煤矿巷道风速的精确测量是煤矿安全生产的必要保障之一,也是实现“通风可靠”的基础工作。传统测风仪的应用场合广泛,但是在煤矿高湿、高粉尘的复杂环境下,其精度较低。超声波测风仪无机械磨损、安全可靠,且无需考虑煤矿井下温度和湿度对测量结果的干扰,能够很好地适应煤矿领域的工作环境。但是由超声波测风仪结构特点引起的阴影效应会对其测量精度造成影响。为了提高超声波测风仪的测量精度,本文围绕计算流体动力学（Computational Fluid Dynamics,CFD）和机器学习对超声波测风仪的风速误差补偿模型展开如下研究。本文通过FLUENT软件对超声波测风仪的风洞实验场景进行仿真,分析阴影效应对超声波测风仪测量精度的影响,并获取搭建误差补偿模型的风速数据。本文研究了基于极限学习机（Extreme Learning Machine,ELM）、核极限学习机（Kernel Extreme Learning Machine,KELM）、支持向量回归（Support Vector Regression,SVR）和反向传播神经网络（Back Propagation Neural Networks,BPNN）的风速误差补偿模型,选取粒子群优化（Particle Swarm Optimization,PSO）、飞蛾扑火优化（Moth-Flame Optimization,MFO）和网格搜索（Grid Search）算法对各模型的参数进行寻优,并对以上模型的误差补偿效果进行比较。实验结果表明,MFO-KELM模型的总体耗时不超过0.1 s,且MFO-KELM模型的平均绝对百分比误差（Mean Absolute Percentage Error,MAPE）值为0.043%,MFO-KELM模型的误差补偿效果最佳。为了验证MFO-KELM模型的准确性,本文对各误差补偿模型进行了统计学检验,并且利用风洞实验数据对MFO-KELM模型进行检验。实验结果表明,经过MFO-KELM模型误差补偿后,风速的相对误差保持在-0.3%和+10%之间,且均低于误差补偿前的相对误差。MFO-KELM模型可以有效地减少阴影效应带来的风速误差。本文基于对超声波时差法和风速误差补偿模型的研究对超声波测风仪进行设计与研发,选用STM32微处理器作为控制核心,并搭载了超声波发射与接收电路、滤波电路、频率输出电路、显示与通信电路等模块。同时,本文设计了超声波测风系统,来对风速数据进行误差补偿、传输和存储。考虑到基于风洞实验的误差补偿方法操作复杂、时间成本高,本文为超声波测风仪风速误差补偿问题提供了一种新的研究思路。本文提出的MFO-KELM模型能够有效地对风速进行误差补偿,对于矿用高精度超声波测风仪的研制和煤矿巷道风速的精确测量具有一定的参考价值。图[68]表[8]参[101]