1.一种矿井通风网络流场解算方法，其特征在于，包括：

获取矿井通风网络的边界环境数据、流场数据以及流场时空长序列分布数据；所述流场数据包括矿井内部各测点的风速、风压、风阻、温度以及由瓦斯浓度和粉尘浓度组成的气体浓度；所述流场时空长序列分布数据为由风速、风压和瓦斯浓度组成的时空长序列分布数据的实际值；

构建矿井通风网络的流场模拟模型，所述矿井通风网络的流场模拟模型包括基于动力学神经微分方程的通风网络时空求解模型和基于时空自注意力的流体动力学深度神经网络求解器；

基于历史边界环境数据、流场数据，采用所述流体动力学深度神经网络求解器对通风网络时空求解模型进行通风数值迭代求解，获得流场时空长序列分布数据的预测值，再基于流场时空长序列分布数据的预测值与实际值之间的误差，调整所述通风网络时空求解模型和流体动力学深度神经网络求解器的模型参数，进行矿井通风网络的流场模拟模型的迭代训练；

基于训练好的矿井通风网络的流场模拟模型，获取目标边界环境数据以及流场数据对应的流场时空长序列分布数据并作为流场解算结果；

所述基于动力学神经微分方程的通风网络时空求解模型的具体构建方法：首先，将格子玻尔兹曼模型格点i，j上风速高于阈值p的格点记为通风事件集合和 ；式中， 为格点i上第μ次通风事件的发生时间； 为格点j上第v次通风事件的发生时间；si和sj分别是研究时段内格点i和j处的通风事件的总次数；

基于同步事件法中一对格点(i,j)上事件发生的时间差来构造其时空关联特征，因此，对通风网络系统而言，若空间任意两个通风事件μ，v之间的时间延迟 小于阈值则认为这两个事件是同步发生的，称为同步事件；阈值的计算公式如下：；式中， 和 分别为格点i第μ次事件与第μ‑1次事件的

时间间隔和格点i第μ+1次事件与第μ次事件的时间间隔； 和 分别为格点j第v次事件与第v‑1次事件的时间间隔和格点j第v+1次事件与第v次事件的时间间隔；

任意格点对(i, j)的同步事件次数为： ；式中， 为格点对(i,j)的同步事件总次数； 为指示函数； ；

由此得到同步事件矩阵ES，也即完成了格点上通风事件的动力学统计构造，针对通风网络格点之间的时空关联性，构建对称矩阵Q和非对称矩阵q，矩阵中的元素为：； ；其中，Qij和qij分别为格点i，j通风事件的

同步强度和时间延迟关系，Qij∈[0,1]，qij∈[‑1,1]；由此通过设置阈值剔除次要的空间关联，得到了格点上风流速度的同步关联特征以及时间延迟方向特征； 为格点i发生事件的时间延迟τ内，格点j发生事件的次数；其次，构建基于动力学神经微分方程的模拟预测求解模型，基于微分方程系统在格子玻尔兹曼模型上描述时间动力学：；

其中， 为在任意时刻由n个格点组成的动态系统的状态或特征值； 为捕获格点之间如何相互作用的复杂网络结构； 为控制系统如何随时间演化的参数；

为 时刻基于格子玻尔兹曼模型的通风网络系统的初始状态；函数

控制格点的动态瞬时变化率；定义 来表征格点j受其他格点速度大小影响的程度， ；式中，n是格点总数，M(t)是在t时刻发生速度碰撞的格点集合，dij是格点i，j的距离， 是格点间的关联强度和关联方向因子。

2.根据权利要求1所述的矿井通风网络流场解算方法，其特征在于，所述获取矿井通风网络的边界环境数据、流场数据的具体步骤包括：采集矿井通风网络的边界环境数据以及流场数据；

对采集到的边界环境数据以及流场数据进行用于去除噪声和异常值的预处理。

3.根据权利要求2所述的矿井通风网络流场解算方法，其特征在于，所述边界环境数据中进风量为矿井通风网络中各个进风口风量之和，表达式为： ；其中， 为总进风量； 为第i个进风口风量，n为进风口个数。

4.根据权利要求2所述的矿井通风网络流场解算方法，其特征在于，所述流场数据中所述风速的表达式为： ；式中，为风速；Q为总风量，S为巷道横截面积；所述风压的表达式为： ；

