基于SVM的露天矿爆堆矿石质量预测研究

董成龙

（新疆地质矿产勘查开发局第十一地质大队，新疆昌吉831100）

基于SVM的露天矿爆堆矿石质量预测研究

董成龙

（新疆地质矿产勘查开发局第十一地质大队，新疆昌吉831100）

露天矿采场的矿石质量数据的准确程度是输出矿石能否均匀和稳定的前提和保证。根据台阶爆破的抛掷理论，利用支持向量机（SVM）预测露天矿采场爆堆的矿石质量，既可及时、准确地预测出爆堆矿石质量情况，又可减轻人工爆堆取样的劳动强度。

支持向量机；露天矿；爆堆；矿石质量；预测

露天矿矿石质量数据的准确程度直接影响着矿石质量的利用，关系到有用矿物开采及其加工产品质量的稳定性和均匀性，因此找到一种合理有效的露天矿爆堆矿石质量预测方法就显得尤为重要［1－2］。根据台阶爆破的抛掷理论，利用支持向量机算法借助Matlab软件建立露天矿爆堆矿石质量预测系统，为矿石质量管理工作提供了更为精确的基础数据，提高了矿石质量管理工作的效率。

1 SVM原理

支持向量机（Support Vector Machine，简称SVM）是在有限样本下，将实际问题通过非线性映射转换到高维的特征空间，在特征空间构造线性判别函数来实现原空间的非线性判别函数［3－4］。SVM以置信范围值最小化作为优化目标［3－5］，不同于BP神经网络等传统方法以训练误差最小化作为优化目标［6－9］。因此，SVM泛化能力［10］明显优于其他传统方法。

2 SVM预测爆堆矿石质量的原理与模型构建流程

2.1 爆堆矿石的抛掷理论

露天矿多排炮孔爆破后，爆破的矿石前后排层层覆盖，后排炮孔爆破的矿石依次覆盖在前排炮孔爆破的矿石上，各排炮孔爆破后的爆堆形成具有抛物线形的外轮廓线［11］，如图1。

由多排炮孔爆破矿石覆盖规律示意图看出，爆堆上某排质量控点A的矿石质量，是由叠加在该点上下的N层矿石决定的。而矿层的矿石质量在竖直方向上和对应的穿孔质量数据相同，即A点矿石质量是由叠加于其上的N层矿石质量决定的［2，11］。因此可以用爆区前N排钻孔全铁品位和爆后前冲区第一排质量控制点全铁品位分别作为SVM输入量和输出量，设计露天矿爆堆矿石质量预测模型，SVM预测模型构建流程如图2。构建流程主要包括样本选择、核函数及参数选择、模型训练、模型测试与评价。

图1 多排炮孔爆破矿石覆盖规律示意图Fig.1 Schematic diagram of pattern of ore burden in multi－row blasthole blasting

图2 SVM流程图Fig.2 Flow chart of SVM

2.2 SVM预测模型的样本选择

选取新疆某露天铁矿2012段09－3爆区前三排钻孔全铁品位作为训练和校验样本，爆后前冲区第一排质量控制点品位作为预报依据，将该爆区的35组样本分为训练样本和校验样本。分类的形式是随机抽取，随机抽取到的样本作为训练样本，共30组，如表1；未被抽取的作为校验样本，如表4。

2.3 SVM预测模型的核函数及参数选择

核函数及核函数参数g、惩罚参数C的选取是构建SVM模型关键［3，5］。惩罚参数C能够在模型的复杂度和训练误差之间取一个折中，以便使模型有较好的泛化能力。核函数参数g反映了训练样本数据的分布或范围特性，它确定了局部邻域的宽度。

常用的核函数有Sigmoid函数、多项式函数、径向基函数（RBF）［3－4］。分别用这三种核函数对选定样本进行训练校验，并进行泛化能力对比试验［4］，训练结果见表2。

根据泛化能力判断标准［10］，并结合上述训练结果表明：选取RBF函数作为SVM预测模型的核函数回归效果更理想。而且RBF核函数本身参数较少，容易进行参数寻优。因此，本文采用RBF函数作为SVM预测模型的核函数。

表1 训练样本Table 1 Training samples

表2 SVM算法不同核函数回归效果Table 2 Regression effect of different kernel function of SVM algorithm

2.4 预测模型的训练

首先通过粗略选择，确定参数的选择区间，如图3。粗略选择训练结果表明，核函数参数g在区间［2－6，23］内变化、惩罚参数C在区间［2－3，25］内变化时，模型准确度较高。然后采用n折交互检验，对确定区间内的参数进行精选，得到最优的参数组合：C＝0.965、g＝0.497 83。此时，交互检验均方差CVmse＝0.032 716，如图4所示。

