1、附录A采矿工业中实用的神经网络应用程序米勒.L-泰特，R.帕卡尔尼斯（不列颠哥伦比亚大学 采矿与矿物加工工程学院，加拿大 范库弗峰）摘要:采矿工业很大程度上依赖以观察或试验为依据的分析从而进行设计和预测。神经网络是一系列使用了并行处理过程而且和人脑类似的计算机程序，从而分析数据来得到趋势和之间的相互关系。采矿工业中的两个实用神经网络程序是岩爆预测和采场贫化评估。本文概述了对鲁坦矿一些研究的神经网络数据分析结果，研究原型分别是1995年黄金企业公司/加拿大矿产与能源技术中心有关岩爆的研究和1986年不列颠哥伦比亚大学/加拿大矿产与能源技术中心有关露天采场矿石贫化的研究岩爆研究。 1 引言 矿井设
2、计的许多方面都是基于实际观察或试验数据。神经网络以先前的结果为基础分析数据并进行预测。与传统的以实践或试验为基础的设计方法相比，它有着许多优点。这些优点如下： 神经网络可以简单地使用多重输入来分析数据。 通过使用多重隐藏的层次和节点，神经网络可以审查输入间的联合影响。 当新的数据被获得时，神经网络可以很容易地被重新训练，从而使得它成为一个动态性与灵活性更强的基于观察的评估方法。 神经网络软件不是很贵且易于使用。 较之传统的方法，神经网络表明了它是一个更加精确的基于观察的评估方法。 神经网络的优点在一个岩爆预测和一个露天采场贫化例子中得到阐明。 2 岩爆预测 神经网络在采矿工业使用具有良好前景的
3、第一个例子是通过自然输入进行的岩爆预测。以下是直接引自安大略劳工部的一段话：“我们没有能力预测岩爆发生在什么时间什么地点，这个领域的专家也认同我们离做出这种预测还有很远的距离。”19841993年间在安大略有8名井下矿工死于岩爆。它大约占了同时期井下重大事故死亡人数的10%。如果神经网络当时可以成功地预测岩爆的发生地点，那么更多的地面支持、远程设备，或者是改进设计可以减小甚至有可能消除岩爆带来的恶性事故。由于安全是采矿工程人员首要的责任，故神经网络可以协助预测岩爆到来的可能性应当被检验。 1995年，黄金企业公司和加拿大矿产与能源技术中心公司完成了一个被称为“基于实践的设计技术在A.W.怀特矿
4、易爆区域的研究进展”的联合项目。这个研究的一部分就是收集19921995年间发生在A.W.怀特矿有关岩爆、掘进、地面楔和放顶事故的输入信息。从而形成了一个由88个地面事故组成的事故数据库，它里面的每一个失败都有相类似的输入。对每个事故收集到的6个输入因素是：RMR3，Q4，span5，SRF2，RMR调节，深度。这些输入因素被建立并运行于一个神经网络中，该网络有73个用来训练的实例和15个用来测试网络的实例。输入元素或稳定性可能是以下四个失败之一：PUN-RF(顶板垮落的潜在不稳定性)，PUN-GW(地面楔的潜在不稳定性)，BUR(岩爆)，CAV(采掘)。一个有关输入和输出因素的简要描述被罗列
5、如下。 2.1 输入因素 RMRRMR系统最初是在1973由Bieniawsk发展出来的，它建立于岩体质量的五个参数上。这些参数是：岩块的单轴抗压强度、岩石质量指标（RQD）、不连续间距、不连续条件、地下水条件。 这些因素被赋予了一个数值并且被计算到一起从而得到一个RMR值。这个值是一个介于0100的数，其中0表示质量非常差的岩体，100表示质量极好的岩体。此时地下水条件被假设为干燥状态。 QQ因素指的是表征可开挖程度的岩石品质。它是由来自Norwegian地质技术学院的巴顿、李恩和鲁恩德共同提出的，建立于以下六个要素之上： RQD岩石质量指标； Jn节理面数目； Jr节理粗糙程度； Ja节理
