基于PSO-XGBoost的露天矿山PPV预测模型研究

作     者：李振阳 张宝岗 熊信 杨承业 白玉奇 LI Zhenyang;ZHANG Baogang;XIONG Xin;YANG Chengye;BAI Yuqi

作者机构：北京奥信化工科技发展有限责任公司北京100040 中南大学资源与安全工程学院湖南长沙410083 

出 版 物：《黄金科学技术》 (Gold Science and Technology)

年 卷 期：2024年第32卷第4期

页      面：620-630页

学科分类：081901[工学-采矿工程] 0819[工学-矿业工程] 08[工学] 

基　　金：中南大学研究生自主探索创新项目“矿山多装备智能体协同调度优化及孪生仿真研究”(编号:1053320220742)资助 

主　　题：露天矿山 混合优化算法 机器学习 爆破振动 回归分析 

摘      要：爆破振动的质点峰值速度(Peak Particle Velocity,PPV)是评估爆破开采设计参数合理性的重要指标。为实现一种PPV有效预测模型,借助粒子群优化算法(Particle Swarm Optimization,PSO),结合优化极端梯度提升树(Extreme gradient boosting,XGBoost),构建了一种参数自优化的PSO-XGBoost预测模型。以LK露天铜钴矿为研究对象,选取最大单段炸药量、总炸药量、测量的爆心距、炮孔平均进深尺度和高程差共5个影响因素指标作为研究参数,通过现场收集187次爆破作业实测数据,进一步开展PPV的PSO-XGBoost预测研究,并与传统XGBoost模型、SSA-XGBoost优化模型及萨道夫斯基经验公式的PPV回归预测进行对比分析,最后利用Shapley Additive Explanatory(SHAP)方法开展影响PPV预测结果的敏感性因素分析。结果表明:PSO-XGBoost预测模型的预测评价指标计算结果最优(R^(2)=0.921,RMSE=0.0752,MAE=0.0717,MBE=0.0683),其对PPV的预测结果明显优于传统XGBoost模型、SSA-XGBoost混合优化模型及萨道夫斯基经验公式,同时,敏感性分析得到总炸药用量是影响PPV预测结果的重要参数。进一步说明PSO-XGBoost预测模型可处理多因素的非线性特征,利用PSO-XGBoost预测模型能够更好地结合非线性、离散数据,建立一种可靠、简单有效的PPV预测模型。研究结果可为露天矿山爆破振动快速预测提供参考。