青龙沟金矿露天转地下采场矿石贫化评估

为了研究采场的贫化问题,提出了一种ELOS(超挖深度)的量化指标,以青龙沟采区北矿段为工程背景,采用Mathews稳定性图法,计算得出上盘超挖深度较小,均小于0.5m;下盘超挖深度随着采场长度的增加变化为0.7～1.6m;通过数值计算,采场上盘超挖深度较小且变化不明显,而下盘超挖深度变化较显著,变化范围为0.64～1.07 m。图表法和数值模拟法得出的结果具有一致性,结果表明:在采场开挖时,下盘超挖较严重,应加强采场下盘的支护。     

基于T-S模型的模糊神经网络在地下硐室超挖预测中的应用

以山东某隧道为例, 运用基于T-S模型的模糊神经网络, 结合相关影响因素对地下硐室超挖进行了预测。预测模型根据工程实际情况选用了199组数据, 其中179组数据作为训练样本训练网络, 20组数据作为测试样本验证模型的预测结果。通过计算, 基于T-S模型模糊神经网络超挖预测的相关系数为0.962 8, 均方差为0.449, 平均相对误差为6.33%。与BP神经网络和回归模型的预测结果进行了比较分析, 结果表明基于T-S模型的模糊神经网络预测效果最好, 能精确预测地下硐室爆破超挖量, 对控制超挖量具有重要意义。     

基于GA-BP神经网络的淋水井筒风温预测模型

矿井进风井筒井底风温是井下风流热计算的重要节点。为准确预测淋水井筒风温，利用皮尔逊相关系数分析与遗传算法（GA）优化BP神经网络相结合的预测模型。借助皮尔逊相关系数分析筛选其中3个主要特征变量作为BP神经网络的输入变量，利用GA优化BP神经网络的权值和阈值，并与标准BP神经网络预测模型进行比较。研究结果表明，全部特征变量与特征变量筛选输入的标准BP神经网络预测模型的预测结果的平均绝对百分比误差分别为1.25%和2.33%,GA优化BP神经网络预测模型的预测结果的平均绝对百分比误差分别为0.97%和2.21%,GA-BP神经网络预测模型预测精度高于标准BP神经网络预测模型，基于特征变量筛选的预测模型既保持了较高的预测精度，又提高了预测效率。     

基于CMS精密探测的采场贫化损失计算方法

采矿损失率和矿石贫化率是表征矿山企业采矿技术和管理水平的重要指标。针对传统贫化损失测定方法工作量大，操作困难及测定数据不准确的实际问题，提出了一种新型的基于CMS精密探测的采场贫化损失的计算方法。介绍了CMS的工作原理及其对采空区的探测过程，阐明了基于CMS精密探测的采场贫化与损失计算的具体方法。以冬瓜山铜矿采场空区精密探测为实例，运用矿山三维设计软件Surpac，创建采空区、采场设计单元及底部结构等三维模型，并通过模型间的布尔运算，准确获得了探测采空区的实际边界和体积，以及实际采矿过程中的超挖量、欠挖量及采场空区内的存留矿量，从而较为准确地计算出采场的贫化率和损失率。     

基于BP神经网络的覆岩“两带”高度预测研究

为了研究五阳矿采动影响后上覆岩层卸压带高度变化规律,运用BP神经网络预测分析法,以控制"两带"(垮落带、断裂带)高度的开采方法、工作面长度、工作面推进速度、煤层倾角、覆岩性质、回采高度等致裂因子为输入层,以垮落高度和断裂高度为输出层,借助MATLAB6.x神经网络工具箱,构建了"两带"高度BP神经网络结构,经过BP神经网络模型初始化,BP神经网络模型训练及检验,建立可靠的"两带"高度BP神经网络预测模型。利用BP神经网络预测模型与国外经典预测模型对"两带"高度进行预测对比,得出国外的几种计算方法的误差都比较大,"两带"高度BP神经网络预测模型因其具备非线性函数逼近的特征,计算误差较小;以五阳矿3号煤为研究对象,运用BP神经网络预测模型在多种开采环境下对"两带"高度进行了预测,预测结果与实测结果基本吻合,得出开采方法的改变,影响着"两带"高度变化规律,特定的开采方法条件下"两带"高度与采高呈正相关,增长幅度趋缓;卸采比与采高呈负相关;工作面长与"两带"高度、卸采比均呈正相关,且相关性不受开采方法影响,无论何种开采方法,工作面推进速度与"两带"高度均呈负相关性,且推进速度与"两带"高度线性递减梯度-2.4～4.2 m/(m·d-1),推进速度增至4 m/d时,"两带"高度几乎不变,表明推进速度是"两带"高度发展的抑制因素。研究结果为五阳矿的瓦斯综合治理提供了重要的技术指导。     

铁古坑露天矿矿石贫化管理的实践

介绍了铁古坑露天矿开采多层薄矿体的矿石贫化预测、地质管理、定期的统计分析 ,通过对采场矿石贫化的动态管理 ,有效地降低了矿石贫化和采选生产成本     

铁古坑露天矿矿石贫化管理的实践

介绍了铁古坑露天矿开采多层薄矿体的矿石贫化预测、地质管理、定期的统计分析,通过对采场矿石贫化的动态管理,有效地降低了矿石贫化和采选生产成本.     

综采工作条件下覆岩导水裂隙带高度预测模型优化

准确预测导水裂隙带高度是煤炭防治水中的重要问题,也是保障煤矿安全生产的前提。目前,导水裂隙带高度预测模型存在预测准确性差等问题。在广泛收集各地不同煤矿区综采导水裂隙带发育高度实测数据的基础上,总结前人研究成果,选取采厚、工作面斜长、倾角、采深和硬岩比例系数5个因素建立导水裂隙带高度预测模型。同时,采用因素分析法分析了影响因素的权重,确定主控因素,并建立多元线性回归模型、多元非线性回归模型及BP神经网络预测模型,并对预测模型计算导水裂隙带高度进行准确性检验。以西山矿区实测导水裂隙带高度为例,选出最优模型,对最优预测模型BP神经网络模型进行检验分析,并与“三下”规范经验公式、多元线性回归模型和多元非线性回归模型计算结果进行对比。结果表明,“三下”规范经验公式与实际数据存在失真,已不能指导综采条件下导水裂隙带高度预测,而BP神经网络预测模型误差在10%以内,且绝对误差和相对误差较为稳定,同时该模型降低了因素之间的相关性,提高了预测准确性。因此,BP神经网络预测模型在预测导水裂隙带高度方面具有较好的准确性和应用性。研究成果可为指导矿井现场防治水害的工作提供参考建议。     

基于CT-GRNN模型的采场顶板位移预测

将混沌学理论与广义神经网络相结合构建了基于CT-GRNN的采场顶板位移预测模型。首先应用Matlab混沌工具箱, 对顶板位移数据进行混沌判别, 得出顶板位移数据混沌时间序列的特点, 进而对顶板位移数据进行相空间重构, 最后采用广义回归神经网络对采场顶板位移进行预测。以新桥矿E15、E27采场顶板位移预测为例, CT-GRNN模型的预测误差分别为2.1%和2.6%, 相比传统BP神经网络预测（预测误差分别为5.7%和4.8%）, 精度得到大幅度提高, 可作为采场顶板位移预测的一种新手段。     

采空区三维探测建模及采场回采指标可视化计算

采用阶段空场嗣后充填法的矿山,矿房的回采指标不仅关系到采场回采质量,与采空区的后续充填、矿柱的回采等采矿活动也都密切相关.采用CMS对采空区实施精密探测,运用Surpac等数字化手段,结合某铜矿采场实际,分析了采场环境因素与测点的选择对CMS探测的影响,提出了采场周边超挖量、存留矿石量及回采贫化等回采指标的可视化计算方...     

