• $

新闻资讯

姑山矿区矿床开采综合优化的神经网络系统设计
发布时间:2022年06月09日

矿床开采条件评价指标体系

构建的矿床开采条件评价指标体系见表 1,其中一级指标 3 个,二级指标 9 个,三级指标 18 个(分别用 1 , C 2 ,…, C 18 表示)。

表1 矿床开采条件评价指标体系

Table1 Indexes of deposit mining condition evaluation


神经网络结构

根据对矿床开采条件的分析,可以构造一个3 层的多输出神经网络。

1) 输入神经元: 1 , C 2 ,…, C 18 。

2)网络输出神经元:矿床开采条件综合评价(EMC)、矿床开采规模(S, × 104 t/a)、投资概算总额(TI,亿元)以及全投资内部收益率(IRR,%)。

3) 隐蔽层神经元数目的确定,基本原则是:一般隐含层的神经元数目大于输入神经元数目和输出神经元数目之和的一半,小于输入神经元数目和输出神经元数目之和。因此,取 n = 12,n 为隐蔽层神经元数目。

BP 神经网络的学习算法

根据 BP 神经网络的学习特点,笔者收集了 8 个类似铁矿床的数据资料。这些数据资料经过设计院以及矿山企业多位专业人士共同论证,是可以充分信赖的(见表 2),其中部分指标为定性指标。对于 18个变量的原始数据需要按照一定的规则加以处理,即应位于[0,1]范围内,使处理后的数据能满足神经网络训练和学习的要求。这些变量数据规格化处理原则见表 3 。通过网络训练达到要求后,网络各节点间互联权值就完全确定,则 BP 网络已经学习好。

表2 供 BP 神经网络学习的类似铁矿床实例数据

Table2 Example data of related iron-ore deposits used in BP-ANN training

表3 输入数据初始化规则表

Table3 Regulation of ANN input data initiation

姑山矿区 4 个铁矿床的数据资料见表 4 。表中 EMC 、、TI 以及 IRR 均为设计院设计值或矿山专业人士估计值。

表4 姑山矿区 4 个矿床的数据

Table4 Data of 4 deposits in Gushan mining area

神经网络专业人士系统的性能测试。为了使网络收敛速度较快,输出数据初始化的基本方法是将实际值除以一个比例因子,而比例因子获取应遵循的原则是找出某一项数据可能取的最大值,具体如下:矿床开采规模输入值 =矿床开采规模实际值 /500;投资概算总额输入值 =投资概算总额实际值 /15;全投资内部收益率输入值 =全投资内部收益率实际值 /20。另外,矿床开采条件综合评价(EMC ) 规定优(0.8)、良( 0.6 )、中(0.4)、差(0.2)。对系统进行测试时,规定:EMC ≥ 0.8 时为优秀;0.6 ≤ EMC < 0.8 时为良好;0.4 ≤ EMC < 0.6 时为中等;0.2 ≤ EMC < 0.4 时为差;EMC < 0.2 时为极差。利用输出数据初始化处理原则对各矿床输出数据进行规格化,得到表 5 、表 6 的系统输出训练值;神经网络训练结果输出示意图如图 3 所示。训练好的神经网络测试结果见表 7。

表5 类似铁矿床系统的输出训练值

Table5 ANN training output of the related iron-ore deposits

表6 姑山矿区 4 个矿床的输出训练值

Table6 ANN training output of 4 deposits in Gushan mining area

图3 神经网络训练结果示意图

Fig.3 Diagram of ANN-Export system training results

表7 神经网络测试结果表

Table7 Results of BP-ANN testing

由表 7 可见,训练好的神经网络除了个别输出值偏差较大(如矿床 4 和矿床 3 的一些项目相对误差在 10 % 以上)以外,其余均较好。因此,效果较理想。 利用训练好的神经网络对姑山矿区 4 个铁矿床进行综合评价,结果见表 8 。

表8 姑山矿区 4 个矿床开采条件评价结果

Table8 Mining condition evaluation results of 4 deposits in Gushan mining area