硫化矿石自燃倾向性等级划分的支持向量机模型及应用

为准确判定硫化矿石的自燃倾向性等级,提出一种硫化矿石自燃倾向性等级划分预测模型——支持向量机(Support Vector Machine,SVM)模型。结合已有的研究成果,选取表征硫化矿石自燃倾向性本质特性的自热点温度、室内低温氧化质量增加率和自燃点温度3项指标作为硫化矿自燃倾向性等级划分的基本判别因子。使用典型高硫矿山的18组矿样的实测数据作为训练样本,6组硫化矿井矿样的自燃倾向性作为预测样本。分别采用网格参数寻优、遗传算法(Genetic Algorithm,GA)参数寻优、粒子群(Particle Swarm Optimization,PSO)寻优算法来计算SVM模型的参数,分析比较三种算法得到的预测结果,确定最适合硫化矿石自燃倾向性等级划分的SVM回归模型的参数寻优算法。研究结果表明,网格寻优算法、GA算法取得了良好的预测效果,预测正确率为100%。因此,支持向量机模型可以用于指导高硫矿山矿石自燃倾向性等级的划分。     

基于NPCA-GA-BP神经网络的采场稳定性预测方法

为提高采场稳定性的预测精度,充分考虑采场稳定性高度非线性和受多因素影响的特点,提出了一种基于NPCA-GA-BP神经网络的采场稳定性预测方法。选择影响采场稳定性的10个指标,运用非线性主成分分析减少指标的维度,提取4个主成分综合指标代替原有的10个指标,简化了神经网络结构,提升了运算速度。利用GA的全局寻优特点优化BP神经网络的权值和阈值,进一步增加了神经网络预测精度。以某矿山实测数据为例,对该预测方法进行验证,对比结果显示：NPCA-GA-BP和GA-BP模型的平均相对误差比BP模型分别降低了10.5%和7.6%,表明通过遗传算法优化BP神经网络可显著提高预测精度;NPCA-GA-BP模型的平均相对误差比GA-BP模型降低了2.9%,表明通过非线性主成分分析减少了变量的维度,提高了预测准确率。研究表明：NPCA-GA-BP预测方法具有更高的采场稳定性预测精度,对实现智慧矿山有一定的指导意义。     

浅析硫化矿床自燃自爆原因及预防

目前,国内外的有色金属矿山,其开采有向深部发展和由开采氧化矿逐步向开采硫化矿方面过渡的趋势,因而硫化矿开采时产生的自燃发火及自爆现象将给这类矿山带来了巨大困难,甚至带来巨大危害。例如火灾危害、坑内的高温高热及烟雾、粉尘爆燃,矿石的运输贮存困难,炸药的不安定性及矿石的变质和损失等等,西方采矿专家认为:即使在现在虽然采矿作业中已改进了矿石运搬的控制及加强了安全防护,但由于世界采     

井下含硫铁矿床预防自燃与自燃后治理

研究主要针对湖南宝山有色金属矿业有限责任公司井下采场,此矿山现今主要进行地下开采,矿山主要有铅锌矿、铜钼矿。在井下铅锌矿采场中,部分采场内岩石含有大量硫铁矿,特别是矿山北部区域,含硫铁矿较高采场在矿体回采后存放太久的情况下容易发生自燃,严重影响到井下安全生产,所以对含硫铁矿采场自燃的预防与自燃后的治理及其重要。该矿山针对井下含较高硫铁矿床预防采场自燃与自燃后治理进行了研究,做到降低采场自燃可能性,自燃后提高治理效率,尽量减少此类采场对安全与生产的影响。     

基于PCA-BP神经网络模型的充填体强度预测

充填体强度预测对矿山充填设计具有重要意义。选取胶砂比、水泥、石灰、石膏及矿渣含量作为充填体强度影响因素,借助主成分分析（PCA）消除自变量间相关性,降低数据维数,再结合BP神经网络具有较好预测性的特点,建立了PCA-BP模型以预测充填体强度。对18组充填体试验数据进行主成分分析,5个影响因子降维为3个主成分,将其作为BP神经网络的输入因子,进而探讨了隐含层神经元个数对充填体强度训练和预测精度的影响,并比较了PCA-BP神经网络、标准BP神经网络和二次线性回归效果。结果表明：PCA-BP模型最佳预测结构为3-7-1;PCA-BP神经网络结果优于BP神经网络和二次线性回归;PCA-BP神经网络训练和预测的最大相对误差仅为3.65%,实现了充填体强度的准确预测。PCA-BP模型为充填体强度预测提供了一种高精度的分析方法。     

