ANN在采矿方法技经指标预测中的应用研究.pdf

2 0 0 3年 2月 第 3 2卷第 1 期 总第 1 7 8期 云 南 冶 金 Yl fNNAN ME TA U J 『HGY F 曲 ． 2 0 0 3 V o 1 ．3 2 ．N o ．1 S u m 1 7 8 A N N在采矿方法技经指标预测 中的应用研究 叶加冕 ，陈孝华2 ，黄德镛2 1 ．昆明冶金高等专科学校 ，云南昆明6 5 0 0 3 3 ；2 ．昆明理工大学 ，云南昆明6 5 0 0 9 3 摘要人工神经网络是一种具有高度非线性 、自学习、动态处理、联想记忆 、容错性等特征的复杂网络。 将其运用于采矿方法技术经济指标预测 ，可以有效地解决采矿方法选择评价时指标获取难的 “ 瓶颈”问题。 关键词 A N N ；采矿方法 ；指标 ；预测 中图分类号 rI D一0 5 文献标识 码 A文章编号 1 0 0 6 0 3 0 8 2 0 0 3 O l - 0 o l 1 o 4 Ap p l i c a t i o n S t u d y o f ANN i n Te c h n i c a l -Ec o n o mi c a l I n d e x Pr e d i c t i o n o f M i n i n g M e t ho d s YE J i a - mi a n， C HE N X i a o h u a ， HU A NG D e y o n g K u n m i n g Me t a l l u r g y C o l l e g e ，K u n m i n g ，Y t m n a n 6 5 0 0 3 3 ，C h i n a K u n mi n g U n i v e r s i t y o f S c i e n c e a n d T e c h n o l o g y ，K u n m i n g ，Y u n n a n 6 5 0 0 9 3 ，C h i n a A B SI RACTA N N i s a k i I 0 f c o m p li c a t e d n e t w o r k w i t h c h a r a c t e r s 0 f l I i 曲l y n o n - l i n e a r ， ] f - s t u d y ，d y mc ma I la g 即瑚1 t ，a s s o c i a t i o n a l Ⅱ 哪， a n dt o l e r a n c e 0 f e r r o r ， e t c． T h e“ b o tt l e - n e c k ” p r o b l e m o ni n d e x -g a i n i n gi n me h o d e v a l u a t i o n a n d s e l e c t i o n P a n b e r e s o l v e d f e c ti v e l y b y a p p l i c a tio n 0 fANN i nt h et e c h n i c a l a n d e c o n n i c a li n d e x p r e d i c ti o n 0 fmU a n gme t h o d． KE Y W OR DSA N N； I li n gto o ．h o d ；i n d e x ；p r e d i c ti o n 1 前言 采矿工程人员在进行采矿方法方案评价和选择 时 。各备选方案 的技术经济指标的获取历来是通过 绘制方案 图表或通过简单类 比来实现的。不仅费时 费力 ，而且难 以避免 因简单类 比而带 来 的误 差 累 积 ，最终 影 响 方 案 评 价 的效 果 。人 工 神 经 网络 A r t i fi c i a l N e u r a l N e t w o r k ，简称 A N N是试图模仿生 物神经系统 的工作而建立起来 的复杂网络 ，因其具 有高度的非线性 、自学 习、动态处理 、联想记忆 、 容错性等特征 ，故其对于解决采矿方法技术经济指 标预测这类复杂的、输入数据含有噪声 的问题 ，尤 其具有针对性和适应性 。 