基于RBF神经网络的采场回采工艺改进试验

doi:10.12068/j.issn.1005-3026.2014.11.027

东北大学学报:自然科学版 ›› 2014, Vol. 35 ›› Issue (11): 1641-1645.DOI: 10.12068/j.issn.1005-3026.2014.11.027

基于RBF神经网络的采场回采工艺改进试验

杨伟¹，杨珊¹，张钦礼¹，任少峰²

(1中南大学资源与安全工程学院，湖南长沙410083; 2西南能矿集团股份有限公司，贵州贵阳550004)

收稿日期:2013-09-23 修回日期:2013-09-23 出版日期:2014-11-15 发布日期:2014-07-03
通讯作者: 杨伟
作者简介:杨伟(1986-)，男，山东济宁人，中南大学博士研究生；张钦礼(1964-)，男，山东临朐人，中南大学教授，博士生导师.
基金资助:
国家自然科学青年基金资助项目(51404305)

Experiment Study of Mining Technology Improvement Based on RBF Neural Network

YANG Wei¹， YANG Shan¹， ZHANG Qinli¹， REN Shaofeng²

1. School of Resources and Safety Engineering， Central South University， Changsha 410083， China; 2. Southwest Energy and Mineral Resources Co.， Ltd.， Guiyang 550004， China.

Received:2013-09-23 Revised:2013-09-23 Online:2014-11-15 Published:2014-07-03
Contact: YANG Wei
About author:-
Supported by:
-

摘要/Abstract

摘要： 某铁矿地下采场回采中存在生产效率低、炸药单耗大和大块率高的问题.为此，提出了水平炮孔前进式开采的改进方案，进行了以排距、孔距、周边孔距为因素的L9(33)的爆破正交试验，建立了以排距、孔距、周边孔距为输入层因子，炸药单耗和大块率为输出层因子的RBF神经网络模型；从安全和经济的角度提出了爆破综合期望指数公式，结合模型预测结果进行最终优选，优选结果为:排距1m，孔间距14m，周边孔距1m.经过现场验证，现生产能力为原来的4倍，增加了可充填的采场数目，顶板暴露时间缩短，生产效率提高约75%，炸药单耗减少62%，大块率降低74%.

关键词: 地下采矿, 采场爆破, 回采工艺改进, 正交试验, RBF神经网络, 爆破综合期望指数公式

Abstract: The underground stoping at a metal mine was in low production efficiency， large explosives consumption and high boulder yield. To solve these problems， an orthogonal test of L9(33) on blasting parameters was proposed， based on which， the RBF neural network model， using the blasting burden spacing， borehole spacing and surroundingborehole spacing as input layer， and taking explosives consumption and boulder yield as the output layer， was established. The comprehensive expectation formula of blasting based on safety and economy is given， and it is determined that the best blasting burden spacing， borehole spacing and surroundingborehole spacing are 1 m， 1. 4m and 1m， respectively. After the mining process improvements， the stope production capacity is 4 times as before， more stopes can be filled， exposure time of stope is shorter， single stope production efficiency is increased by 75%， explosives consumption is reduced by 62%， large fragment rate is reduced by 74%.

Key words: underground mining, stope blasting, mining technology improvement, orthogonal test, RBF neural network, comprehensive expectation formula of blasting

中图分类号:

TD2351

杨伟，杨珊，张钦礼，任少峰. 基于RBF神经网络的采场回采工艺改进试验[J]. 东北大学学报:自然科学版, 2014, 35(11): 1641-1645.

YANG Wei， YANG Shan， ZHANG Qinli， REN Shaofeng. Experiment Study of Mining Technology Improvement Based on RBF Neural Network[J]. Journal of Northeastern University Natural Science, 2014, 35(11): 1641-1645.

