目前井下风温预测大多采用BP神经网络，但其预测精度受学习样本数量的影响，且容易陷入局部最优，Elman神经网络具备局部记忆能力，提高了网络的稳定性和动态适应能力，但仍然存在收敛速度过慢、易陷入局部最优的问题。针对上述问题，采用粒子群优化(PSO)算法对Elman神经网络的权值和阈值进行优化，建立了基于PSO-Elman神经网络的井底风温预测模型。分析得出入风相对湿度、地面入风温度、地面大气压力和井筒深度是井底风温的主要影响因素，因此将其作为模型的输入数据，模型的输出数据为井底风温。在相同样本数据集下的实验结果表明：Elman模型迭代到90次时收敛，PSO-Elman模型迭代到41次时收敛，说明PSO-Elman模型收敛速度更快；与BP神经网络模型、支持向量回归(SVR)模型和Elman模型相比，PSO-Elman模型的预测误差明显降低，平均绝对误差(MAE)、均方误差(MSE)、平均绝对百分比误差(MAPE)分别为0.376 0 ℃，0.278 3，1.95%，决定系数R2为0.992 4，非常接近1，表明预测模型具有良好的预测效果。实例验证结果表明，PSO-Elman模型的相对误差范围为-4.99%～1.27%，绝对误差范围为-1～0.3 ℃，MSE为0.26，整体预测精度可满足井下实际需要。

0 引言
1 基于PSO-Elman的井底风温预测模型
1.1 Elman神经网络
1.2 PSO算法
1.3 PSO-Elman模型流程
1.4 预测结果评估
2实验分析
2.1 样本数据来源
2.2预测结果对比分析
3 实例验证
4 结论