10.13225/j.cnki.jccs.2023.0888
基于离散元-机器学习的铝土矿矿柱强度预测方法
矿柱极限承载能力与矿柱尺寸参数密切相关,科学地预测矿柱强度是空场法安全高效开采铝土矿的关键.为了准确高效地预测矿柱强度,融合运用离散元方法(DEM)的模型参数化、样本数据强扩展性与机器学习(ML)方法的数据驱动优势,选取矿柱尺寸参数(长、宽、高)作为影响因子,开发了Grasshopper参数化建模电池组,实现了等块体密度的矿柱黏合块体模型(BBM)的参数化构建,结合矿体节理分布特征实测结果,利用 3DEC程序构建了 300组黏合块体-离散裂隙网络(BBM-DFN)矿柱离散元数值模型,开展了矿柱承载特性试验,监测并建立了机器学习数据集,且验证了此数据集的可靠性;分别以支持向量机(SVM)、BP神经网络、随机森林(RF)、高斯过程回归(GPR)4种算法构建了矿柱强度预测模型,根据回归类模型评价指标(判定系数R2、可解释方差EEVS、平均绝对误差EMAE、均方误差EMSE)开展了最优模型的评选,结合改进的量子粒子群智能优化算法(IQPSO)进一步优化模型,利用该模型建立了矿柱影响因子与强度之间的非线性映射关系.研究表明:由矿柱强度参数化模拟结果可知,随着矿柱宽高比增加强度显著提升,长宽比对强度影响幅度相对较小,当矿柱高度和横截面积相同时,不同截面矿柱承载能力依次为:正方形>长方形;当矿柱宽高比大于1时,方形截面矿柱强度影响因子敏感性主次顺序为:矿柱宽(长)度>矿柱高度;根据机器学习算法指标综合评价,SVM模型是矿柱强度预测的最佳模型(R2=0.953、EEVS=0.953、EMAE=0.608、EMSE=0.551),结合IQPSO算法优化后模型预测性能得到了进一步提升(R2=0.985、EEVS=0.986、EMAE=0.373、EMSE=0.239);将IQPSO-SVM矿柱强度预测值与 3种经典硬岩矿柱强度公式计算结果进行了讨论分析,得出了Hedley公式针对铝土矿强度计算不适用,Krau-land公式适用于宽高比小于 4时,Esterhuizen公式可通过调整不连续因子(F)进行较为准确的强度计算.研究成果为硬岩矿柱强度的预测提供了一种解决方案,拓宽了矿柱(群)稳定性评价的思路.
铝土矿、矿柱强度、离散元方法、机器学习、矿柱(群)稳定性
49
TD325;TP181(矿山压力与支护)
国家自然科学基金;国家自然科学基金;山西省重点研发计划资助项目
2024-08-19（万方平台首次上网日期，不代表论文的发表时间）
共13页
3038-3050
