基于SVM的露天礦爆堆礦石質(zhì)量預測研究

董成龍

（新疆地質(zhì)礦產(chǎn)勘查開發(fā)局第十一地質(zhì)大隊，新疆昌吉831100）

基于SVM的露天礦爆堆礦石質(zhì)量預測研究

董成龍

（新疆地質(zhì)礦產(chǎn)勘查開發(fā)局第十一地質(zhì)大隊，新疆昌吉831100）

露天礦采場的礦石質(zhì)量數(shù)據(jù)的準確程度是輸出礦石能否均勻和穩(wěn)定的前提和保證。根據(jù)臺階爆破的拋擲理論，利用支持向量機（SVM）預測露天礦采場爆堆的礦石質(zhì)量，既可及時、準確地預測出爆堆礦石質(zhì)量情況，又可減輕人工爆堆取樣的勞動強度。

支持向量機；露天礦；爆堆；礦石質(zhì)量；預測

露天礦礦石質(zhì)量數(shù)據(jù)的準確程度直接影響著礦石質(zhì)量的利用，關系到有用礦物開采及其加工產(chǎn)品質(zhì)量的穩(wěn)定性和均勻性，因此找到一種合理有效的露天礦爆堆礦石質(zhì)量預測方法就顯得尤為重要［1－2］。根據(jù)臺階爆破的拋擲理論，利用支持向量機算法借助Matlab軟件建立露天礦爆堆礦石質(zhì)量預測系統(tǒng)，為礦石質(zhì)量管理工作提供了更為精確的基礎數(shù)據(jù)，提高了礦石質(zhì)量管理工作的效率。

1 SVM原理

支持向量機（Support Vector Machine，簡稱SVM）是在有限樣本下，將實際問題通過非線性映射轉換到高維的特征空間，在特征空間構造線性判別函數(shù)來實現(xiàn)原空間的非線性判別函數(shù)［3－4］。SVM以置信范圍值最小化作為優(yōu)化目標［3－5］，不同于BP神經(jīng)網(wǎng)絡等傳統(tǒng)方法以訓練誤差最小化作為優(yōu)化目標［6－9］。因此，SVM泛化能力［10］明顯優(yōu)于其他傳統(tǒng)方法。

2 SVM預測爆堆礦石質(zhì)量的原理與模型構建流程

2.1 爆堆礦石的拋擲理論

露天礦多排炮孔爆破后，爆破的礦石前后排層層覆蓋，后排炮孔爆破的礦石依次覆蓋在前排炮孔爆破的礦石上，各排炮孔爆破后的爆堆形成具有拋物線形的外輪廓線［11］，如圖1。

由多排炮孔爆破礦石覆蓋規(guī)律示意圖看出，爆堆上某排質(zhì)量控點A的礦石質(zhì)量，是由疊加在該點上下的N層礦石決定的。而礦層的礦石質(zhì)量在豎直方向上和對應的穿孔質(zhì)量數(shù)據(jù)相同，即A點礦石質(zhì)量是由疊加于其上的N層礦石質(zhì)量決定的［2，11］。因此可以用爆區(qū)前N排鉆孔全鐵品位和爆后前沖區(qū)第一排質(zhì)量控制點全鐵品位分別作為SVM輸入量和輸出量，設計露天礦爆堆礦石質(zhì)量預測模型，SVM預測模型構建流程如圖2。構建流程主要包括樣本選擇、核函數(shù)及參數(shù)選擇、模型訓練、模型測試與評價。

圖1 多排炮孔爆破礦石覆蓋規(guī)律示意圖Fig.1 Schematic diagram of pattern of ore burden in multi－row blasthole blasting

圖2 SVM流程圖Fig.2 Flow chart of SVM

2.2 SVM預測模型的樣本選擇

選取新疆某露天鐵礦2012段09－3爆區(qū)前三排鉆孔全鐵品位作為訓練和校驗樣本，爆后前沖區(qū)第一排質(zhì)量控制點品位作為預報依據(jù)，將該爆區(qū)的35組樣本分為訓練樣本和校驗樣本。分類的形式是隨機抽取，隨機抽取到的樣本作為訓練樣本，共30組，如表1；未被抽取的作為校驗樣本，如表4。

2.3 SVM預測模型的核函數(shù)及參數(shù)選擇

核函數(shù)及核函數(shù)參數(shù)g、懲罰參數(shù)C的選取是構建SVM模型關鍵［3，5］。懲罰參數(shù)C能夠在模型的復雜度和訓練誤差之間取一個折中，以便使模型有較好的泛化能力。核函數(shù)參數(shù)g反映了訓練樣本數(shù)據(jù)的分布或范圍特性，它確定了局部鄰域的寬度。

常用的核函數(shù)有Sigmoid函數(shù)、多項式函數(shù)、徑向基函數(shù)（RBF）［3－4］。分別用這三種核函數(shù)對選定樣本進行訓練校驗，并進行泛化能力對比試驗［4］，訓練結果見表2。