基于核主成分分析与PSO-SVM的充填管道失效风险性分级评价模型

为了更精确地对充填管道失效风险性进行预测,建立核主成分分析与PSO-SVM相结合的评价模型。选取8项定量指标作为充填管道失效风险性的评价指标。统计15个矿山的样本数据,运用核主成分分析法对15个样本进行预处理,得出主成分,再利用改进的SVM模型进行预测,进而得到更加精确的管道失效风险性预测结果。研究结果表明,所得到的实际预测结果与期望值之间的平均相对误差控制在5%以内。利用核主成分分析法与PSO-SVM相结合的评价模型具有精度高和运算速度快的优点,为充填管道失效风险预测提供了一种可靠的方法。     

浅析降低吉恩镍业大岭矿矿石贫化率和损失率的有效途径

矿产资源开采中的损失与贫化关系到资源利用程度,降低损失贫化,即可减少资源浪费,增加矿山服务年限。本文分析了大岭矿采场矿石贫化与损失的原因,从完善和改进采矿方法、优化采场分层设计、改善采场的安全条件、提高充填体强度并减轻充填体的损坏、强化采场施工质量管理五个方面提出了降低大岭矿矿石贫化率与损失率的途径。     

人段空场嗣后充填采矿方法的试验研究

针对铜山铜矿前山８４＾＃矿体采用分段崩落法存在通负困难、采场自燃、地压难以控制和矿石损失贫化大等主要问题,提出了改用分段空场嗣后充填有矿方法的试验方案,试验结果表明该采矿方法通风条件有了较大的改善,采场自燃得到有效控制,地压活动明显减少,经济效益和社会效益明显。     

留矿法放矿模拟试验

本试验的目的,在于探讨留矿法采场放矿时矿石损失率,即残留采场中的矿石数量及其品位。为此进行了两个矿山的现场调查,取样分析,矿石块度及湿度测定等工作,从而制做了三种弯度、五种采幅、九种倾角的放矿试验模型。通过试验,获得了各种采幅下、各种采场倾角的放矿损失量、损失率。同时测出了采场中残留矿石的分布规律、形态及其数量和品位。并根据放矿试验结果及图象,推导出一种适合留矿法放矿损失率计算公式。     

基于主成分分析法与RBF神经网络的岩体可爆性研究

为了对岩体可爆性进行更精确的预测分级,建立了主成分分析法与RBF神经网络相结合的评价模型。以某矿山岩石为例,将影响岩石可爆性的容重、抗拉强度、抗压强度和岩体完整性系数作为评价指标,统计矿山13种岩体的样本数据。对样本数据进行主成分相关性预处理,将输出结果作为RBF神经网络的输入变量,岩体的爆破等级作为输出变量,得到的结果精度更高。研究结果表明：预测结果的相对误差均控制在5%以内,与BP神经网络预测误差（16%）相比,所得到实际预测结果与期望值之间的相对误差分别降低了71.94%、86.65%、73.20%和76.62%,预测精度显著提高。该模型为岩体可爆性分级预测提供了一种更为完善的方法。     

基于链式变精度粗糙模糊集采场内因火灾分析

针对地下矿山采场内因火灾影响因素多且复杂,涵盖自燃起火与火灾后果多个层面的情况,综合考虑矿石含硫量、含碳量和矿石温度等因素,建立了采场内因火灾多层面分析的指标体系,构建以影响指标为条件属性和以采场内因火灾自燃起火及火灾后果为决策属性的链式变精度粗糙集模型.对采场内因火灾的自燃起火可能性及火灾后果严重性进行了链式关联决策...     

矿井涌水量预测的PCA-GA-ELM模型及应用

为了快速有效地预测矿井涌水量,并进一步提高预测的准确性,在分析矿井涌水量影响因素的基础上,提出一种将主成分分析法（PCA）、遗传算法（GA）与极限学习机（ELM）相结合的矿井涌水量预测新方法。根据矿井涌水实例数据,综合选取9个主要因素作为矿井涌水量的预测指标,通过PCA对数据进行降维预处理,并针对ELM算法的不足,结合GA算法对其进行优化训练,建立矿井涌水量预测的PCA-GA-ELM模型。对模型进行训练及检验,并将PCA-GA-ELM模型与GA-ELM模型、单一ELM模型的预测结果进行对比分析,其预测结果与实际情况更吻合。该模型预测效果优于GA-ELM模型和ELM模型,可对矿井涌水量进行更准确有效的预测,提供科学的参考依据,指导矿山生产。     

基于Vague-RSM-AFSA模型的采场结构参数优化研究

为确定某银矿的最佳采场结构参数，使该矿开采方案的安全性及经济性最优，构建了Vague-RSM-AFSA模型对采场结构参数进行优化。采用中心复合试验法设计了15个采场结构参数方案，并对各方案进行了数值模拟计算，选取了采场顶板最大沉降位移、间柱最大水平位移、采切比和矿石损失率作为评价指标。基于Vague理论计算了各指标权重及中心复合试验各方案的优越度，采用响应面法（RSM）建立了中心复合试验各方案采场结构参数与优越度的响应面模型，运用人工鱼群算法（AFSA）对优越度响应面模型寻优，得到最佳采场结构参数：采场高度为20 m，采场长度为32.8 m，间柱宽度为16.1 m，方案优越度为0.2631，高于中心复合试验中的最大优越度（0.2271），寻优结果与数值模拟验证结果误差为0.0037，表明Vague-RSM-AFSA模型具有良好的寻优能力及较高的准确性。     