6、变化数目； Jw节理处水减少因素； SRF应力减小因素。 Q的准确公式是：QRQD/Jn Jr/Ja Jw/SRF。 为了本次研究，Jw/SRF因素被假定为1.0，因为假定了干燥条件。应力通过模型和应变量被因子化。Q因素在一个从0.001到1000的范围内变化，其中0.001表示品质极差的岩石，1000表示实质上品质非常理想的岩石。 Spanspan意思是指平面图上一个地下缺口的宽度。它可以通过一个地下硐室的最大半径来确定。 SRF指相比于应力比值和先前地下条件而进行的RMR值调整。它并不直接代表使用在Q计算公式中的那个SRF。应力准则是基于采动应力与不受限制的岩石抗压强度的比值。 2.2 输
7、出因素 冲击指的是一个发生了岩爆的采矿场。岩爆是一个已开挖区域内发生的岩石突然失效，同时伴随了围岩的自然或人为震动。 PUN-RF指考虑到顶板垮落的潜在不稳定地域。如果一个采矿场有如下一些情况发生则被认为是潜在不稳定： 缺口呈现出强烈的有着可能在后面形成楔的方向不连续。 额外的地面保护可能需要加入进行以防止地表塌陷的可能发生。 安装在采场的仪器记录了连续的采场后面的运动。 地表运动和升高的频率可能会增加。 PUN-GW指考虑到潜在不稳定的采矿场，由于地面有楔形失效的可能性。它是PUN-RF的一个子集，被用来单独地识别出可能导致楔形失败的区域。 Cave指不可控地表失效导致的挖掘发生的时候。 3
8、 神经网络分析 上面的输入和输出都运行于神经网络中，以观察一个神经网络能否从输入数据中预测出结果，同时也要观察哪些输入对输出预测有最大影响。一个由13个节点组成的两层神经网络被运行了10105次，从而达到了1.69%的错误率。共有73次观察被用来训练这个网络。剩下的15次观察被用来测试的预测能力。 神经网络的结果显示出网络可以正确地预测出所有来自于培训的输出。这并不令人惊讶，因为网络为进行预测培训共用了73次观察。然而，神经网络也可以通过一些测试数据预测出岩爆条件，这些数据对网络而言完成是新的。网络似乎在区分PUN-GW和PUN-RF方面存在问题，但是每次均可以预测出岩爆状况。冲击状况每次均可
9、以成功预测的事实做出了这样的承诺：就潜力而言，神经网络有可能是一个预测岩爆的有效工具。 从数据库显示出SRF是对岩爆预测最重要的影响。偏心节点Q和调整过的RMR同样重要的影响，而RMR，span和深度则表明有较小的影响。SRF是最重要的影响并不令人惊奇，因为它是根据先前的冲击倾向并考虑了岩石本身的一个因素。一个包含稳定开度的更大数据库有必要建立，以取得神经网络在预测方面和输入因素影响作用的更大信心。 通过同步分析若干输入，这个例子显示出神经网络可以提供一个有效工具来预测岩爆。更进一步的工作如改正错误，节点数目，层数和循环次数可以通过使用数据库改进网络。然而一个带有更多输入因素的更大数据库可以使
10、用神经网络成为一个预测冲击更加有效的工具，从而在采矿工业中实际应用。 4 神经网络/公式贫化预测比较 通过比较神经网络和常规公式，神经网络预测和三个由数据库中发展出来的公式进行了比较，数据库取自鲁坦矿。被比较的公式来自三个不同的采场配置：孤立采场，梯形采场和拱形采场。 孤立采场（61次观察） Dil(%) = 5.9 0.08(RMR) 0.010(ER) + 0.98(HR) (1) 梯形采场(44次观察) Dil(%) = 8.8 0.12(RMR) - 0.l8(ER) + 0.8(HR) (2) 拱形采场 (28次观察) Dil(%) = 16.1 - 0.22(RMR) - 0.1l