收稿 日期 2 0 0 1 1 2 - 0 5 作者 简介 叶加冕 1 9 6 3 - ，男 ，贵州遵义人 ，副教授 ，博 士生。 2 基于 A N N的采矿方法技术经济指标预测 系统 用人工神经网络预测合理的地下采矿方法技术 经济指标 ，就是要建立一个基 于神经网络的 自适应 预测系统。如 图 1 所示 ，这是一个 自适应各种矿床 地质特征变化 的智能预测系统。在这个系统 中，预 测工作分三步进行。 1 从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 矿床地质特征一采矿方法技术经济指标模式对。 2 待预测矿 山 的矿床地 质特 征数据 经预 处 理 ，作为训练网络的输入数据 ，利用学得 的知识和 训练的网络结构进行模式匹配 ，预测出合理的采矿 方法及该采矿方法的主要技术经济指标和材料消 耗等 。 维普资讯 2 0 0 3年 2月 第 3 2 卷第 1 期 总第 1 7 8 期 云 南 冶 金 删NAN MET AU JRGY F l出 ．2 0 o 3 V o 1 ．3 2 ．N o ．1 s Ⅲ n 1 7 8 选择典型的 工程实例 嚣 H 墓 蕈 作 为 实 例 让 ／／ 确 定 选 择 ＼ l 建 立 指 标 预 测 的I ＼ 暨 堕 翌 竺 壁 J 寻求其他解法 待预测采矿方法 的矿床地质特征 图 1 A N N采矿方法技术经济指标预测系统 F i g ．1 A N N i c t l o f l s y s t e m o f r r I i I t e c h n i c a l - e c o n o m i c i n d e x e s 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。 3 指标预测系统的 MA 3 LA B语言实现框架 系统采用 B P网络模 型及学 习算 法 ，为此 ，我 们可以用 MA T L A B语言将其编程实现。其程序 的主 结构框架如下 m a i n { 分配内存 ； 随机化初始权值和读入训练数据 ； f o r i 0 ；i m a x e p o c h ；i 1 { 计算激活输出；／*前后传播 *／ 传送误差信号；／ * 后向传播 * ／ 修正权值；／ * 后向传播 * ／ i f s u m s q u a e l r o r e l f g D a l e r r o r a n d i m ax e p o c h 网络不收敛 ，调整网络参数再训练 ； e n d i f } } 其中m a x e p o c h 一表示期望的迭代次数 sum s q I J a 捌 一e l r o r 一 网络输 出单 元 方差 1 2 总和 err g o a l e l T O r 一期 望的最 小输 出 误 差 该 B P网络程序 由三大部分构成 ，初始化 、迭 代运算 及结 果处理 。其 中 ，迭代 运算是 程序 的核 心 。初始化部分程序为参数 ，变量动态分配内存空 间、设置初始化数值 、读取 网络训练所需样本数据 等 ；结果处理部分将学 习好的网络权值矩阵 、误差 学习曲线及其它一些重要参数输出到指定设备。 在网络的迭代学习方面 ，我们知道 ，训练神经 网络的方式基本 上分 为两类 ，即在 线学 习和批学 习 ，本程序中采用 了批学习，即在每一个迭代过程 中，对每一个训练用输出模式 ，分别计算网络相应 的输 出模式 及每个 处理单元 的误 差修正 总量 ；然 后 ，由输 出层开始进入后向传播过程 ，逐层修正网 络权值 ，得到一次迭代后的一组新 的网络权值 。一 般地 ，迭代过程要循环成千上万次。当迭代过程达 到期望的次数或总的方差小于要求的最小值输出误 差时 ，则迭代结束。 4 用于采矿方法技术经济指标预测 的神经 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 的神经网络模型 ，根据矿岩特征及采矿方法 确定该采矿方法的 主要技术经济指标 和材料 消耗。 综合考虑影响采矿方法选择 的各种 因素 ，收集 了云 锡矿山的实际数据 ，经过归纳总结 ，建立 了基 于崩 落法 、空场法和充填法的三个采矿工程技术经济指 标数据库。