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
Youhei Kawamura, Hyongdoo Jang, Erkan Topal, Yoshihito Kawamura
2015-01-01

искусственная нейронная сетьдлинноскважинная камерная выемкамножественный регрессионный анализпрогнозирование потерь рудынепланируемое разубоживание
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.
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.

Незапланированное разубоживание и потери руды в подземных рудниках с длинноскважинной системой разработки

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
Access Type
Author Information
Authors
Youhei Kawamura
Hyongdoo Jang
Erkan Topal
Yoshihito Kawamura
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%