11、(ER) +0.9(HR) (3) 式中 DIL(%) 采场贫化(%)，例如10%，DIL(%) = 10； RMR - CSIR 岩体率(%)， ie. 60%，RMR = 60； ER - 随采场宽度而移出的体积的暴露率(m)； HR 暴露采场壁的水力半径(m)。 神经网络与那些公式都产生于同一部分数据库。神经网络在不可见数据上预测和公式评估进行了比较。它提供了一个比较神经网络预测效力和从统计规律发展而来的公式评估的一种见解。神经网络并不是最佳化的。 神经网络通过使用一个含有两个不可见节点的隐含层被训练。对应于每一个采场配置的每个神经网络都在整个原始数据库上进行了训练。在拱形采场数据库上被
12、训练的神经网络有80%的错误，而梯形和独立采场数据库中训练的每个只有10%的错误。这些神经网络被用来在新的不可见数据上预测贫化并和各自的贫化评估公式进行比较。由神经网络得到的贫化值与公式预测值的不同进行了比较，为了每一个采场和由每个采场配置构成的所有采场的总平均值。 图1表示了神经网络与公式预测间的平均百分错误。 对于不可见的拱形采场数据，神经网络的平均错误是3.2%而公式则是平均5.1%的错误。对于不可见的梯形采场数据，神经网络的平均错误是1.8%而公式则是平均3.9%的错误。对于两个不可见的独立采场，神经网络的平均 错误是0.9%而公式则是平均0.6%的错误。由于拱形采场和梯形采场的不可见
13、数据库明显比独立采场不可见数据库大，故神经网络显示出较之公式评估的明显改进。本实例中神经网络预测的改进表现优于从统计衍生的公式评估，这表明了神经网络比传统的公式预测更加有效。 图1 神经网络/公式在实际平均贫化值上的平均错误 5 结论 黄金企业公司与加拿大矿产与能源技术中心的例子显示出神经网络可以提供一个有效工具来预测岩爆。更进一步的工作如改正错误，节点数目， 层数和循环次数可以通过使用数据库改进网络。然而一个带有更多输入因素的更大数据库可以使用神经网络成为一个预测冲击更加有效的工具。对于每一个失效而言更多的输入可能包括：采动应力，水力半径，提高到场，微数据，断层或者水沟，地面支持，推进类型，
14、附近是否有生产矿井。 经改进更加精确的神经网络贫化预测优于基于统计的贫化公式表明了神经网络比起传统基于实践的方法可以产生更多精确的评估结果。随着在较小采场贫化数据库上出现了训练错误增加的情况，更加充分数量的输入数据已被证明是必须的，同时由于较小的数据库导致了在不可见数据上的预测准确度降低。除了提高了准确度，神经网络的多重输入优势和能够再培训的连续能力将大大改善采矿工业中基于实践进行评估的现象。 参考文献： 1.卡伦,M.安大略劳工部岩爆提议.安大略劳工部,1995. 2玛郝,P.基于实际的设计技术在A.W.怀特矿易爆区域的研究进展.加拿大矿产与能源技术中心,1995. 3贝阿纳威斯,Z.T.工
15、程岩体分类M.纽约，1989. 4巴顿，赖恩，鲁德. 隧道支护设计岩体分类J.岩石力学，1974,6(4):7. 5朗,B.，帕卡尼斯,R.，温哥帕索尔,S. 迪吐尔湖矿宽切眼填充采场跨度设计.加拿大采矿与冶金学会93年会议集，1991. 6帕卡尼斯,R. 鲁坦矿基于实践的采场设计.加拿大：布列颠哥伦比亚大学出版社，1986:276附录BPractical Neural Network Applications in the Mining IndustryL. Miller-Tait, R. PakalnisDepartment of Mining and Mineral Process Engineering,University of British Columbia,Vancouver, B.C., CanadaABSTRACT The mining industry relies heavily upon empirical analysis for design and prediction. Neural ne