根据图4的精选结果，利用得到的最佳参数进行SVM网格训练，并运行结果，得到原始数据与预测数据的对比结果，如图5所示，与BP神经网络预测模型的预测对比结果见表3。

表3 SVM模型与BP神经网络预测数据对比Table 3 Comparison of predicted data of SVM model and BP Neural Network

从表3、图5可以看出，建立的SVM模型预测结果较BP神经网络模型的相对误差更小，精度更高，拟合优度更好，因此基于SVM的露天矿爆堆矿石质量预测模型有更好的推广能力。

图3 粗选结果3D图Fig.3 3Ddiagram of rough selection results

图4 精选结果3D图Fig.4 3Ddiagram of precise selection results

图5 原始数据和预测数据对比Fig.5 Correlation of original and predicted data

3 预测模型的测试与评价

将表4校验数据代入已经训练好的SVM预测模型，预测值、相对误差如表4所示。经过预测和实测数据比较，最大误差为2.76%，最小误差为1.25%，平均误差为2.35%，误差很小，表明经过训练的SVM预测模型具有97.24%的预测精度。因此采用SVM来预测露天矿爆堆矿石质量，可靠性较高、实用意义明显。

表4 校验样本的预测数据与相对误差Table 4 Predicted data and relative error of verified sample

4 结论

1）将爆区前三排钻孔全铁品位作为训练和校验样本，爆后前冲区第一排质量控制点全铁品位作为预报依据，建立的SVM爆堆矿石质量预测模型，预测精度高达97.24%。

2）基于SVM算法建立的爆堆矿石质量预测模型与BP神经网络预测模型对比显示，SVM预测模型的平均误差更小、精度更高、拟合优度更好。

3）基于SVM算法建立的爆堆矿石质量预测模型，简捷明快，实用性强，预测精度高，值得在露天矿爆堆矿石质量预测中推广应用。

［1］张树泉，王娟.地质统计学在平坝山石灰石矿均化开采中的应用［J］.有色金属（矿山部分），2007，59（1）：3－7.

［2］郝金明，段军，杨万根.露天矿爆堆矿石质量分布规律的研究［J］.金属矿山，1995（1）：17－21，55.

［3］温廷新，张波.露天煤矿边坡稳定性预测的PSO－LSSVM模型［J］.有色金属（矿山部分），2014，66（1）：51－56.

［4］Smola A J.Regression estimation with support vector learning machines［D］.München：Technische Universitot München，1996.

［5］方瑞明.支持向量机理论及其应用分析［M］.北京：中国电力出版社，2007.

［6］江龙艳.基于PSO—BP神经网络的边坡稳定性模型研究［J］.有色金属（矿山部分），2013，65（6）：53－57.

［7］王金海，杨鹏，郭良银，等.基于ANFIS模型的充填体抗压强度预测研究［J］.有色金属（矿山部分），2014，66（5）：27－29.

［8］夏梦会，董香山，张力民，等.神经网络模型在爆破震动强度预测中的应用研究［J］.有色金属（矿山部分），2004，56（3）：25－27.

［9］盛建龙，熊绵国.基于灰色—BP神经网络组合模型的边坡稳定性预报方法［J］.有色金属（矿山部分），2012，64（4）：71－73，82.

［10］Mangasarian O L，Musicant D R.Lagrangian Support Vector Machines［J］.Journal of Machine Learning Research，2001：161－177.

［11］杨彪.露天矿开采境界动态优化研究及应用［D］.长沙：中南大学，2011.

Study on predicting the ore quality of blasting muckpile in open pit mine based on SVM

DONG Chenglong
（No.11Geological Party，Bureau of Geology and Mineral Exploration and Development of Xinjiang，Changji Xinjiang 831100，China）

The precision of ore quality in open pit mine is the precondition and guarantee of the evenness and stability of output ore.Based on the throwing theory of bench blasting and using the Support Vector Machine（SVM）to forecast the ore quality of blasting muckpile in open pit mine，the result not only can nicely predict the quality distribution of blasted ore piles in time，but also lighten the labor intensity of manual blasting muckpile sampling.

SVM；open pit mine；blasting muckpile；ore quality；prediction

TD235.1

Α

1671－4172（2015）02－0097－03

10.3969/j.issn.1671－4172.2015.02.022

董成龙（1986－），男，助理工程师，采矿工程专业，主要从事采矿设计与施工工作。