地下采矿方法合理识别的人工神经网络模型.pdf

S e r i e s No ． 2 1 3 M a r c h 1 9 9 4 金 属 矿 山 M ETAL M I NE 总 第2 1 3 期 1 9 9 4 年 第 3期 地下采矿方法合理识别的人工神经网络模型 7 东 北 大 学冯 夏 庭 弋 7 本文应 用人 工神 经元 阿络 系筑理 论 ， 从 多年矿 山工 程实践 积 累的大 量工 程 实倒人 手 ， 通 过 自学 习和 非线 性动态 处理 建立 各种 影响 因素与 采矿 方法 之间 的非线 性映 射 。 模式 匹配 ． 识别 出与 谈 矿矿床 地质 特征 相适 应的采 矿方法 ． 关键词地 下 采矿 Ar t m I al N 利用这 个非 线性 映 射 自适 应地 进行 模 五识 剐非斑性 动 态处理 e Re co g ni t i on of Unde r gr ou nd M i ni ng M e t hods Fe ng Xi a t i ng A p p l y i n g t h e t h e o r y o f m ff i c i n e u r M n e t s y s t e m a n d p r o c e e d i n g f r o m t h e l a r g e n u mb e r o f p r o j e c t e x a mp l e s a c c u mu l a t e d i n t he ma n y y a r mi n e e n g i n e e r i n g p r a c t i c e， t h e a u t h o r h a s e s t a b l i s h e d t h e n o n l i n e a r r e fle c t i o n b e t we e n v a r i o u s e ffe cti n g f a c t o r s a n d t h e mi ni n g me t h o d s b y s e ] f --t e a r n [ n g a n d n o n l i n e a r d y na mi c p r oc es s i n g． Th e n o n--l i n e a r r e fle c t i o n i s us e d t o d o． t h r o u g h e ] f --a da pt i n g t h e p a t t e r n ma t c h i n g a n d r e c o g n i t i o n o f t h e mi n i n g me t h o d a d a p t a b l e t o t h e g e o l o g i c a l c h a r a cte r i s t i c s o f the o r e d e p o s i t o f t h e s p e c i f i c mi n e s 地下 采矿 方法 的合理选 择 ， 历来是矿 山设 计和 生产中的一个重要课题 。由于地质特征和 矿床赋存条件极其复杂多变， 很难建立完全等 效 的数学方 程来描述各种地质 因素与采矿方法 之间的关 系。 所以 ， 至今采 矿方 法选 择仍 主要依 赖于设 计人 员的经验和大 脑思维 。不完 善的知 识 和矿床地 质特 征信 息的缺乏 ， 使采 矿工程师 很难 获得优 化的结果 。 因此 ， 近 年来 不少人从不 同角 度探 讨 了多 目标决 策 、 价值 工 程 、 模 糊数 学 、 专家 系统等应用于采矿方法选择 的可行性 。 