Прогнозирование разубоживания при подземной разработке рудных тел камерной системой с открытым очистным пространством с использованием генетического программирования и алгоритмов искусственной нейронной сети с обратным распространением ошибки
Dilution prediction in underground open stope mining using gene expression programming and backpropagation artificial neural network algorithms
2025-06-01
SCID: 54.1/hndwav4a
Discuss with AI
искусственная нейронная сеть с обратным распространением ошибкипрогнозирование разубоживаниягенетическое программированиегеотехнические и проектные данныеподземная разработка камер
Figures from the paper
Abstract (AI)
Незапланированное разубоживание при подземной разработке месторождений наносит ущерб экономике предприятия, поскольку неточные коэффициенты разубоживания могут ухудшать прогнозы добычи для действующих горных предприятий, а также экономическую оценку и рентабельность расширения brownfield-проектов и greenfield-проектов. Несмотря на то что при использовании алгоритмов машинного обучения, особенно искусственных нейронных сетей (ANN), была достигнута высокая точность прогнозирования — свыше 90%, в большинстве исследований прогнозировалось общее разубоживание камер либо учитывались субъективные факторы, зависящие от качества выполнения работ, например параметры буровзрывных работ. Эти факторы снижают воспроизводимость моделей при их расширенном применении к новым горным проектам, для которых отсутствуют исторические данные о буровзрывных работах. Для решения этой задачи в исследовании рассматриваются генетическое программирование (GEP) и искусственные нейронные сети с обратным распространением ошибки (BPNN) для прогнозирования разубоживания на уровне отдельных камер на основе геотехнических и проектных данных. Для построения прогнозных моделей использована выборка из 138 камер на золотом руднике в Западной Австралии, где применяется камерная система разработки с открытым очистным пространством и подэтажным обрушением? (sublevel open stoping). Результаты моделирования и натурных наблюдений показали, что модель GEP работает лучше: коэффициент детерминации (R²) составил 0,740, а среднеквадратичная ошибка (RMSE) — 0,361, тогда как для BPNN эти показатели составили соответственно 0,681 и 0,409. В связи с этим модель GEP рекомендуется для прогнозирования разубоживания при планировании горных работ и составлении производственных графиков с заданным уровнем точности.
Key Findings
1
GEP превзошло BPNN, достигнув R² = 0,740 и RMSE = 0,361 против R² = 0,681 и RMSE = 0,409 соответственно.
2
Модели генетического программирования (GEP) и нейронной сети с обратным распространением ошибки (BPNN) построены по данным 138 камер золотого рудника подэтажной камерной разработки в Западной Австралии.
3
Результаты моделирования и полевых испытаний подтверждают применение GEP для прогнозирования разубоживания при планировании и календарном планировании добычи с заявленной точностью.
4
В исследовании прогнозируется разубоживание для отдельных камер на основе только геотехнических и проектных параметров, без факторов буровзрывных работ, ограничивающих воспроизводимость.
Research Object
Незапланированное разбавление отдельных подземных уступов при субуровневом открытом уступном (open stoping) золоторудном руднике
Research Subject
Точность прогнозирования незапланированного разубоживания для отдельных очистных камер по геотехническим и проектным факторам, а также сравнение эффективности GEP и BPNN
Publication Details
Publication Date
2025-06-01
Journal
Publisher
ISSN
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai3
Минимизация разведения при подземной открытой отработке табличных руд с акцентом на проектирование камер и длинноотвальные буровзрывные работы в узких жилках2009
Прогнозирование неплановой разубоженности и потерь руды на рудниках с длинноскважинной системой разработки методом множественной регрессии и с использованием искусственных нейронных сетей2015
Прогнозирование разубоживания при разработке подэтажными камерами с использованием алгоритмов машинного обучения2023