基于GA-BP神经网络的采空区地表沉降预测模型

为了提高采空区地表沉降预测准确性,选择上覆岩层弹性模量、泊松比、内聚力、内摩擦角、开采深度、采高、矿体倾角和采场尺寸共8项影响采空区沉降的指标进行研究,通过遗传算法(GA)优化BP神经网络,构建了GA-BP神经网络采空区地表沉降预测模型,对采空区地表沉降趋势初步预测与分析。模型解算结果表明,相比传统BP神经网络预测模型,GA-BP神经网络预测模型在预测精度、拟合性能和收敛速度方面都有所提高。     

矿块品位计算的神经网络方法

针对露天生产矿山分层矿块品位的计算，运用误差反向传播算法的人工神经网络方法建立了矿块品位计算的B—P神经网络模型，应用该模型对某露天矿1080m水平的矿块品位进行了计算，结果表明B—P网络模型用于矿块品位计算具有客观性和实用性。     

基于PSO优化BP神经网络的露天矿边坡位移预测模型

BP神经网络的初始连接权重和阈值对露天矿边坡位移预测的精度和收敛速度有重要影响。鉴于粒子群优化(PSO)算法具有全局搜索性能和收敛速度快,引入PSO算法对BP神经网络的初始连接权重和阈值进行全局优化,提出了基于PSO优化BP神经网络的露天矿边坡位移预测模型。将所提出的模型应用于实际案例中,并与BP神经网络进行对比。结果表明:该模型能够提高BP神经网络在露天矿边坡位移预测中的精度和收敛速度,预测结果的最大相对误差和平均相对误差分别是0.566 8%和0.353 0%,具有较好的精度和实际应用价值。     

基于SVM的充填体强度与采场稳定性需求智能匹配研究

为解决矿山充填体强度的设计问题,提高矿山充填体的强度动态调整能力,本文通过调查国内百座矿山现场充填体强度实际数据,采用SVM方法建立充填体强度智能预测模型,对70组训练样本数据进行训练,采用BP神经网络模型与SVM模型的预测结果进行比较。结果表明：SVM预测模型的最大误差为3.52%,平均误差为2.41%。BP预测模型的最大误差为10.98%,平均误差为7.01%。SVM模型比BP模型预测精度更高,误差更小。采用SVM模型对三山岛金矿充填体强度进行预测,一步骤回采矿房充填体强度1.02MPa,推荐灰砂比1:12,二步骤回采矿房充填体强度0.86MPa,推荐灰砂比1:16。现场采场充填效果良好,未发生充填体失稳现象。基于SVM的充填体强度智能匹配模型能够在满足采场稳定性的前提下,减少充填成本,提高矿山的经济效益。     

基于巷道摩擦阻力系数BP神经网络预测模型的矿井风网风量预测研究

针对矿井风网解算中待掘巷道摩擦阻力系数难以准确实测赋值的问题,构建了巷道摩擦阻力系数BP神经网络预测模型,以双柳煤矿各类巷道摩擦阻力系数实测数据作为训练样本进行学习训练,使预测模型的期望误差达到0.0001以下。利用该模型对尚未贯通的23(4)13回采工作面的巷道摩擦阻力系数进行预测,将预测结果代入基于斯考德—恒斯雷法风网解算方法构建的双柳煤矿通风网络解算模型中,分别对23(4)13回采工作面贯通后备用阶段和回采阶段全风网风量分布进行了解算,解算结果与现场实测结果之间相对误差小于8%。研究结果表明,利用基于BP神经网络算法的巷道摩擦阻力系数预测模型对待掘巷道摩擦阻力系数进行预测赋值,能够实现风网风量的准确解算。     

基于过程参数控制的烧结矿质量预测模型

针对烧结过程非线性、强耦合性和大时滞的特点,从过程参数控制的角度对烧结工艺进行了总体分析,确定了烧结矿性能评价指标及其主要影响参数,在此基础上提出了一种带动量项和变学习率的BP神经网络算法,建立了烧结矿质量预测模型。仿真实验结果表明,模型具有较强的自学习功能和较高的预测精度,用拓扑结构为15-25-4的BP神经网络和0.65×10^-3的网络误差进行训练,模型的预报命中率在81.25%以上,充分验证了基于过程参数控制的烧结矿质量预测模型的准确性和有效性。     