根據(jù)泛化能力判斷標準［10］，并結合上述訓練結果表明：選取RBF函數(shù)作為SVM預測模型的核函數(shù)回歸效果更理想。而且RBF核函數(shù)本身參數(shù)較少，容易進行參數(shù)尋優(yōu)。因此，本文采用RBF函數(shù)作為SVM預測模型的核函數(shù)。

表1 訓練樣本Table 1 Training samples

表2 SVM算法不同核函數(shù)回歸效果Table 2 Regression effect of different kernel function of SVM algorithm

2.4 預測模型的訓練

首先通過粗略選擇，確定參數(shù)的選擇區(qū)間，如圖3。粗略選擇訓練結果表明，核函數(shù)參數(shù)g在區(qū)間［2－6，23］內(nèi)變化、懲罰參數(shù)C在區(qū)間［2－3，25］內(nèi)變化時，模型準確度較高。然后采用n折交互檢驗，對確定區(qū)間內(nèi)的參數(shù)進行精選，得到最優(yōu)的參數(shù)組合：C＝0.965、g＝0.497 83。此時，交互檢驗均方差CVmse＝0.032 716，如圖4所示。

根據(jù)圖4的精選結果，利用得到的最佳參數(shù)進行SVM網(wǎng)格訓練，并運行結果，得到原始數(shù)據(jù)與預測數(shù)據(jù)的對比結果，如圖5所示，與BP神經(jīng)網(wǎng)絡預測模型的預測對比結果見表3。

表3 SVM模型與BP神經(jīng)網(wǎng)絡預測數(shù)據(jù)對比Table 3 Comparison of predicted data of SVM model and BP Neural Network

從表3、圖5可以看出，建立的SVM模型預測結果較BP神經(jīng)網(wǎng)絡模型的相對誤差更小，精度更高，擬合優(yōu)度更好，因此基于SVM的露天礦爆堆礦石質(zhì)量預測模型有更好的推廣能力。

圖3 粗選結果3D圖Fig.3 3Ddiagram of rough selection results

圖4 精選結果3D圖Fig.4 3Ddiagram of precise selection results

圖5 原始數(shù)據(jù)和預測數(shù)據(jù)對比Fig.5 Correlation of original and predicted data

3 預測模型的測試與評價

將表4校驗數(shù)據(jù)代入已經(jīng)訓練好的SVM預測模型，預測值、相對誤差如表4所示。經(jīng)過預測和實測數(shù)據(jù)比較，最大誤差為2.76%，最小誤差為1.25%，平均誤差為2.35%，誤差很小，表明經(jīng)過訓練的SVM預測模型具有97.24%的預測精度。因此采用SVM來預測露天礦爆堆礦石質(zhì)量，可靠性較高、實用意義明顯。

表4 校驗樣本的預測數(shù)據(jù)與相對誤差Table 4 Predicted data and relative error of verified sample

4 結論

1）將爆區(qū)前三排鉆孔全鐵品位作為訓練和校驗樣本，爆后前沖區(qū)第一排質(zhì)量控制點全鐵品位作為預報依據(jù)，建立的SVM爆堆礦石質(zhì)量預測模型，預測精度高達97.24%。

2）基于SVM算法建立的爆堆礦石質(zhì)量預測模型與BP神經(jīng)網(wǎng)絡預測模型對比顯示，SVM預測模型的平均誤差更小、精度更高、擬合優(yōu)度更好。

3）基于SVM算法建立的爆堆礦石質(zhì)量預測模型，簡捷明快，實用性強，預測精度高，值得在露天礦爆堆礦石質(zhì)量預測中推廣應用。

［1］張樹泉，王娟.地質(zhì)統(tǒng)計學在平壩山石灰石礦均化開采中的應用［J］.有色金屬（礦山部分），2007，59（1）：3－7.

［2］郝金明，段軍，楊萬根.露天礦爆堆礦石質(zhì)量分布規(guī)律的研究［J］.金屬礦山，1995（1）：17－21，55.

［3］溫廷新，張波.露天煤礦邊坡穩(wěn)定性預測的PSO－LSSVM模型［J］.有色金屬（礦山部分），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.支持向量機理論及其應用分析［M］.北京：中國電力出版社，2007.

［6］江龍艷.基于PSO—BP神經(jīng)網(wǎng)絡的邊坡穩(wěn)定性模型研究［J］.有色金屬（礦山部分），2013，65（6）：53－57.

［7］王金海，楊鵬，郭良銀，等.基于ANFIS模型的充填體抗壓強度預測研究［J］.有色金屬（礦山部分），2014，66（5）：27－29.

［8］夏夢會，董香山，張力民，等.神經(jīng)網(wǎng)絡模型在爆破震動強度預測中的應用研究［J］.有色金屬（礦山部分），2004，56（3）：25－27.

［9］盛建龍，熊綿國.基于灰色—BP神經(jīng)網(wǎng)絡組合模型的邊坡穩(wěn)定性預報方法［J］.有色金屬（礦山部分），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］楊彪.露天礦開采境界動態(tài)優(yōu)化研究及應用［D］.長沙：中南大學，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

董成龍（1986－），男，助理工程師，采礦工程專業(yè)，主要從事采礦設計與施工工作。