Прогнозирование неплановой разубоженности и потерь руды на рудниках с длинноскважинной системой разработки методом множественной регрессии и с использованием искусственных нейронных сетей
Unplanned dilution and ore loss prediction in longhole stoping mines via multiple regression and artificial neural network analyses
2015-01-01
SCID: 54.1/hu9fyeku
Discuss with AI
искусственная нейронная сетьдлинноскважинная камерная выемкамножественный регрессионный анализпрогнозирование потерь рудынепланируемое разубоживание
Figures from the paper
Abstract (AI)
Неплановая разубоженность и потери руды напрямую влияют не только на производительность подземных очистных камер, но и на рентабельность всего процесса добычи. Разубоженность очистных камер обусловлена сложным взаимодействием многочисленных факторов и не может быть спрогнозирована до начала горных работ. В настоящем исследовании модели прогнозирования неплановой разубоженности и потерь руды были разработаны с использованием множественного линейного и нелинейного регрессионного анализа (MLRA и MNRA), а также метода искусственной нейронной сети (ANN) на основе 1 067 наборов данных, включавших десять факторов, влияющих на результаты, для трех подземных рудников Западной Австралии, разрабатываемых длинноскважинной системой. Модели были разработаны для отдельных рудников, а также в виде общей модели, включающей данные всех рудников. Для оценки методов использовали коэффициент корреляции (R); для общей модели значения R для MLRA, MNRA и ANN составили соответственно 0,419, 0,438 и 0,719. Поскольку применяемый в настоящее время метод прогнозирования неплановой разубоженности и потерь руды на исследованных рудниках давал значение R, равное 0,088, результаты, полученные с использованием модели ANN, представляют значительный интерес. Предложенная модель ANN может непосредственно применяться как практический инструмент для прогнозирования неплановой разубоженности и потерь руды на рудниках, что позволит не только повысить производительность, но и улучшить планирование и проектирование очистных камер.
Key Findings
1
Модели построены отдельно для каждой шахты и в виде общей модели, включающей данные всех трех шахт.
2
Модель ИНС значительно превзошла существующие результаты прогнозирования на исследованных шахтах, где коэффициент корреляции составлял лишь 0,088.
3
Общая модель искусственной нейронной сети достигла коэффициента корреляции 0,719, превзойдя множественную линейную регрессию (0,419) и множественную нелинейную регрессию (0,438).
4
Предложенная модель ИНС может использоваться как практический инструмент для повышения производительности, планирования и проектирования очистных камер.
5
Разработаны модели прогнозирования незапланированного разубоживания и потерь руды на основе 1067 наборов данных и десяти причинных факторов для трех шахт с длинноскважинной отбойкой в Западной Австралии.
Research Object
Незапланированное разубоживание и потери руды в подземных рудниках с длинноскважинной системой разработки
Research Subject
Прогнозирование незапланированного разубоживания и потерь руды на основе причинных факторов и сравнение моделей множественной регрессии и искусственной нейронной сети
Publication Details
Publication Date
2015-01-01
Journal
Publisher
ISSN
Cited by
34
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest