全尾砂充填体正交-BP 神经网络强度预测-矿业114网 
首页 >> 文献频道 >> 矿业论文 >> 正文
全尾砂充填体正交-BP 神经网络强度预测
2016-01-12
某矿山采用全尾砂胶结充填,需加入减水剂以保证充填料浆流动性能,其充填体强度各影响因素之间 存在着更为复杂的化学物理作用。为了解各因素对充填体强度的影响规律,准确预测其强度,建立了基于正交试验 的BP 神经网络全尾砂胶结充填体强度预测模型。预测过程中,为提高样本可信度,以料浆浓度、灰砂比、减水剂比例 为影响因素,设计了3 因素、4 水平正交试验方案作为研究数据基础。采用灰色关联度理论分析了各因素对全尾砂充 填体强度的影响规律,结果表明:对充填体早期强度(7 d)影响最大的是料浆质量浓度,其次为灰砂比、减水剂比例,对 充填体后期强度(28 d)影响最大的是灰砂比,其次为料浆浓度、减水剂。以7 d、...
Series No. 475 ꢀ Januaryꢀ 2016 金ꢀ ꢀ 属ꢀ ꢀ 矿ꢀ ꢀ 山ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ 总第 475期 METAL MINE 2016 年第 1 期 ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ 全尾砂充填体正交ꢁBP 神经网络强度预测 1 2 2 2 刘恒亮 ꢀ 张钦礼 ꢀ 王新民 ꢀ 肖崇春 ( 1. 新桥硫铁矿,安徽 铜陵 244132; 2. 中南大学资源与安全工程学院,湖南 长沙 410083) 摘ꢀ 要ꢀ 某矿山采用全尾砂胶结充填,需加入减水剂以保证充填料浆流动性能,其充填体强度各影响因素之间 存在着更为复杂的化学物理作用。 为了解各因素对充填体强度的影响规律,准确预测其强度,建立了基于正交试验 的 BP 神经网络全尾砂胶结充填体强度预测模型。 预测过程中,为提高样本可信度,以料浆浓度、灰砂比、减水剂比例 为影响因素,设计了 3 因素、4 水平正交试验方案作为研究数据基础。 采用灰色关联度理论分析了各因素对全尾砂充 填体强度的影响规律,结果表明:对充填体早期强度(7 d)影响最大的是料浆质量浓度,其次为灰砂比、减水剂比例,对 充填体后期强度(28 d)影响最大的是灰砂比,其次为料浆浓度、减水剂。 以 7 d、28 d 强度为输出因子,运用 BP 神经 网络对充填体强度进行预测,预测结果与试验结果最大误差为 9. 98% ,平均误差为 2. 71% ,精度较高,预测可靠性强, 具有较好的工程应用价值。 关键词ꢀ 全尾砂ꢀ 减水剂ꢀ 正交试验ꢀ 胶结充填体ꢀ 强度预测 ꢀ ꢀ 中图分类号ꢀ TD853ꢀ ꢀ ꢀ 文献标志码ꢀ Aꢀ ꢀ ꢀ 文章编号ꢀ 1001-1250(2016)-01-047-04 Strength Prediction of Unclassified Tailing Backfilling Based on Orthogonal-BP Neural Network 1 2 2 2 Liu Hengliang ꢀ Zhang Qinli ꢀ Wan Xinmin ꢀ Xiao Chongchun ( 1. Xinqiao Pyrite Mine,Tongling 244132,China; 2 . School of Resources and Safety Engineering,Central South University,Changsha 410083,China) Abstractꢀ With the application of the unclassified tailing cemented filling in a mine,the water reducing agent is added to ensure the flow property of filling slurry. There exists more complex chemical-physical effect among various influencing factors of filling body strength. In order to grasp the effect law of various factors on the strength of filling body,and predict its strength accurately,the backfilling strength of cementing filling body prediction model is set up based on the BP neural network of or- thogonal experiment. In the forecasting process,three factors and four levels orthogonal experiment scheme is designed as the research data base,considering slurry concentration,cement-sand ratio,water reducing agent adding proportion as the influen- cing factors,to improve the sample scientific credibility. The grey relational theory is used to analyze the effect law of every fac- tors on the backfilling filling body:the biggest impact on the early strength of filling body (7 d) is slurry concentration,fol- lowed by cement-sand ratio,water reducing agent proportion. The late strength of filling body (28 d) is most affected by ce- ment-sand ratio,then followed by slurry concentration,water reducing agent proportion. For purpose of predicting the strength of the backfilling filling body exactly,it regards 7 d,28 d strength as the output factor,and adopts BP neural network,and as a re- sult the maximum relative error is 9. 98% ,the average relative error is 2. 71% ,which meets the requirements of filling body strength prediction,and has a good application value to the project. Keywordsꢀ Unclassified tailing,Water reducing agent,Orthogonal experiment,Backfilling filling body,Srength prediction [1] 长远的破坏 。 对于这两大难题,业内学者如于润 [2] [3] 沧院士 ,焦华喆等 普遍认为对井下采空区进行 全尾砂胶结充填是理想的解决方案,是采矿技术未来 的发展趋势。 ꢀ ꢀ 随着我国经济的高速发展和资源的大量消耗,矿 业主要面临着资源开采的深部化和地表尾矿的灾害 化两大难题。 深部开采面临地压增大的情况,严重时 甚至产生破坏性极大的岩爆;而全尾砂直接排放到地 表不仅会占用大量的地表空间,更会给生态环境造成 对于全尾砂胶结充填来说,充填体强度是评判充 填质量好坏的一个重要指标。 一般通过实验室全面 收稿日期ꢀ 2015-11-17 基金项目ꢀ “十二五”国家科技支撑计划项目(编号:2012BAC09B02)。 作者简介ꢀ 刘恒亮(—),男,总工程师,高级工程师。 通讯作者ꢀ 张钦礼(1964—),男,教授,博士研究生导师。 · 47· 总第 475 期ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ 金ꢀ ꢀ 属ꢀ ꢀ 矿ꢀ ꢀ 山ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ 2016 年第 1 期 配比试验,测得不同配比参数下的充填体强度,进而 推荐满足采矿方法强度要求的配比参数,但全面试验 工作量大,且容易受人为操作等因素干扰,在实际生 产应用中具有一定的局限性。 为减少试验次数,推荐 满足不同充填充强度要求配比参数,近年来,业内学 者对于充填体强度预测进行了多方面研究,提出了回 表 1ꢀ 正交试验因素水平安排 Table 1ꢀ Factors and levels of orthogonal experiments 各因素取值 水平 A/ % 68 B C / % 0 1 2 3 4 1 ∶ 4 1 ∶ 6 1 ∶ 8 1 ∶ 10 70 0. 4 0. 8 1. 2 72 [ 4] [5] 归分析 、神经网络预测 等强度预测方法,取得了 一定的成果。 某矿研究采用全尾砂胶结充填,因其全 尾砂细粒级颗粒含量大、渗透系数小,导致充填料浆 的流动性能差,因此,需要加入减水剂以改善充填料 浆的流动性能、降低井下充填料浆的泌水率。。 相比 于传统的分级尾砂胶结充填,全尾砂充填体因其物化 性质的特殊性,导致其强度各影响因素之间存在着更 为复杂的化学物理作用,而回归分析法中回归函数的 选取主要以经验为主、科学性不足,导致预测结果偏 74 表 2ꢀ 正交试验结果 Table 2ꢀ The data of orthogonal experiments 试验 序号 各因素水平 试验结果/ MPa A 1 1 1 1 2 2 2 2 3 3 3 3 4 4 4 4 B C 1 2 3 4 2 1 4 3 3 4 1 2 4 3 2 1 σ(7 d) 1. 21 0. 55 0. 42 0. 36 1. 61 0. 87 0. 52 0. 37 2. 10 0. 91 0. 94 0. 46 2. 41 1. 45 1. 05 0. 67 σ(28 d) 3. 23 1. 12 0. 96 0. 69 3. 57 1. 77 1. 13 0. 71 4. 91 2. 20 1. 43 1. 02 6. 61 2. 36 1. 76 1. 20 1 2 3 4 5 6 7 8 9 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 [ 6] 差较大 ,难以满足全尾砂胶结充填体强度预测的 精度要求。 因此,本研究针对全尾砂充填料浆的实际情况, [ 7] 设计采用正交试验 以科学合理地安排与分析多影 1 1 0 1 [ 8] 响因素试验,并利用灰色关联度理论 探究各因素 对充填体的影响程度,在此基础上,建立基于正交试 验的 BP 神经网络全尾砂充填体强度预测模型,对全 尾砂充填体的强度进行预测,结果表明:预测结果与 实测值误差较小,可以满足强度预测的精度要求。 12 1 1 1 1 3 4 5 6 1 ꢀ 充填配比正交试验设计 正交试验以概率论、数理统计和实践经验为基 ꢀ ꢀ 注:σ(7 d)、σ(28 d)分别为全尾砂胶结充填体 7 d 和28 d 抗压强 度值。 础,根据正交性从全面试验中挑选出部分有代表性的 点进行试验,是研究多因素多水平的一种经济高效的 设计方法。 关系的大小、强弱和次序。 一般来说若关联度≥0. 8, 认为关联度很好;介于 0. 6 与 0. 8 之间关联度较好; 小于 0. 5 时,认为基本不相关。 充填料浆一般由充填骨料、胶凝材料和水 3 部分 搅拌而成。 本试验采用某矿选厂全尾砂,其粒径组成 中 0. 075 ~ 0. 005 mm 的颗粒占 54. 6% ,但中值粒径 仅为 0. 062 mm,属于细粒级全尾砂;胶凝材料选用普 ( 1)确定分析序列:以充填体抗压强度(x0 )为母 序列,以充填料浆质量浓度(x1 )、灰砂比(x2 )、减水 剂比例(x3 )3 个影响因素为子序列。 建立母序列和 子序列计算矩阵 # 通 32. 5 硅酸盐水泥;此外,为改善充填料浆流动性 [ x0 ,x1 ,x2 ,x3 ] = 能,采用减水剂作为外加剂。 根据该矿情况,以料浆 浓度、灰砂比和减水剂比例作为影响因素(依次为因 素 A、B、C),遵循均衡试验的原则,将各个因素水平 控制在最优范围内,每个因素选取 4 个试验水平,设 计了 3 因素、4 水平正交试验方案(表 1),试验结果 如表 2 所示。 é x0(1) x1(1) x2(1) x3(1) ù x0(2) x1(2) x2(2) x3(2) ︙ ︙ ︙ ︙ x0(16) x1(16) x2(16) x3(16) ë û ꢀ ꢀ (2)数据无量纲化处理:对结果数据进行均值化 2 ꢀ 灰色关联度分析 法无量纲化处理: 由于概况全尾砂细泥含量较大,充填料浆中加入 xi(k) m xi(k) = (i = 1,2,3;k = 1,2,…,16). 减水剂,各因素对于强度的影响程度不能仅依靠传统 经验进行判断。 灰色关联度分析是一种多因素的统 计分析法,主要通过计算灰色关联度来表示因素之间 1 m ∑ i x (k) k = 1 ꢀ ꢀ (3)计算关联度系数: · 48· ꢀ ꢀ ꢀ 刘恒亮等:全尾砂充填体正交ꢁBP 神经网络强度预测ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ 2016 年第 1 期 miin(Δi(min)) + 0. 5 miax(Δi(max)) x0(k) - xi(k) + 0. 5 miax(Δi(max)). 测的关键之一,节点数设置太多会导致学习时间过长 甚至不能收敛,而节点数设置太少,BP 神经网络计算 结果误差偏大。 本研究通过对比分析不同节点个数 的网络性能,决定采用 3ꢁ7ꢁ2 型的 BP 网络结构(图 ξi(k) = 其中, miin(Δi(min)) = miin(mkin x0(k) - xi(k) ); miax(Δi(max)) = miax(mkax x0(k) - xi(k) ); 1 ),结果表明能够很好地满足实际的需要。 ξi(k) 是第 k 个时刻比较曲线 xi 与参考曲线 x0 的相 对差值,它称为 xi 对 x0 在 k 时刻的关联系数;0. 5 是 分辨系数。 ( 4)计算关联度: m ri = 1 ∑ξi(k). m k = 1 ꢀ ꢀ 按照上述步骤对试验结果(表 2) 进行关联度计 图 1ꢀ BP 网络结构模型 算,分别得出 7 d 和 28 d 充填体强度与料浆质量浓 度、灰砂比、减水剂比例 3 个影响因素的关联度及关 Fig. 1ꢀ Model of BP network structure 神经网络计算前需要对所有样本数据进行归一 联度排序,如表 3 所示。 化处理,以消除各维数据间数量级差异,同样地,在输 出预测结果时,要对结果数据进行反归一化处理。 BP 神经网络训练计算的步数如图 2 所示,整个算法 流程如图 3 所示。 表 3ꢀ 灰色关联度计算结果 Table 3ꢀ Results of grey relational analysis 对 7 d 强度 对 28 d 强度 影响因素 质量 浓度 减水剂 比ꢀ 例 质量 浓度 减水剂 比ꢀ 例 灰砂比 灰砂比 关联度 0. 666 6 0. 659 8 0. 578 3 0. 686 7 0. 813 5 0. 589 关联排序 1 2 3 2 1 3 ꢀ ꢀ 由表 3,结合灰色关联度理论可得:对充填体早 期强度(7 d)影响最大的是料浆质量浓度,灰砂比即 水泥含量影响次之,两者相差不大。 对充填体后期强 度(28 d)影响最大的是料浆灰砂比,质量浓度次之。 虽然增加水泥的掺量能够提供充填体的强度,但充填 成本亦高,因此,应尽量提高充填料浆的质量浓度,这 样不仅可以提高充填体的强度,还可以降低充填成 本。 图 2ꢀ 训练步数 Fig. 2ꢀ Training steps 3 ꢀ 充填体强度预测 BP(Back Propagation)神经网络是一种按误差逆 传播算法训练的多层前馈网络,是目前应用最广泛的 神经网络模型之一。 BP 网络能学习和存贮大量的输 入—输出模式映射关系,而无需事前揭示描述这种映 射关系的数学方程。 它的学习规则是使用最速下降 法,通过反向传播来不断调整网络的权值和阈值,使 网络的误差平方和最小。 BP 神经网络模型拓扑结构 主要包括输入层(input)、隐含层(hidden layer) 和输 图 3ꢀ 算法流程 Fig. 3ꢀ Flow chart of arithmetic 3 . 2ꢀ 充填体强度的预测 训练样本随机选取表 2 中的 12 组数据,剩余的 组数据作为测试样本,采用 Matlab 软件提供的 BP 4 神经网络工具箱进行计算分析,BP 神经网络的预测 结果如表 4 所示。 [ 9-11] 出层(output layer) . 1ꢀ 网络模型的选取 以充填料浆质量浓度、灰砂比、减水剂比例 3 个 。 3 从表 4 中可以看出预测结果与试验结果最大误 差为 9. 98% ,平均误差为 2. 71% ,精度较高,预测可 靠性强,对于该矿全尾砂胶结充填体强度预测具有一 定的应用价值。 因素作为网络输入因子,全尾砂胶结充填体 7 d 抗压 强度和 28 d 抗压强度作为网络输出因子,建立 BP 神 经网络。 隐含层节点个数的选取是 BP 神经网络预 · 49· 总第 475 期ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ 金ꢀ ꢀ 属ꢀ ꢀ 矿ꢀ ꢀ 山ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ 2016 年第 1 期 表 4ꢀ 充填体强度预测结果 充填体强度预测及评价[ J]. 采矿与安全工程学报,2012,29 5):714-718. ( Table 4ꢀ Prediction results of the filling body strength Han Bin,Wang Xianlai,Xiao Weiguo,et al. Estimation and evalua- tion of backfill strength in underground stope based on multivariate nonlinear regression analysis[ J]. Journal of Mining & Safety Engi- neering,012,29(5):714-718. 对 7 d 强度 对 28 d 强度 样本 编号 试验值 MPa 预测值 相对误差 试验值 / MPa 预测值 相对误差 / MPa / / % / MPa / % 2 6 0. 55 0. 87 0. 91 1. 45 0. 587 6. 679 1. 12 1. 232 9. 983 0. 798 0. 916 1. 45 8. 266 0. 659 0. 003 1. 77 2. 2 1. 813 2. 312 2. 35 2. 422 5. 096 0. 415 [ 5]ꢀ 张钦礼,李谢平,杨ꢀ 伟,等. 基于 BP 网络的某矿山充填料浆配 比优化[ J]. 中南大学学报:自然科学版,2013,44 (7):2868- 1 1 0 4 2. 36 2874. Zhang Qinli,Li Xieping,Yang Wei,et al. Optimization of filling slur- ry ratio in a mine based on back-propagation neural network[ J]. Journal of Central South University:Science and Technology,2013, 4 ꢀ 结ꢀ 论 ( 1)以料浆浓度、灰砂比、减水剂比例为影响因 素,设计全尾砂胶结充填正交配比试验方案,大幅减 少了试验次数,为后续研究提供了科学的数据基础。 4 4(7):2868-2874. [ [ [ 6]ꢀ 常庆粮,周华强,秦剑云,等. 膏体充填材料配比的神经网络预 测研究[J]. 采矿与安全工程学报,2009,26(1):74-77. ( 2)对影响充填体强度的 3 个因素进行灰色关 联度分析,得出对充填体早期强度(7 d)影响最大的 是料浆质量浓度,其次为灰砂比、减水剂比例,对充填 体后期强度(28 d)影响最大的是灰砂比,其次为料浆 浓度、减水剂。 