矿井通风系统是保证矿井安全生产的基石,能够准确有效掌握井下局部障碍物对矿井摩擦阻力的变化情况对井下通风系统设计具有重要意义。本文主要从静态和动态两个角度,利用计算流体力学CFD软件,研究以风筒和矿车为代表的井下局部障碍物对巷道摩擦阻力的影响变化情况。从静态方面考虑,在巷道断面不同的情况下,分析其不同直径和不同位置对矿井摩擦阻力的变化情况;从动态方面考虑,以巷道风流速度、矿车的运行速度、阻塞比、矿车长度、巷道长度这五个影响因素为切入点,模拟得到矿车在巷道内运行时矿井摩擦阻力的相关数据,将这些数据进行整理,作为此次研究的样本,在MATLAB软件上构建BP神经网络,并将预测值与模拟值对比分析。通过对带有不同风筒的各个巷道断面的摩擦阻力进行模拟,将风筒断面积与巷道断面积的比看作巷道的阻塞比,发现其与矿井摩擦阻力的增长比例有一定的关系。在巷道阻塞比小于1%时,矿井摩擦阻力的增长比例小于4.8%;阻塞比在1%-2%时,矿井摩擦阻力增长比例在4.8%-9.5%左右;阻塞比在2%-6%时,矿井摩擦阻力增长比例在9.5%-19%左右;阻塞比大于6%时,矿井摩擦阻力增长比例大于19%。同时,还发现不论是改变风筒在巷道中的摆放位置,还是风筒中心距底板的距离时,其矿井摩擦阻力的变化都不大,所以风筒位置对矿井摩擦阻力的影响较小,可忽略不计。通过对矿车运行时矿井摩擦阻力进行模拟,发现其利用CFD软件模拟获得的巷道摩擦阻力数据,可以作为构建神经网络的数据基础,并且具有较好的普适性。而在进行摩擦阻力预测研究时,神经网络预测所得的巷道摩擦阻力与模拟值相比较,最大绝对误差为1.1707Pa,最大相对误差为12.939%,且只有极个别数据的相对误差在10%以上,其他都达到了精度要求,证明该神经网络模型能够满足预测要求,且能够快速有效的确定矿车等运输设备运行时巷道的摩擦阻力的变化情况,误差较小,具有一定的应用价值。同样的,对实验巷道所测得的数据进行预测,将其结果与实测值相比,相差不大,最大的相对误差为11.555%,预测误差范围控制在12%以内,其预测模型用于实际求解矿车运行时矿井摩擦阻力的变化情况是可行的,能满足实际需要。该论文有图30幅,表23个,参考文献65篇。