基于机器学习的采场稳定性预测及图解法优化研究

作     者：黄帅 

作者单位：中南大学 

学位级别：硕士

导师姓名：周健

授予年度：2023年

学科分类：081901[工学-采矿工程] 0819[工学-矿业工程] 08[工学] 081104[工学-模式识别与智能系统] 0811[工学-控制科学与工程] 

主      题：采场 稳定性预测 临界跨度图 稳定图 机器学习 

摘      要：确保采场稳定是矿山生产活动的前提,而准确可靠地预测采场结构稳定性向来是采矿领域内亟待攻克的重要课题。随着开采活动向深处发展,经典的预测工具需得到有效更新才能满足深地环境下更严苛的精度要求。以此为导向,本文开展了基于机器学习的采场稳定性预测及相关图解优化研究,如下:(1)结合以往文献,对准入式(Entry type)与禁入式(Non-entry type)采矿方法进行解释,明确采场失稳的诱发主因,为后续工作奠定理论基础。(2)基于当前版本临界跨度图解法的不足,引入RF算法加以改善。为确保所用数据集的有效性,分析其参数相关关系。为确保新引入模型的可靠性,应用三种元启发算法MVO、GWO、MFO调整RF的参数组合,并与多种机器学习模型进行对比,选择更优秀的预测模型。分析表明,MFO-RF的建模质量最优(测试精度=93%),相较于RF模型得到显著提升,且由MFO-RF导出的临界跨度图与样本点分布的吻合程度高于其余模型及以往分区结果,有潜力成为准入式采场稳定性预测的备选技术。(3)基于稳定图同样存在的问题,引进WOA-XGBoost算法开展禁入式采场的稳定性预测研究。利用测试精度达88.24%的模型,形成更为科学的稳定图解,且预测结果相较传统方法有所提升。(4)利用GP编程技术与Kriging插值思想,对第三章和第四章所得的预测结果进行验证并补充。通过融合logistic思想,输出的适用于准入式采场的三类GP预测式精度分别为89.47%、75.19%与93.23%,而适应于禁入式采场的稳定/非稳定类预测式精度为84.39%。借助Kriging方法,可对临界跨度图与稳定图进行插值更新,所得到的分类精度分别为93.23%,85.29%,且结合插值思想进一步定义了两个新亚类,解决图解使用时的边界问题。(5)搭建融合本研究核心成果的用户平台,实现准入式与禁入式采场稳定性的快速准确预测,并能基于新数据集实现图解的更新工作,为工程实践提供使用便捷的操作界面。图56幅,表23个,参考文献103篇