式中，为风压； 为空气密度； 为空气高度差；  为重力加速度；

所述风阻的表达式为： ；

式中，为风阻； 为巷道两端压差；

所述温度的表达式为： ；

式中， 为基准温度； 为温升；

所述气体浓度包括瓦斯浓度和粉尘浓度，表达式分别为： ； ；

式中， 为瓦斯浓度； 为瓦斯体积； 为空气体积； 为粉尘浓度； 为粉尘质量。

5.根据权利要求2所述的矿井通风网络流场解算方法，其特征在于，所述数据预处理具体包括：A）数据清洗与过滤：

采用数据插值、平滑滤波对测点短期缺失数据进行填补，若测点长期缺失数据，直接剔除该测点或采用邻近测点数据替代；

采用平滑滤波抑制高频噪声，对非平稳信号进行小波分解，保留低频有效成分，去除高频噪声；

采用统计方法、物理约束法检测并剔除异常值；

B）数据标准化：

对于进风量，采用中心对数比变换处理；

对于风压、温度，采用Min‑Max Scaling归一化处理，将数据缩放到[0,1]区间；

对于包括风速、气体浓度的正态分布数据，采用Z‑score标准化处理；

对包括风阻的非正态分布数据，采用分位数变换，将其映射到均匀分布或正态分布；

C）特征提取与选择：

对于时间维度，提取滑动窗口统计量，通过傅里叶变换提取频域特征；

对于空间维度，构建测点间的拓扑关系，计算空间相关性，利用同步事件矩阵量化测点间的时空关联强度；

通过互信息筛选与目标变量相关性高的特征，再通过主成分分析对高维时空数据降维，保留90%以上方差的成分。

6.根据权利要求1所述的矿井通风网络流场解算方法，其特征在于，所述迭代训练的具体方法包括：基于所述环境数据、流场数据以及时空长序列分布数据，构建数据集；

基于所述数据集对矿井通风网络的流场模拟模型进行训练，其中，边界环境数据和流场数据作为基于动力学神经微分方程的通风网络时空求解模型的输入数据，采用基于时空自注意力的流体动力学深度神经网络求解器对通风网络时空求解模型进行通风数值求解，获取流场时空长序列分布数据的预测值，再基于流场时空长序列分布数据的预测值与实际值之间的误差，调整所述通风网络时空求解模型和流体动力学深度神经网络求解器的模型参数，进行矿井通风网络的流场模拟模型的迭代训练；

训练中通过反向传播算法和梯度下降算法，进行模型参数调整，并采用正则化方法防止过拟合，且采用学习率调度方法提高训练效率。

7.根据权利要求1所述的矿井通风网络流场解算方法，其特征在于，所述基于时空自注意力的流体动力学深度神经网络求解器包括构建基于补丁的二/三维CNN空间自注意力模块以及一维CNN时间自注意力模块；其中，所述二/三维CNN空间自注意力模块利用中心格点与周围格点特征之间的空间相关性，遍历每一个格点并改进其空间特征表示；所述一维CNN时间自注意力模块通过短距离时间特征来捕捉长距离时间相关性；

基于矿井气体状态方程，根据流场数据中温度、风压、风阻和气体浓度计算离散粒子密度；再根据离散粒子密度以及流场数据中风速和温度，获取描述粒子速度分布规律的麦克斯韦‑玻尔兹曼分布函数；最后将其矢量分解为D2Q9模型中各离散速度方向的分量，形成初始速度分布函数fi(x,y,t)存储在三维数组(Nx,Ny,Ni)中，fi(x,y,t)表示格点(x,y)在时刻t时第i个速度方向的粒子密度；将三维数组中Ni维度上中间层的每一(x,y)点为中心的相邻长方体作为由离散速度数构成的补丁；

将由离散速度数构成的补丁分别输入至二/三维CNN空间自注意力模块以及一维CNN时间自注意力模块，将采用分数加权融合的方法对二/三维CNN空间自注意力模块以及一维CNN时间自注意力模块的输出进行融合，得到时空过程模拟的流场解算结果。

8.根据权利要求7所述的矿井通风网络流场解算方法，其特征在于，所述 中 心 格 点 与 周围 格 点 特 征 之间 的 空 间 相 关性 的 表 达 式 为 ：；式中， 为中心格点向量 与相邻格点以及时