基于主成分分析—支持向量机模型的矿岩可爆性等级预测研究

矿岩可爆性等级的准确评判对爆破开挖设计以及岩土工程的安全稳定具有重要意义。通过综合考虑岩体固有属性与实际爆破效果对矿岩可爆性等级的影响，选取了岩体声波、波阻抗、爆破漏斗体积、大块率、小块率和平均合格率共6类指标，进行可爆性预测研究。为消除影响指标之间的信息重叠，针对55个矿岩样本数据集的大量信息，采用主成分分析法降维，提取得到包含98.38%原始信息的4类主成分，最后引入支持向量机模型对可爆性等级进行预测研究。研究结果表明：（1）与原始SVM模型相比，基于主成分分析法—支持向量机的预测模型不仅降低了数据的维度，同时使得矿岩可爆性等级预测准确率由78.5%提高至90.1%;（2）基于主成分分析法—支持向量机预测模型的评判结果与实际情况较为吻合，少量误判主要发生在部分特征差异性较小的矿岩样本之间。基于分层随机抽样技术的PCA-SVM预测模型，保证了训练集与测试集样本数据的随机性和差异性，对研究指标维数较多且部分指标间相关性较强的数据模型具有较强的适用性，对相似工程的研究具有一定的借鉴意义。     

基于KPCA-IPSO-LSSVM的充填管道磨损风险预测

为克服传统预测模型存在的适用性差、预测精度不足和参数选取随意性强等缺陷,提出了一种将核主成分分析法（KPCA）、改进粒子群算法（IPSO）与最小二乘支持向量机（LSSVM）相结合的充填管道磨损风险预测新方法。通过KPCA对管道磨损影响因素进行特征提取,将提取结果作为LSSVM的输入,同时利用具有较强全局搜索能力的IPSO算法对模型参数进行优化,构建KPCA-IPSO-LSSVM组合预测模型。以黄陵县矿区的80组实测数据为例,对该模型进行训练和预测,并将其预测结果与IPSO-LSSVM模型、LSSVM模型、SVM模型的预测结果进行对比分析。结果表明：与其他3个预测模型相比,KPCA-IPSO-LSSVM模型具有较高的预测精度和较强的泛化能力,为充填管道磨损风险预测提供了一种更为有效的预测方法。     

基于灰色聚类与灰色预测组合模型的矿产资源利用情况分析

为系统研究某矿山矿产资源利用情况,采用灰色聚类方法对该矿山多年的矿石贫化率、矿石回采率和选矿回收率进行灰色聚类分析,得到矿产资源利用情况较差的年份分别为1996、1999、2003、2008、2010和2014年,并以此形成灾变序列。然后,利用多种灰色预测模型对灾变序列进行预测分析和精度比较,确定差分VERHULST模型为最佳预测模型,预测结果表明2015年也是矿山资源利用情况较差的年份。该预测方法可以指导矿山在资源利用情况较差的年份采取系列应对措施,以提高矿山的资源综合利用效率。     

基于Fisher判别法模型的矿山安全标准化等级评价

为简化矿山安全标准化等级评价的内容和过程,真实反映矿山安全标准化的水平,从安全管理、安全培训、安全意识、安全行为、员工参与和安全绩效6个方面,结合矿山的实际情况,选取了18个因素作为等级评价的指标,建立基于Fisher判别分析（FDA）的矿山安全标准化等级评价模型。根据矿山的安全管理水平及运行过程中存在的问题和缺陷,将安全标准化等级分为4个等级。选取16组数据作为训练样本,采用判别函数进行回检,回判估计误判率为0,并对其余4组数据作为检验样本进行判别,判别率为100%。最后,利用该模型对5家金属矿山安全标准化的指标数据进行预测,预测结果与实际情况一致。研究结果表明：该模型在评价矿山安全标准化等级中可靠性高且判别准确。该评价模型为矿山安全标准化的建设提供了方向和途径,有利于矿山安全管理水平的提高。     

基于神经网络的真空感应炉终点钢水温度预报

针对真空感应炉生产过程中温度测量成本较高及精度较差等不足,建立了基于RBF神经网络的真空感应炉终点钢水温度预报模型。对输入参数作了详细的分析、筛选,并运用聚类算法对该模型进行了训练。结合现场数据进行了学习和预报,预报命中率较高,表明采用该方法可很好地预报钢水温度。