并以此为依据，确定了神经网络的 1 3 一 M一 1 2 网络结构。其中，M为隐节点数，神经网络 的输入为 l 3个节点，输 出为 1 2个 节点。如图 2所 示 。 图中输入参量为X I 一矿体最小倾角；x ’ 一矿 体最大倾角；x 3 一矿体平均倾角；]‘ 4 一矿体 脉 最小厚度；x 5 一矿体 脉最大厚度；】 6 一矿体 脉平均厚 度 ；x 7 一矿 石锡 品位 ；】 【 8 一矿石 稳 固 性系数下限； 一矿石稳固性 系数上限 ；X 1 0 一顶板 岩石稳固性 系数 下 限；X l l 一顶板 岩石稳 固性 系数 上限；X I 2 一底板 岩石 稳 固性 系数下 限 ；X I 3 一底 板 岩石稳固性系数上限 ； 输出参量为 Y l 一采场 生产能力 ；y 2 一千吨采 掘 切 比；y 3 一采 矿 工 效 ；y 4 一矿 石 贫 化 率 ； y 5 一矿石 损 失 率 ；y 6 一炸 药 消耗 ；y 7 一坑 木 消 耗 ； 维普资讯 叶加冕等 A N N 在采矿方法技经指标预测中的应用稠 堕 y 8 雷 管 用 量 ；y 9 一导 火 线 ；y l o 一合 金 片 用 量 ； y l l 钎子钢消耗 ；y l 2 一采矿成本。 X - X X X4 Xl l X I 2 X l 3 l l l 1} 一 r 1 l 主要技术经济指标及材料I l 消耗预报神经网络 A NNI 图 2 采矿 方法合理选择 的神经 网络结构 F i g ．2 S u e t u r e o f n e u r o t i c n e t w o r k f o r r e a s o n a b l y s e l e c t i o n o f mi n i n g me t h o d 该系统 为三层 网络结 构 ，进 行 了成千 上万次 的试运行 ，发现 如果 隐层节 点数 太少 ，几 乎找不 到合适的学 习率 和 冲量 系数 ，运 行误 差很 大 ，远 远达不到允许的误差要求 ，而且 经常出现函数 e x p x 溢 出的现 象 ，如果 隐层节 点数 太大 ，偶 尔也 能找到合 适 的学 习率和 冲量 系数 ，但 收敛速 度很 慢 ，运行时 间很长 ，而且 随着样 本数 的增加 ，也 会经常出现溢 出现象 。通 过反 复测试 ，发 现 隐含 节点数 目在 6～1 0之间 比较合适 ，收敛速度较快 。 输 出误差能达到 1 1 0 ～，计算精度很 高。这说明 三层 网络结 构能很好 地解决采 矿方法 技术经 济指 标预测的问题 。 最后确定 了 网络 的结构 如下 A N N ． 为 1 3 7 1 2 ；A N N 2为 1 3 8 1 2 ；A N N 3为 1 3 6 - 1 2 。从运行结果来看 ，隐节点数是比较合理 的，当 然不一定是最佳的。 从本节的探讨中不难发现 ，尽管神经 网络有许 多优点 ，如容错性 ，自适应性 ，高度非线性等 ，如 果在实际应用中，不能根据具体问题设计 出合理 的 网络结构 ，不仅显示不 出网络 的许多优点 ，甚至会 产生误导 ，计算 出完全相反或矛盾 的结果 ，故一定 要把好网络结构这一关。 5 应用实例 5 ． 1 网络的学 习 一 般来说 ，为了达到较小的系统误差 ，学习步 数要选得较大一些 ，评价一个网络的好坏也都用系 统误差来刻画。在程序的试运行 中，我们发现并不 是网络的学 习误差越小 ，网络的推广性就越好 。也 就是说 ，网络存在一个最佳的学 习步数 ，使网络学 习误差和预测误差都达到要求。但是 ，训练误差随 步数增加呈下降趋势 ，而检验误差则是先下降而后 上升。这种误差趋势的差异使得我们在训练 网络时 存在一个 危险 ，即当我们把训练误差降到满意的程 度时 ，预报误差可能会相当大 ，也就是网络的推广 能 力差。为什么会 出现这种情况呢可以这样来解 释，由于我们训练的样本含有一定量的噪音信号， 这样就使得 网络形成的映射越来越远离真实 映射 。 比较合适的误差值应控制在噪声的量级 ，但遗憾的 是 ，噪声的幅度一般来说是未知的 ，一种解决办法 是将训练误差 与检验误差控制在同一范围内。