张研 吴哲康
摘 要:为解决露天矿山爆破开采过程中岩石爆破粒径大小难以获取的问题,提出一种基于主成分分析法(PCA)及相关向量机(RVM)相结合的矿山岩石爆破粒径预测模型.该模型利用PCA对样本数据进行降维处理,选取出4个相互独立的主成分变量,并借助RVM构建主成分与爆破粒径之间的非线性映射关系,从而建立预测模型.将该模型应用于工程实例,并与BP神经网络和LM双隐含层模型进行对比.结果表明,在相同学习样本下,PCARVM 模型预测结果与实际值更加接近,在平均相对误差和均方差上远小于另两种模型.
关 键 词:露天矿山;主成分分析;相关向量机;爆破;岩石粒径;降维处理;非线性映射;预测模型
中图分类号:TD235 文献标志码:A 文章编号:1000-1646(2023)02-0229-06
由于城市建设和发展,目前我国对矿产资源的需求日益增长,如何高效、经济地进行露天矿爆破开采成为关键问题[1].矿山爆破活动后形成的岩石爆破粒径大小一直是露天矿开采工作中的重要控制指标,合适的岩石爆破粒径不仅有利于矿岩物的采装及运输,减小了二次爆破的几率,而且加快了矿山开采进度,降低了施工成本[2].因此,准确掌握岩石爆破粒径大小成为了露天矿山开采工作的重点.为精确获得矿山爆破活动后的岩石粒径数据,众多学者对此展开了相关研究,国外学者通过经验公式,建立了岩石爆破粒径的数学模型,如Peleg[3]建立了以RosinRammler命名的经验公式,对爆破料堆粒径进行相关研究;Ouchterlony[4]建立了以尺寸分布函数为基础的KCO模型,该模型可适用于细粒径爆破岩块,且预测精度較高.然而,基于经验公式所建立的数学模型存在计算耗时长、适用范围局限等不足.因此,有必要寻找一种更为合理、高效、准确的方法来解决岩石爆破粒径获取问题.