间 之间的时空特征相似性；为A的中心格点数据向量化表示，A为由离散速度数构成的补丁输入两个平行卷积层后生成的第一特征图； 分别为与中心格点 相邻的格点；

使 用s of t ma x函 数 对 进 行 归一 化 ，得 到时 空自 注 意 力表 达 ：；

在时空自注意力特征的基础上计算加权矩阵，对中心格点相关的特征信息进行增强表示，并抑制不必要的时空特征： ； ；

其中， 为权重矩阵， 为增量表示，为由离散速度数构成的补丁输入两个平行卷积层后生成的第二特征图；

对时间特征进行相同处理可以得到增量 ，并将一维CNN时间自注意力模块的输出反馈到全连接层FC，变换得到 和 ，最后采用分数加权融合得到时空过程模拟的预测结果： ；

其中， 为softmax函数，为权重参数， 。

9.一种矿井通风网络流场解算系统，其特征在于，包括数据获取模块、模型构建模块、模型训练模块和解算模块；

所述数据获取模块，用于获取矿井通风网络的边界环境数据、流场数据以及流场时空长序列分布数据；所述流场数据包括矿井内部各测点的风速、风压、风阻、温度以及由瓦斯浓度和粉尘浓度组成的气体浓度；所述流场时空长序列分布数据为由风速、风压和瓦斯浓度组成的时空长序列分布数据的实际值；

所述模型构建模块，用于构建矿井通风网络的流场模拟模型，所述矿井通风网络的流场模拟模型包括基于动力学神经微分方程的通风网络时空求解模型和基于时空自注意力的流体动力学深度神经网络求解器；

所述模型训练模块，用于基于历史边界环境数据、流场数据，采用所述流体动力学深度神经网络求解器对通风网络时空求解模型进行通风数值迭代求解，获得流场时空长序列分布数据的预测值，再基于流场时空长序列分布数据的预测值与实际值之间的误差，调整所述通风网络时空求解模型和流体动力学深度神经网络求解器的模型参数，进行矿井通风网络的流场模拟模型的迭代训练；

所述解算模块，用于基于训练好的矿井通风网络的流场模拟模型，获取目标边界环境数据以及流场数据对应的流场时空长序列分布数据并作为流场解算结果；所述基于动力学神经微分方程的通风网络时空求解模型的具体构建方法：首先，将格子玻尔兹曼模型格点i，j上风速高于阈值p的格点记为通风事件集合和 ；式中， 为格点i上第μ次通风事件的发生时间； 为格点j上第v次通风事件的发生时间；si和sj分别是研究时段内格点i和j处的通风事件的总次数；

基于同步事件法中一对格点(i,j)上事件发生的时间差来构造其时空关联特征，因此，对通风网络系统而言，若空间任意两个通风事件μ，v之间的时间延迟 小于阈值则认为这两个事件是同步发生的，称为同步事件；阈值的计算公式如下：；式中， 和 分别为格点i第μ次事件与第μ‑1次事件的

时间间隔和格点i第μ+1次事件与第μ次事件的时间间隔； 和 分别为格点j第v次事件与第v‑1次事件的时间间隔和格点j第v+1次事件与第v次事件的时间间隔；

任意格点对(i, j)的同步事件次数为： ；式中， 为格点对(i,j)的同步事件总次数； 为指示函数； ；

由此得到同步事件矩阵ES，也即完成了格点上通风事件的动力学统计构造，针对通风网络格点之间的时空关联性，构建对称矩阵Q和非对称矩阵q，矩阵中的元素为：； ；其中，Qij和qij分别为格点i，j通风事件的

同步强度和时间延迟关系，Qij∈[0,1]，qij∈[‑1,1]；由此通过设置阈值剔除次要的空间关联，得到了格点上风流速度的同步关联特征以及时间延迟方向特征； 为格点i发生事件的时间延迟τ内，格点j发生事件的次数；其次，构建基于动力学神经微分方程的模拟预测求解模型，基于微分方程系统在格子玻尔兹曼模型上描述时间动力学：；

其中， 为在任意时刻由n个格点组成的动态系统的状态或特征值； 为捕获格点之间如何相互作用的复杂网络结构； 为控制系统如何随时间演化的参数；

为 时刻基于格子玻尔兹曼模型的通风网络系统的初始状态；函数

控制格点的动态瞬时变化率；定义 来表征格点j受其他格点速度大小影响的程度， ；式中，n是格点总数，M(t)是在t时刻发生速度碰撞的格点集合，dij是格点i，j的距离， 是格点间的关联强度和关联方向因子。