根据 这一原则 ，我们确定预测误差为 5 ％ ～1 0 ％。 5 ． 2 输入数据的预处理及输 出数据的处理 对于学习样本和验证样本的输入数据 ，必须将 原始数据进行预处理 。数据 的预处理主要包括以下 两方面的内容 1 将定性指标定量化 如矿床类型 、顶底板岩石类型 、地面要求 、地 下水作用 、矿床勘探类 型 、采场搬运方式 、采矿方 法等指标 ，都必须进行量化处理 。 2 将输 入数据 按一定 的标准 处理 ，使其 在 [ 0 ，1 ]范围内，这是由 B P算法本身的要求决定 的。这种数据的处理基本上没有统一 的标准和原则 可循 ，使用者可根据 自己所拥有的数据特征来确定 这一换算标准。在训练模型时 ，涉及 的数据成千上 万 ，仅这些数据的查找就很费时，何况有许多定量 指标需量化处理 ，几乎所有的数据都要进行标准化 处理 换算成 [ 0 ，1 ]之间 的数据 ，数据 的处理 量之大就可想而知。故在数据 的标准化处理时 ，按 指标本身的特征确定换算标准 ，大部分数据是通过 除样本属性最大值方式来处理的。 输出数据的处理是输入数据的逆运算。 5 ． 3应用实例 通过对云南锡业公 司各主要矿山采矿方法数据 进行收集和整理 ，并组织足够数量的样本进行训练 后得到了空场法 ，崩落法 ，充填法等三个神经 网络 模型。本实例 以云南锡业公 司松树脚矿 1 0 6号矿 体为例，对训练好的模型进行了验证和结果分析。 1 0 6号矿体的输入向量为 X 【 X l x 2 ⋯X l 3 ] [ 1 0 3 0 1 4 2 1 0 8 1 ． 7 3 2 6 2 8 6 8 ] 用该三个模 型预测 的结果见表 1 。 】 3 维普资讯 2 O 0 3年 2月 第 3 2 卷第 1 期 总第 1 7 8 期 云 南 冶 金 YI I NNAN ME TA U 煽 GY F e b．2 0 0 3 o 1 ． 3 2 ．N o ．1 S u m l 7 8 表 1 松矿 1 0 6矿体技术经济指标预测结果 T a b ． 1 R e s u l t s o f p r e d i c t i o n o f t e c h n i c a l e c o n o m i c i n d e x e s o f S o n g s h u j i a o M i n e 5 ． 4 误差 比较 与分析 为了对神经网络模型误差进行比较与分析 ，以空 场法预测结果为例，计算出所预测的各项经济指标 的 绝对误差和相对误差 ，现将其列于表 2和表 3中。 从误差分析表中我们可以看出，网络输出的主要 技术经济指标值与期望值 实际值 之间的相对误差 主要指标不超过 5 ％，在坑木消耗和导火线指标上误 差较大 ，这主要是由于所抽取的样本 中，该项指标统 计严重不准确所致 ，故在方案 比较时，该预测值可仅 作为参考。因此用神经网络模型预测采矿方法的技术 经济指标是可行的，主体指标误差小于 5 ％。 表 2 绝对误 差分析表 1 曲 ．2 A b s o l u t e e r r o r t a b l e 表 3 相对误差分析表 1 曲 ． 3 Re l a t i v e e r r o r t a b l e 6 结论 幸 言 ， 嵩 妻 募 1 用人工神经网络实现对采矿方法技术经济 挥人们的智慧和更好地吸收矿山工 下转第 2 3 页 1 4 维普资讯 王德燕等均值 比较与神经 网络在选矿建模 中反应用 参考文献 [ 1 ]李英龙 ．采选 工业 系统综 合建 模方 法研 究 【 M] ．昆明 云南 大学 出版社 ，2 0 0 1 ． [ 2 ]郭雷 ，郭宝 龙 ．神经 网络计算理论 【 M] ．北 京 科学 出版社 ， 2 O 0 O． [ 3 ]许鸣 ，等 ．基于神经 网络 的智 能控 制 【 J ] ．化 工 自动 化 及仪 表 ，1 9 9 5 ， 5 [ 4 ]胡守人 ，余少波 ，等 ．神经 网络导论【 M] ．长沙 国防 科技 大学 出版社 ．1 9 9 3 ． [ 5 j S ．J ．R u s s e l l ，e t a 1 ．A r t i fi c ia l I n te l l i g e n c e A M o d e m A p p r o a c h, P r e n t i c e -H a l l 。 