本文拟从 一个 崭新的 角度 ， 应 用人 工神经元 网 络 Ar t i f i c i a l Ne u r a l Ne t wo r k 系统 理论 提 出 了地 下 采矿方 法合 理选 择 的 自适 应 模式 识 别 Ad a p t i v e p a t t e r n r e c o g n i t i o n 方 法 。 人工 神经元 网络是 8 O年代 末迅 速发展 起 来的一个国际前沿研究领域 。人工神经元网络 是试图模仿 生物神经系统的工作 而建立的一种 信息处理系统 ， 由大量简单元件广泛相互连接 而成的复杂网络 。具有高度非线性 、 自学 习、 动 态处理 、 联想记忆 、 容错性等 特征。人 工神经元 网络在输入数据含有噪声的情况下也能较好地 工作 。人工神经元网络的这 些特 征也正是其它 方法所 不具 备的 ， 因而它特别 适合 于采矿方 法 选择这样复杂的问题 。 1 人 工神经元 网络识别原理 用人工神经元网络识别合理的地下采矿方 法 ， 即建 立一 个基于 神经 网络 的 自适应模 式识 别 系统 。 如图 1所 示 ， 这是一个 自适应各种矿床 地质特征变化的智能识别系统 。在这个识别系 统 中 ， 模式识 别工作 分三 步进 行 。 ～ 1 积累的大量 采矿 工程实例中选择代 表 性强 的作 为 网络 学 习样 本 ， 通过 网络 自学 习 建 立各 种矿床地质特征采矿方法模式对 。 2 待识别矿 山的矿床地质特征数据经预 处理 ， 作为训练的 网络的输入数据 ， 利用学得 的 ‘ t 国家教委博士点基鱼项目 维普资讯 总 第 2 1 3期 金 属 矿 山 i 9 9 4年 第 3期 囝 1 基 于神经 网络 的采 矿方 法 皇适 应模 式调 男 系统 知识 和训 练的 网络结构 进行 模式 匹配 ， 识 别 出 个或 多个隐含层 ， 隐含 层数和各层 的神经元数 台理的采矿方法及该采矿方法的主要技 经济 由网络自学习而定 指标和材料 消耗 。 3 模式求精， 即随着采矿工程实践的不 断深 入 ， 将新 的工程实例 加入到 网络的学 习样 本库中， 让网络连续学习， 使模式得到求精和增 广 。 1 ． 1 模式学 习 模式学习采用多层前馈 神经网络模型 如 图 2 。用反向传播算法训练网络， 已知采矿方 法的工 程实例作 为 网络的训练样 本 ， 这 些样本 是智 能化的样本 ， 不是 自然收集到 的样本 。 学 习 样本既 具有一定 的代表 性 ， 尽 可能地覆 盖矿岩 的各种 地质特 征和 典型 的采矿方法 。各种矿床 地质特征信息作为网络输入神经元的输入 ， 形 成输入模式。 采矿方法识别系统的目标， 即采矿 方法类 型及该采 矿方 法的主要技术经济 指标和 材 料 消耗 用网 络的输 出神经元表 选 ， 缎成 输 出 模 式 。因此 ， 该 网络的输 入层 有多个输入 神经 元 ， 输 出层有多个输 出神经元 。 为增强 网络的识 别能 力， 在 网络 的输入 层与输 出层之 间增加 一 8 ‘ 输 采矿方法类型、 主要技术经济指 标 矿床地质特征 ， 地表要求及老工作区影响 囝 j 多层前馈种经圊终模型 网络 的各 层神经 元均设计成 S i g mo i d型非 线性阅值单元， 即激励函数为 ， x 维普资讯 总 第 2 1 3期 金 属 矿 山 1 9 9 4年 第 3期 用反向传播算法训练网络， 进行模式学 习， ， 薯1 兰 E] E ∑E 。 ≤ E J ’ 式 中 e 很 小误差 临界值 E 用 第 h样本学 习 ， 网络获得的误 差向量 E 网络的总误 差向量 y 用第 h样 本学 习 ， 网络 j输出神 经元的实际输 出 。 J输 出神经元的样本 的期望输 出 若式 1 不满足 ， 则误差沿原来 的路径逆向 传 播， 按 梯度下降 法逐 层修正 网络的 权值 和闭 值 。 A W Ij 0 p ‘ l 2 △ 1 7 以 f J 式中 网络学习的时步 学 习收敛率 ， ∈ 0 ， 1 动量 系数 神经元 的偏差 f o 1一o y 一 输出层 1 o 。， 1 一 o ∑ m 隐 含 层 A W t 1 网络学 习经过 t 1 步时 的权值修 正量 △ 0 1 神经元 j 在 网络学 习 1步时的阈值 修正量 学 习结 束 时获得 的稳 定权值 矩 阵 E w ， ] 和 闭值 向量 口 连 同网络结构表达 了输入模 式 x 与输出模式 y之 间的一个 非线性映射 。 M R 一 Y X 式 中一 输入模式 x 的维数 m 输 出模式 y的维数 l I 2 输出模式识别 待识别矿 山 样本 有输入 X 一 x ， X ， ⋯⋯ x ， 利 用模式 学 习获得 的稳定 权值和 阈 值 对该样本进行识别， 识别过程是正向计算各 层神经元的输出 。 某 层神 经元 i 的输 出为 l ⋯ ∑ ．。 ． J ‘ 3 J 对于输 出层 ， 有 Y O． ， 由此计 算出 ， y ， ⋯⋯Y ， 即为待 识别样本的输 出。 1 ． 3 模式求精 用 新增加的采 矿工 程实例 ， 连 同工 程实例 库 中已有 的样本对 网络进行连续 训练 ， 使映 射 进一步 逼近 真实 ， 从 而使 模式得 到 求精 。 在 执 行 网络 连续学 习时 ， 前次学 习获得的权值矩 阵 E W ， ]和 阈值 向量 口 可作 为后 次学 习 的初始 网络权值 和阈值 。 连 续学 习时 ， 仅网络 的 权值的大小发生变化 ， 权值维数并 不改变 ， 这不 同 于基于规 则 的专家系统 ， 在 知识增加时规 则 数也增加 ， 从而增加 内存开销的做法 。 2 用于 采矿方法识别 的网 络结 构 鉴于采矿技术 经济指标和材料消耗不仅与 矿 床地质特 征有关 ， 而且 与选 择的采矿方 法有 关 ， 本系统构造 出一个二级 神经网络。 先用一个 神经 网络 NN1 根 据 地质 矿 床 特征 识 别合 理 的采 矿方法 ， 再 用 另一个神经 网络 NN2 根 据 矿岩特征和识别 出的采矿方法确定该采矿方法 的主要技术经济指标和材料 消耗 。网络结构见 图 3 。 用工程 实例对各种可能的 网络结构参数进 行 识 别 ， 让 网络学 习， 寻找 并输 出最为理 想 输 出误差最小 的最佳网络结构参数 。 经多次试 运 行 ， 确定了采矿方法类型识 别神经 网络 NNI为 2 6 5 3 3 9 2 7 2 7结构 ， 即该 网络有一 个输 入层 、 一 个输出层 、 三个隐含层 ， 各 层神经元数分别 为 2 6 ， 5 3 ， 3 9 ， 2 7 ， 2 7 主 要技术 经济指标预报神经 网络 NN2的结构 为 2 7 5 4 2 7 一 l 1 。 3 采矿方法识别 实例 3 ． 1实例 1 某沉积 式宁 乡鲕状赤铁 矿 床， 有 一矿 房三 面均 已采空 ， 成 为一孤岛状矿块 ， 矿体呈单斜构 造 ， 倾角 2 5 。 ， 平均厚 度 1 。 9 3 m， f6 。 矿层直接 维普资讯 总 第 2 1 3 期 金 属 矿 山 1 9 9 4年 第 3期 围 3 用于 采矿 方法 识别 的网络 结构 厂。 矿床类型 厂 矿体最大倾角 r一 矿傩最小倾角 广一 矿悻平均倾角 厂 矿傩 层 走向长度 广 矿体 层 倾斜长 度 广 矿体 棘 最大厚度 r一 矿体 脉 最小厚度Xr - 矿傩 眯 平均厚度X 一 矿石稳固性 广- 矿石窖置 广 礓 板 岩石类 型 】 广 顶板 岩石坚 目性 J 厂 璜板 岩石 断层 、 节理发 育程度 z 广 底 板 岩石类 型 广 底 板 岩石坚 固性 广 底板 岩石 破碎程 度 】 r 矿岩 接艟面 分离性 ， r ～地 面要求 河 流、 建筑物 、 不 允许 陷落 X圹一老工 作 区的影 响 矿 悻 复合分变情况、 连续性 一矿石 自嘏情况 矿石结块性 一地下水作用 矿床勘探类型 广 采场运盘方式 广 上向 梯段法y 广 下 向梯段 法Y 广 垒 面法 】 广 房 柱法Y， 广 分段 采矿 法Y z 广 水 平罐 孔 落矿 阶段 矿房 法 广 垂 直探 孔 落 矿 阶段 矿 房法Y r 垂 直探 孔球 状 药包 落 矿 阶段矿 房 法Y， 厂 浅孔 留矿 法Y旷一罐 孔 留矿法Yl 『 】 一 长壁法 广 短壁法 l I 厂 垃路法Y Ⅲ一分段崩落法YJ 】 厂 无底柱分段崩落法Y， 广 有底柱分段崩落法 广 阶段强制崩落法 广 阶段自然崩落法Y Ⅲ一上向分屠干式充填法y 削璧充填法Y 广 单屡承砂充填法Y 上向分层水砂充填法 旷下 向分 屠水 砂充填 法Y 一单 屠肢 结充 填法Yt } 广 上 向分层肢 结 充填 法Y】 j 广 下 向分 屠肢 结充 填 法Y， 广 尾砂 充 填法 采矿 矿块 生产能力 旷一 采矿工教Y 圹一 采掘 切 止 。 一矿石贫化率 广 矿石揖失率Y 广 采矿成车 Y 炸 药 消耗 旷一事 F 子钢 { 睁耗Y圹一坑木 消耗 霄管 用量Y旷音垒 片清耗 顶板为 绿泥石页岩 ， 厚 0 ． 3 ～ 0 ． 5 m， f一4 ～6 ， 极易脱层冒落， 顶板第二层岩石为砂页岩 ， f 6 ， 厚度 0 ． 8 ～ 1 O m， 不稳 固和 中等稳固 ， 再 向上 岩层为暗绿色页岩及化 石层 ， 厚度 3 ． 5 ～6 O m， 稳固性 较好 ， f8 ～9 ， 矿房底板岩石 为砂质页 岩和 石英砂岩 ， 对开采影 响不大 ； 采场埋 深浅 ， 风化 严 重 ， 有 7条断层切 割 ， 节理 发育 ， 矿岩破 碎 ， 对开采十分 不利 上述 数据 经处理后作 为 网络 的输入 ， 网络 识别得 出的采矿方法为干缝式摩擦锚 杆顶 壁式 崩落采矿法 ， 这与实际相一致 。 其经济技术指标 lO 与材 料消耗列 于表 1 。从表 1可知 ， 由 网络预报 的主要技术经济指标和材料消耗与实际值 相 比， 相对误差在 5 以下。 3 ． 2实 例 2 某 硫 化 物 及 氧化 物成 层 矿 床 ， 矿 体 厚 度 4 m， 倾角 1 O 。 ～1 5 。 ， 矿石中等稳固， f6 ～8 ， 比重 3 ． 1 t ／ m ， 与上盘 岩 石接 触部分 的矿 石 易 于分层剥离 。矿体部分上盘为有微 细裂 隙的中 硬 灰岩 ， 岩 石有 显 著 的节理 ， 放炮 后 易 自行 崩 落 。下盘为坚硬致密的石灰岩 。 表 2列 出了以上述数据作为 网络输入的神 X X X X X X 维普资讯 总 第 2 1 3 期 金 属 矿 山 1 9 9 4年 第 3期 经 网络识别结果 。 由对 比可 以看 出， 用神经网络 识别得 出的采矿方 法为 留矿的 全面采矿法 ， 这 与实际相一致 。主要技术 经济指标与材料消耗 的 网 络 预 报 值 与 实 际 值 的 相 对 误 差 仍 小 于 5 。 衰 1 采矿方 法 、 主要 技 术经 济指 标爰 材料消 耗 项 目 宴际值 神经网 络识 别值 采 方法 錾 翟 謦 譬 喾 采 矿 生产能力 t ／ 日 6 0 ～8 0 7 1 ． 5 采掘 比 硼／ k O 5 0 5 2 ． 3 采矿工 效 t ， 工 班 4 ． 3 4 ． 2 9 贫化章 6 ． 2 6 6 ． 1 9 揖失 辛 2 2 2 21 采矿 成车 元 ／ t 4 ． 1 7 4 ． 2 0 炸药 k g ／ t 0 ． 2 8 1 0 ． 2 8 0 钎 子 钢 k g ／ t 0 0 2 5 0 ． 0 2 6 坑木 m ／ 1 0 0 0 0 t ] 2 ． 4 2 ． 4 雷管 十1 0 0 ． 4 3 0 4 Z 1 合盒 片 g 0 ． 蚰 0 ． 3 9 8 衰 2采矿方 法 、 主 要技术 经 济指标 爰材 料消 耗 4结语 1 用人工神经 网络实现 采矿方法的 自适 应模 式识 别 ， 可 以对采 矿工程师 的模式识 别活 动进行 有效的模拟 ， 可快速地实现递归过程 。 用 神经 网络 的观 点来研究采矿方法选择 过程 中的 模式信息处理， 可 以激励我们创造性地发现新 方法 。 2 用神 经 网络 实现 采矿 方 法 的 合理 选 择 ， 可 以尽可能多 的把 各种定性 定量 的矿 床地 质特征 因素作为变量 加 以输 入 ， 输入 数据是可 以含有噪声的， 残缺不全的 。因而 ， 神经网络的 识别结果精度 高 ， 适应性强 。 3 从工程实例 中学 习采矿方法选择 的知 识 ， 不仅使采矿 工程师 的长期 的工程实 践经验 得 以应 用和发展 ， 而且 解决 了建立采矿 方法专 家系统时的知识 获取 瓶颈 问题 。 4 将人 工神经 元 网络 引入 采矿 领 域 ， 可 为采矿 科学的决策 提供 一条新 的、 更 有效的途 径 ， 并 会使采矿工业带来 巨大 的技术经济效益 。 参考文献 l M a r l ynM cCor dN e l * on． e t 【 _ ． A PⅢt i ∞ lG u i 4 et o Ne u r a l N e t 8 Ad di s o n W e s l e y， 1 99 1I l ∞ ～ 1 2 3 2焦 车成 神经 网络 系 统理论 ． 西 安 西 安 电子 科技大 学 出麓 杜 ． 1 99 0 3 Y．H． Pa o ． A4a pt lve P at t e r n Re c o g ni t i o n an d Ne u ]N e t - w o r ks Ad 41 s on W e s l e y． 1 9 a9 4 Ru me l he r t n E． ．Pa r a l l e l Di s t ribu t e d Pr s 1 ．g Exp ] o r ado n i n t h e M j 邮t r t u r e Co gn i tio n M I I P蛳， 1 9 8 6 5 G a ] l a ．t L．． Pr o c ep t r o ． B as ed Le a r n i ng A l g o r i t hm ． I EEE - jr r a n s a c do n *on Ne u r a l Ne t wor k s。 1 99 0 2 1 l7 g ～ 1 9l 6 Li pp m a nn R． P． An I n t r o du c t i o n t o Co m p uun g wi t h Ne u r a l Ne t s ． I EEE A s * p． 1 9 8 7 收 稿 日期1 9 9 3 0 8 i 0 l 信 息 苑l 铁砂磁选船在 湖北研制 成功一种适合在 该船 可成倍提 高工效 ， 降低 成本 ， 且造 价低 ， 适 河流中作 业的铁砂 磁选船前 不久 在湖 北省研制 应性强 ， 便于操作 。 这对充分利用铁砂资源将起 成功 ， 并 已被国家专利局授予实用新型专利权 。 积极作用 。 刘德平 维普资讯