参考文献

［1］解世俊.金属矿床地下开采［M］.北京:冶金工业出版社，1986.(Xie Shijun.Underground metal deposit mining［M］.Beijing:Metallurgical Industry Press，1986.)
[2]Bae H J，Baek J J，Lee C S，et al.Optimizing blasting parameters to achieve high yields［J］.Materials Performance，2008，47(1):48-52.
[3]Song W D，Wang D X，Tang Y N.Study on sublevel open stoping with subsequent backfilling mining method stope parameters optimization［J］.Advanced Materials Research，2011，250/251/252/253(1):1567-1571.
[4]Wu Z S，Chen G Q，Zen K K，et al.Effect of blasting on the adjacent underground tunnels［J］.Applied Mechanics and Materials，2011，90/91/92/93(1):1870-1878.
[5]Zhang C L，Li X P.Study on optimization of blasting parameters and its effect on anchoring rock beam of an underground workshop［J］.Applied Mechanics and Materials，2011，90/91/92/93(1):2045-2052.
[6]程康，沈伟，陈庄明，等.工程爆破引起的振动速度计算经验公式及应用条件探讨［J］.振动与冲击，2011，30(6):127-129.(Cheng Kang，Shen Wei，Chen Zhuangming，et al.Inquiry into calculation formula for vibration velocity induced by engineering blasting and its application conditions［J］.Journal of Vibration and Shock，2011，30(6):127-129.)
[7]岳士弘，张可村.根据经验公式和数据进行爆破设计的计算方法［J］.西安交通大学学报，2000，34(3):109-110.(Yue Shihong，Zhang Kecun.Blasting caculation based on experience equation and actual data［J］.Journal of Xi′an Jiaotong University，2000，34(3):109-110.)
[8]陆秋琴，黄光球，李宝林.爆破工程中经验规则和公式发现的新方法［J］.金属矿山，2003，13(12):12-15.(Lu Qiuqin，Huang Guangqiu，Li Baolin.New way to find empirical rules and formulas in blasting engineering［J］.Metal Mine，2003，13(12):12-15.)
[9]张钦礼，郑晶晶，张德明，等.新桥硫铁矿凿岩爆破参数优化试验研究［J］.爆破，2009，26(3):1-5.(Zhang Qinli，Zheng Jingjing，Zhang Deming，et al.Test research on drilling and blasting parameters optimization in Xinqiao pyrite mine［J］.Blast，2009，26(3):1-5.)
[10]Ren F Y，Thierno A M S，He R X，et al.Optimization and application of blasting parameters based on the “pushingwall” mechanism［J］.International Journal of Minerals，Metallurgy and Materials，2012，19(10):879-885.
[11]Pan D，Zhou K P，Li Na，et al.The optimization research on largediameter longhole blasting parameters of underground mine based on artificial neural network［C］//The Second International Conference on Intelligent Computation Technology and Automation(ICICTA).Changsha，2009:419-422.
[12]Zhang Y，Du Q D，Yu S D.RBF neural network based on fuzzy evolution Kalman filtering and application in mine safety monitoring［C］//Proceedings-2009 the 9th International Conference on Hybrid Intelligent Systems.Shenyang，2009:467-470.
[13]Qu C，Jiang K，Xue M，et al.The mechanical parameters of a rock slope displacement back analysis based on the orthogonal test design［J］.Applied Mechanics and Materials，2013，256/257/258/259(1):207-210.
[14]Du D J，Li K，Fei M R.A fast multioutput RBF neural network construction method［J］.Neurocomputing，2010，73(10/11/12):2196-2202.
[15]Victor B，Miguel M，Manuel K.Gaussian RBFFD weights and its corresponding local truncation errors［J］.Engineering Analysis with Boundary Elements，2012，36(9):1361-1369.一位数()
[10]二位数()表4正交试验爆破参数试验安排Table 4Arrangement of blasting orthogonal test序号因素(水平)1(X1，w/m)2(X2，l/m)3(X3，z/m)108100720812093081408410100851012076101409712100981212089121407

[1]	曹文欣，赵文，路博，贾鹏蛟. 基于模糊数学的STS管幕结构的连接参数优化[J]. 东北大学学报（自然科学版）, 2022, 43(2): 258-266.
[2]	井元伟，谢海修，白云. TCP/AWM网络系统的自适应有限时间漏斗拥塞控制[J]. 东北大学学报（自然科学版）, 2022, 43(10): 1369-1375.
[3]	张鹏，高谦，温震江，张涛. 充填体强度影响因素及组合预测模型[J]. 东北大学学报（自然科学版）, 2021, 42(2): 232-241.
[4]	焦安源，张国富，丁浩东，刘伟军. TC4钛合金孔的磁粒研磨试验[J]. 东北大学学报:自然科学版, 2020, 41(9): 1304-1310.
[5]	杨玉莹，巩亚东，屈硕硕，蔡明. 增/减材复合加工316L宏观形貌和残余应力试验[J]. 东北大学学报:自然科学版, 2020, 41(3): 380-386.
[6]	郝国成，锅娟，谭淞元，曾佐勋5. 混沌参数优化RBF算法的震前ENPEMF信号强度趋势预测[J]. 东北大学学报:自然科学版, 2020, 41(12): 1692-1698.
[7]	屈硕硕，巩亚东，杨玉莹，蔡明. 单向碳纤维增强陶瓷基复合材料磨削表面质量研究[J]. 东北大学学报:自然科学版, 2019, 40(9): 1310-1315.
[8]	尹国强，巩亚东，李宥玮，王飞. 新型点磨削砂轮磨削温度仿真实验[J]. 东北大学学报:自然科学版, 2019, 40(3): 392-397.
[9]	张雷，侯汉，韩艳君，王昕. 超声电流变复合抛光试验[J]. 东北大学学报:自然科学版, 2019, 40(3): 356-359.
[10]	蔡明，巩亚东，屈硕硕，杨玉莹. 镍基单晶高温合金磨削表面质量及亚表面微观组织试验[J]. 东北大学学报:自然科学版, 2019, 40(3): 386-391.
[11]	贾蓬，杜功成，任云阳，吴振东. 振动拌和对混凝土强度及其抗冻性能的影响[J]. 东北大学学报:自然科学版, 2019, 40(12): 1784-1789.
[12]	任松，李振元，陈钒，姜德义. 石膏围岩隧道衬砌结构腐蚀模型研究[J]. 东北大学学报:自然科学版, 2017, 38(7): 1049-1054.
[13]	高奇，巩亚东，周云光，温雪龙. 单晶镍基高温合金微铣削力试验[J]. 东北大学学报:自然科学版, 2017, 38(4): 542-546.
[14]	江维，吴功平，曹琪，杨松. 输电线路带电作业机器人机械手RBF神经网络控制[J]. 东北大学学报:自然科学版, 2017, 38(10): 1388-1394.
[15]	李峰，储满生，唐珏，冯聪. 用综合加权评分法优化高铬型钒钛矿电热熔分工艺[J]. 东北大学学报:自然科学版, 2016, 37(9): 1327-1331.

基于RBF神经网络的采场回采工艺改进试验

Experiment Study of Mining Technology Improvement Based on RBF Neural Network

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价