1 9 9 5， 5 2 5 - 5 7 3． [ 6 ]x．M．C ,a o ，e t a 1 ．P o w e r p re d i c t i o n i n Mo b i l e C o n m a mi c a ti o n S y s t e lr U 血 8 1 1 O p t m a N e u r a l N e t w o r k s t r u c tu r e【 J J ．W,F F , T r a n s c r i o t s O n N r u r a l N e t w o r k ，1 9 9 7 ，8 6 1 1 1 4 ． [ 7 ]胡永平 ，等 ．矿 产经济研究 中选矿数模 的建立与应用 【 J ] ．矿 山技术 ，1 9 9 2 ， 3 2 6 - 2 9 ． [ 8 ]李英龙 ．神经 网络在矿 业工 程 中的应用 【 M] ．昆 明云南科 技 出版社 ，1 9 9 7． [ 9 ]郑德 如 ．回归分析和相关分析 【 M] ．上海 上海人 民 出版 社 ， 1 9 8 4． [ 1 O ]卢纹岱 ，等 ．S P S Sf o rWi n d o w s 从 入 门到精 通 【 M] ．北 京 电 子 工业 出版社 。1 9 9 7 ． [ 1 1 ]王 淑红 ，等 ．主成分分 析法 与神经 网络在 选矿 建模 中的应用 [ J ] ．有色矿冶 ，2 0 0 1 ， 6 2 5 2 8 ． 上接第 l 4页 作者的经验。 2 用神经网络实现采矿方法的技术经济指标 的预测 ，可以尽可能多的把各种定性的矿床地质特 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。但若能同时运用灰色统计方法 将其 白化，则 更有利 于提高模 型训 练 的质量 。因 而 ，神经网络的预测结果精度高 ，适应性强 。 3 从工程 实例 中学 习采矿 方法 技术 经济指 标 ，不仅使采矿工程师的长期 的工程实践经验得到 应用和发展 ，而且解决了采矿方法技术经济指标获 取 的 “ 瓶颈”问题 。 4 将训练好的神经网络应用于矿山的设计 和 生产管理 ，可以大大减少矿山工作者 的工作量 ，成 倍地提高工作效率 ；同时 ，可以使矿业专家拥有更 多的时间和精力 ，进行创造性的工作。 参考文献 [ 1 ]毛权 ，等 ．基于神经 网络的多属性决策方法 【 J ] ．系统 工程 学报 ，1 9 9 3 ， 1 2 1 2 4 ． [ 2 ]冯夏庭．地下采矿方法合理识别的人工神经网络模型 【 J ] ．金 属矿山 ，1 9 9 4 ， 3 7 一 l 1 ． 上接第 l 8页 从表 7可以看 出 ，N i 品位 达到了 3 1 ． 8 5 ％，其 纯度为 9 8 ％，基 本达到 了分选镍黄铁 矿单矿 物的 目的，若还要提高纯度 ，可再 用 Q xC 一 1多用磁选 仪重复进行分选 。 5 结语 与建议 1 本文研究 了原矿工艺矿物特征 ，利用矿物 的物性差异分选 了镍黄铁矿单矿物 。本实验经过 了 浮选 、脱药 、磁选 、干燥 ，再经过提纯 ，看起来工 艺有些复杂，但操作起来却方便可靠、效果好。 2 浮选脱药后 ，采用磁选管可除去强磁性矿 物 ，然后再干燥 ，这样 可以使 粗精 矿进 一步富集 ， 同时在此过程中因大量 的水冲洗 ，使脱药干净 。 3 目的矿物经粗选富集 以后 ，用 Q X C一 1多 用磁选仪进行强磁性矿物的分离时，建议处理量可 增加到 2 0 g左右 ，因为强磁性矿 物在分选界 面上 运动快，易于集中，集中后关闭磁选仪，用永磁铁 手工吸出强磁性矿物 ，效果较好 。 参考文献 [ 1 ]胡熙庚 ，等 ．浮选理论 与工 艺 【 M] ．长沙 中南工 业 大学 出 版社 ．1 9 9 1 ．4 0 3 - - 4 O 4 ． [ 2 ]E F 奥斯罗 日拉娅等．硫代硫酸根离子对硫化铜镍矿浮选指 标 的影 响 【 J ] ．国外金属矿选矿 ．2 0 0 1 ， 9 1 ． [ 3 ]Q XC - 1 多用磁选 仪使用 说明书 ，重庆地质仪器厂 ．2 3 ． 维普资讯