基于数值模拟-机器学习的缓倾斜铝土矿矿柱承载力预测方法
王德玉1
朱德福2
于彪彪1
王沉3
1.太原理工大学原位改性采矿教育部重点实验室,山西太原 0300242.太原理工大学原位改性采矿教育部重点实验室,山西太原 030024;西安交通大学航天航空学院,陕西西安 710049;广铝集团有限公司,广东 广州 5104503.贵州大学矿业学院,贵州贵阳 550025
摘要：矿柱强度具有显著的倾角效应,准确预测倾斜矿柱的强度是保障倾斜矿体地下采场安全的关键.为准确预测缓倾斜矿柱强度,融合运用参数化建模的灵活交互性、数值模拟的样本数据强扩展性与机器学习方法的数据驱动优势,建立缓倾斜矿柱强度预测模型.基于Rhino中Grasshop-per 平台编制缓倾斜矿柱参数化建模程序,结合某铝土矿裂隙产状参数构建了 200组黏合块体-离散裂隙网络(BBM-DFN)矿柱数值模型.采用FLAC3D-3DEC耦合模拟方法,依据试错法标定后的岩块与节理参数,开展了缓倾斜矿柱承载特性试验,监测并建立了机器学习缓倾斜矿柱强度数据集,且验证了此数据集的可靠性.分别以支持向量机(SVM)、极限学习机(ELM)、轻量梯度提升机(LightGBM)构建了缓倾斜矿柱强度预测模型,利用遗传编程(GP)和改进的量子粒子群算法(IQPSO)2种优化算法进一步提高模型性能,建立了缓倾斜矿柱强度与其影响因子之间的非线性映射关系.结果表明:矿体倾角对矿柱强度影响显著,同一尺寸矿柱随倾角的增加其强度显著下降,而不同宽高比矿柱的影响规律存在差异;当宽高比小于1时,矿柱影响因子敏感性主次顺序为:倾角＞高度＞宽度;当宽高比大于1时,其影响因子敏感性主次顺序为:宽度＞倾角＞高度;交叉验证了 SVM模型是缓倾斜矿柱强度预测的最佳模型(R2=0.921;REVS=0.926;RMAE=1.225;RMSE=2.367),结合GP与IQPSO算法优化后模型预测性能得到了进一步提升(R2=0.976;REVS=0.977;RMAE=0.465;RMSE=0.862).采用GP的符号回归方法得到了缓倾斜铝土矿柱强度表达式,对比经典矿柱强度理论验证了模型的准确性,拓新了倾斜矿柱强度的预测思路.
关键词：参数化建模数值模拟机器学习缓倾斜矿柱强度预测模型
分类号：TD325(矿山压力与支护)TP181(自动化基础理论)
资助基金：国家自然科学基金(52174124)国家自然科学基金(51904200)山西省重点研发计划资助项目(202202090301011)
论文发表日期：2025-03-31
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：16( 1511-1526 )
英文信息