔）