地下金属矿山采矿方法的智能选择.pdf
第 8 卷增刊 2 Vol . 8S u p p l . 2 中国有色金属学报 T知 e CId . .限 J .. . 目 r o N 帕介行 .. Met a IS 9 981 年 9 月 反 p . 9 918 地下金属矿 山 采 矿方法的智能选择 周科 平 长沙矿山研究院 . 长沙 41 0 0 21 摘要 应用自组织神经网络模型进行了采矿方案的初选 , 根据BP模型对采矿方法 的技术经济指 标进行的预侧 , 采用一种新的多属性决策法来终选采矿方法 , 取得 了令人满意的结果 。 关链词 K Oho n e n 自组织模型 BP模型 多属性决策 地下采矿方法选择是一种十分复杂的工 作 , 影响采矿方法选择的因素与采矿方法之间 的关系是一种很难用完全等效的数学方程来描 述的非线性关系 。 过去人们在选择采矿方法的 时候 , 一般是按照 如下三步骤 l 采矿方法 粗选 ; 2 技术经济分析 ; 3 采矿方法终选 , 效率极低 。 人工神经网络理论 的发展和应用 , 为解决采矿方法选择所面临的困难提供了可 能 , 一方面神经网络具有良好的非线性品格 . 灵活而有效的学习方式 , 完全分布式的学习结 构 , 高度并行的处理机制 ; 另一方面神经网络 能够实现非线性映射 , 使得神经网络具有良好 的模式识别能力和任意精度内通近非线性映射 的能力 。 目前 , 在采矿方法选择中应用最多的神经 网络模型是BP模型 , 但是应用 B P 模型存在 着如下缺点 1 运行 时间长 , 收敛速度慢 , 而且不可 避免地存在局部极小 ; 2 网络隐节点个数的选取 没有理论上的 指导 , 也无一定规律可循 ; 3 对新加入的样本要影响已经学完的样 本 , 刻画每个输入样本的特征的数目也要求相 同 。 本文针对 B P 模型的上述缺点 , 采用 K 。 - hoe n n 自组织神经网络模型识别采矿方法 , B P 模型预测采矿方法的技术经济指标 , 多属性决 策终选采矿方法 , 克服了单独使用 B 模型所 产生的不足 , 实践证明 , 该方法切实可行 。 1 神经网络模型的原理 1 K o h o e n n 自组织神经网络模型 K o ho nen 的自组织神经网络模型是 由闷值 逻辑单元组成的一维或二维点阵 , 且在一定邻 域 内各单元之间存在短距离的侧 向反馈作用 , 其反馈强度随中心处理单元的距离的不 同而变 化 , 其基本结构如图 1所示 。 出结点 X . Xl 工”一1 物人结点 图 1K o ho ne n 自组织网络棋型的结构 在K o h oe n n 自组织神经网络模型的学习 算法中 , 神经元的侧向反馈作用和输入的信号 是分别考虑 的 , 若假设外部输入信号不包括 侧向反馈信号 中存在有不确定的稳定的背景 噪声 , 使当 y Q 时 , 神经元的稳态输出值 为 峪纸 N 艺 川 撇 输入信号 x w升 获得最佳匹配时 , P . 6 74 中国有色金属学报 19 98 年 9月 y i w 升 取最大值 。 进一步有如下自适应律 d w i 丽 a y 一 丹 裕 此时权值矢量 w 的模将 趋于定值 。 因此 , 当 输人信号与神经元获得最佳匹配时 , 它们之间 的欧氏距离“x 一 w , } }达到最小值 , 进一步 , 当 a P时 , 有 dw ; 百丁 二 a y 八x 一 哟 为了反映神经网络的侧向反馈作用 , K。 - h oe n n 提 出了最佳匹配单元领域的概念 , 在最 佳匹配单元 C处 , y c 1 。 由于在最近邻域 N c 内 , 各神经元 与最佳匹配 单元 C 的侧向连接 是兴奋型的 , 所以可设 i y 二 1 , i 任N c 戈 0 , i 在 N c 即N c 以外的神经元起抑制作用 , 这样有 用于非线性预测的神经网络模型通常为 BP 神经网络模型 , BP 神经网络模型的学习算 法 , 其学习过程是一种误差 反向传 播修正过 程 , 其具体步骤如下 S TEPI 给输入层单元到隐含层单元的 连接权值 v , j , 隐含层单元到输出层单元的连 接权值 凡 以及隐含层单元的阑值i Q和输出 层单元的阔值儿斌〔 一 1 , l] 的随机值 。 ST EPZ 对于每个学习样本模式 对A * , 姚 k 1 , 2 , ⋯ ⋯m进行以下操作 ①将 A * 的值送到输入层单元 , 再将输入 层单元的激活值 A 、通过连接权矩 阵 v 隐含单 元 , 产生隐含层单元的激活值 式中 j 二 乞 f 万 v产 jQ 1 , 2 , ⋯ ⋯P ; f为 s 型转换函数 。 ②计算输出层的激活值 二 f 艺* w j i b 动 丝 _ J “ x - d t { o w , 1 e N C 式中 k 二 q l , 2 , 二”二q 。 为了获得较好 的效果 , a i 去 N c 应随时间缓慢减小 , N c 也应随之变小 。 写成算法形式有 ①将 n 个输入节点到 m 个输出节点之间 的权值赋予一小的随机初值 ②给定输入信号 ③计算 d j 艺 x; 一 w。 , ④选择是mi n呜的节点j 为输出节点 ⑤权值训练 w、 t 1 w。 t a t x, t 一 w i j t 式中 j任 c N , i 簇 i簇 n , o a t 1; ⑥回到② 2 B P 模型非线性预测的基本原理 将观测值数据作为神经网络的输入向量 , 将预测值作为神经网络的输出向量 ; 然后用足 够的样本模式训练这个神经网络 , 使不同的输 入向量得到不同的输出值 。 训练好的神经网络 便可作为一种定性 与定量相结 合的有效 的工 具 , 对不同的预测对象进行预测 。 ③计算误差函数 。 , 艺 人 一 q 2 2 / ④计算输出层单元的一般化误差 成 Q1 一 q y一 q 式中 k 1 , 2 , ⋯ ⋯ q , 人 是输出层单元的期 望输出 。 ⑤计算隐含层单元的相对于每个 d 。 的误 差 e j 一 k l , 2 , ⋯ ⋯ a 为学 习率0 a l 。 ⑦调整输出层单元的阐值 △儿 二 耐 奋 式中 k1 , 2 , ⋯ ⋯q 。 ⑧调 整输入层单元与隐含层单元的连接权 值 第 8 卷增刊 2 周科平 地下金属矿山采矿方法的智能选择 . 657 . △ i iv 脚两 式中 i 二 1 , 2 , ⋯ ⋯ , ; j于1 , .2 ⋯p ; 夕为学 习率0 pz 。 ⑨调整隐含层单元的闷值 △i Q 丙 式中 j 1 , 2 ,⋯ ⋯P , STEP3 计算全局误差函数 E , 习凡 s T EP 4 若 E , 则重复ST E P Z , STE P 3 , 否则 , 转 ST EPo 5 S T EPS 学习结束 。 从而使客观的结果具有很大的主观随意性 , 很 容易受到人为因素的影响 。 针对上述方法的不 足 , 作者提出了一种新的分析方法 , 来客观地 确定有限方案的 多目标决策的权系数 , 从而使 决策结果更加科学 、 可靠川 。 3 应用实例 2 多属性决策理论 采矿方法选择问题实际上是一个多目标决 策问题 、 目标多 , 标准多 , 有些目标之 间还有 矛盾 , 这就使得 多目标问题成为一个复杂而 困 难的问题 。 近年来 , 灰色 系统理论和模糊数学 理论的不断应用 , 产生了灰色关联分析 、 灰色 局势决策 、 模糊综合评判等多 目标决 策方法 。 但是应用这些理论体系中的方法进行多目标决 策都有一定的使用条件 , 都要求有相对准确的 权重系数 , 这在实际应用中具有很大的难度 , 某矿体为一缓倾斜厚矿体 , 矿体上 、 下盘 围岩稳固 , 矿石品位中等 , 地表允许崩落 。 根 据矿体的开来技术条件 , 从大量的工程实例中 选择了 30 0 个具有代表性的工程实 例作为样 本 , 供神经网络进行学习 、 待学习完成后 , 就 可以进行采矿方法选择 。 用K o hon en 模型选择 的采矿方法如表 1所示 。 农 1 采矿方法初选结果 采矿方法 大直径裸孔分段空场 脚犷采r法采矿法 阶段甄 创肠落 无底柱 分段 崩落 上 向分 层 充坟 确信度 0 . 3 8 0 . 3 3 0 . 肠 0 . 05 0 . 18 用BP模型 预 测采矿方法 的技 术经济指 标 , 结果如表 2所示 。 在此基础上 , 用多属性决策理论进行 分 析 , 选择采 场生产能 力 、 采矿工效 、 采掘比 、 衰 2 项目 该刹的采矿方法技术经济指标 采矿方法 大直径深孔崩矿分段空场法 阶段强制崩落 无底柱分段崩落上向分层 充填 19 8 . 3 18 . 6 10 . 2 35 0 . 420 . 31 9 7 。 9 3 2 . 2 9 12 . 1 8 . 9 14 . 26 l5 6 . 2540 . 38 2 7 4 4 3 . 6 9 川 . 5 4 3 7 采场生产能力 / . t 子 采矿工效/ .t 工班 一 , 采掘比/ m 10 一3 t , 矿石贫化率/ 矿石损失率/ 采矿直接成本 / 元 t 一 , 炸药消耗/吨 尸 钎钢消耗 /掩 t 一 坑 木消耗/ m3 - l t 合金片消耗/g ’ t 一 , 起爆器材消耗/ 个 t 一 , 0 . 0 7 0 . 0X 20 . 砚 洲洲】2 0 . 0佣40 . 洲 5 667 中国有色金属学报 1998 年 9 月 矿石贫化率 、 矿石损失率和采矿直接成本作为 分析指标 , 决策矩阵为 . 9 7 . . 7 9 2 L 1 274 0 20 . 33 50 . 4 d s 0 . 053 由于内 d s d ; d 4 d Z , 因此 , 该矿 体合适的采矿方法为无底柱分段崩落法 , 其次 为上向分层充填法和大直径深孔崩矿采矿法 。 通过采矿方法试验表明 , 选择无底柱分段崩落 法是十分正确的 。 40 声 3 .1 . ⋯ It2 802 曰.1 ..1..1 . 36 21 1 9 8 .1 8. . 1 0 1 2 月 呀,9] 八3心 口 7 眨 . 124吞0 [ 5 . 4 8 . 9 3714 . 267 . 84 l5 6 . 25 将矩阵规范化得 4 结语 0 . 49 9 0 . 刃2 0 . 0 16 l 0 l 0 . 03 5 0 . 146 0 . 5 6 5 0 0 . 4 5 0 0 . 0 67 0 . 6 16 l 0 . 6 3 5 0 . 510 0 0 . 8 3 8 6 7 7 2 72 9 4 0 00 对于 上 列矩阵 , 理想点是b j ’ 1 , 1 , 1 , 计算出的指标和加权向童为 W . 0 . 11 , 0 . 124 , 0 . 152 , 0 . 222 , 0 . 252 , 0 . 140 各采矿方法的评价目标为 d 一 0 . 0 86 d Z 0 . 2 315 d 3 0 . 0 18 d 4 0 . 136 采矿方法选 择是一项艰苦而又复杂 的工 作 , 把人工神经元网络和多属性决策结合起 来 , 用于采矿方法的选择 , 克服了以前在采矿 方法选择方面的一些方法中的不足 , 为采矿方 法科学选择开辟了一条新的道路 。 今考文献 周科平 . 金属矿山 . 19 9 7 , 2 6一 8 . 焦李 成 . 神经网络计算 . 西安 西安电子科技 大学出版 社 , 199 5 . 胡守仁 . 神经网络应用技术 . 长沙 国防科技 大学出版 社 , 19 95 . 【编辑 何学锋