Chang Qingliang,Zhou Huaqiang,Qin Jianyun,et al. Using artificial neural network model to determine the prescription of paste filling materials[J]. Journal of Mining & Safety Engineering,2009,26(1): 7 4-77. 7]ꢀ 邓代强,高永涛,吴顺川,等. 水泥ꢁ分级尾砂充填材料正交实验 多元分析[J]. 山东科技大学学报,2010,29(1):48-57. Deng Daiqiang,Gao Yongtao,Wu Shunchuan,et al. The multivariate analysis of cement classified tailings filling material with orthogonal experiment[J]. Journal of Shandong University of Science and Tech- nology,2010,29(1):48-57. ( 3)建立全尾砂充填体强度的 BP 神经网络预测 模型,计算结果表明:预测结果与试验结果最大误差 为 9. 98% ,平均误差为 2. 71% ,精度较高,预测可靠 性强,对于该矿全尾砂胶结充填体强度预测具有一定 的应用价值。 8]ꢀ 姚志全,张钦礼,王新民. 采场作业环境安全灰色评价及应用 [ J]. 中国安全生产科学技术,2009,5(2):40-44. 参ꢀ 考ꢀ 文ꢀ 献 Yao Zhiquan, Zhang Qinli, Wang Xinmin. Safety grey interrelated comprehensive evaluation for working environment in stope and its application[J]. Journal of Safety Science and Technology,2009,5 (2):40-44. [ 1]ꢀ 王新民,古德生,张钦礼. 深井矿山充填理论与管道输送技术 M]. 长沙:中南大学出版社,2010. [ Wang Xinmin,Gu Desheng,Zhang Qinli. Theory and Technology of Deep Mine Backfilling [ M]. Changsha: Central South University Press,2010. [9]ꢀ 赵ꢀ 彬,王新民,史良贵,等. 基于 BP 神经网络的爆破参数优选 [J]. 矿冶工程,2009,29(4):24-27. [ [ 2]ꢀ 于润沧. 我国胶结充填工艺发展的技术创新[ J]. 中国矿山工 程,2010,39(5):1-3. Zhao Bin,Wang Xinmin,Shi Lianggui,et al. Optimization of blasting parameters based on back-propagation neural network [ J]. Mining and Metallurgical Engineering,2009,29(4):24-27. [10]ꢀ Zhang L P,Yu H J,Hu S X. Optimal choice of parameters for pani- cle swam optimization[J]. Journal of Zhejiang University Science, 2005,6(6):528-534. Yu Runcang. Development and innovation of cemented filling tech- nology in China[J]. China Mine Engineering,2010,39(5):1-3. 3] ꢀ 焦华喆,王洪江,吴爱祥,等. 全尾砂絮凝沉降规律及其机理 [ J]. 北京科技大学学报,2010,32(6):702-707. Jiao Huazhe,Wang Hongjiang,Wu Aixiang,et al. Rule and mecha- nism of flocculation sedimentation of unclassified tailings[J]. Jour- nal of University of Science and Technology Beijing,2010,32(6): [11] Deng X,Mirzalan A. Competitive robot mapping homogeneous mark- ers[J]. IEEE Trans on Robotics Automation,1996,12 (4):532- 542. 7 02-707. ( 责任编辑ꢀ 徐志宏) [ 4]ꢀ 韩ꢀ 斌,王贤来,肖卫国,等. 基于多元非线性回归的井下采场 · 50·
  • 中矿传媒与您共建矿业文档分享平台下载改文章所需积分:  5
  • 现在注册会员立即赠送 10 积分


皖公网安备 34050402000107号