锡石多金属硫化矿磨矿技术效率模型预测研究

研究了磨矿时间、磨矿浓度和磨机充填率对锡石多金属硫化矿磨矿技术效率的影响,利用Matlab编程技术建立了粒子群优化算法-BP神经网络磨矿技术效率预测模型并对模型进行了预测验证研究。结果表明,在磨矿时间8 min、磨矿浓度70%、充填率30%时,可获得较好的磨矿技术效率。迭代次数对锡石多金属硫化矿磨矿技术效率模型预测值与试验值误差影响显著; 在合适的迭代次数下,学习因子对模型预测值与试验值误差的影响很小,绝对误差小于±0.01个百分点,相对误差小于±0.04%。迭代次数达到500次后,粒子群优化算法-BP神经网络磨矿技术效率预测模型趋于稳定,模型可靠性高、适应性强。     

基于PSO-BP神经网络的边坡稳定性模型研究

为了对边坡的稳定性进行分析,以黏聚力、内摩擦角、边坡倾角、坡体的容重、边坡高度、孔隙压力比6个主要影响因素作为边坡稳定性的判别指标,利用粒子群算法优化BP神经网络的权值和阀值,建立边坡稳定性的PSO-BP模型,并对5个边坡的稳定性进行分析,预测的平均误差达到1.98%,预测效果较好。结果表明,PSO-BP神经网络模型较传统的BP神经网络模型精度更高,收敛速度更快。     

地下金属矿山采矿成本预测模型

为了解决现代矿山采矿成本的核心构成发生变化、成本管控难度增加等问题，深入剖析了采矿成本的关键影响因素，基于PCA BP神经网络构建了成本预测模型，形成了适用于现代矿山的成本核算方法。针对机械化开采、开采深度增加、工况条件差异所带来的采矿成本变化，分析了现代矿山企业采矿作业成本的构成特点，以此为基础运用作业成本法精细化核算各个采矿作业单元的成本费用。总结成本变化规律发现，采矿成本主要受到采场作业空间大小、温度、深度、运输距离以及工人工作效率、工人工作经验、设备铲运效率、设备服务年限、燃油消耗率、油料消耗率10个关键因素影响，在采用主成分分析法对影响因素进行降维后，提取主成分作为成本预测变量，运用PCA BP神经网络构建了成本预测模型。采用山东某地下金属矿山的成本数据对该模型进行了训练和验证，预测值与实际值的平均相对误差为3.80%。研究表明：所建模型的预测结果可靠、精度满足要求，可以为现代矿山企业作业成本控制、成本计划制定提供依据。     

利用卡尔曼滤波综合算法构建开采沉陷预测模型

为提高矿区地表沉陷预测精度,提出了基于自回归综合移动平均模型（Autoregressive Integrated Moving Average,ARIMA）的卡尔曼滤波模型与Elman神经网络相结合的综合预测模型。首先,针对沉陷监测序列的非平稳性与复杂性特点,ARIMA模型能够将原始数列平稳化,构建地表下沉预测模型,并作为卡尔曼滤波的状态方程;然后将Elman神经网络的沉陷预测结果作为观测值引入卡尔曼滤波观测方程中,建立综合预测模型;最后针对噪声方差Q与R选取的问题,统计出ARIMA模型与Elman神经网络模型的误差特性,从而计算出噪声Q与R的取值。分别将综合预测模型与BP神经网络模型、Elman神经网络模型以及卡尔曼滤波模型进行了预测精度对比,4种模型预测值与实测值的均方根误差分别为2.06、5.857 8、2.926 9、3.688 9 mm,相对误差分别为1.170 4％、3.050 2％、1.432 6％、1.908 4％,绝对误差平均值分别为1.886 7、10.703 9、2.329 4、2.807 6 mm。研究表明：综合预测模型能够有效减小单一预测机制造成的同一性质误差累积,其预测精度明显优于其余3种模型,对于大幅提升矿区地表沉陷的预测精度有一定的参考价值。