采矿方面的论文研究

采矿工程毕业设计论文

采矿工程是一个国家的重要产业,采矿工程直接关系到国家资源、能源的正常供应和使用安全。以下是专门为你收集整理的采矿工程毕业设计论文，供参考阅读！

采矿工程方法优化研究

【摘要】采矿工程中的许多方法都是可以优化的，比如采矿工程中的开拓系统和采矿方法。这些方法优化问题，由于决策变量众多，并且不同情况的所起的作用不同，导致多数问题都是复杂的非线性化问题，不仅如此变量之间的联系有时很难用确切的数学模型或者数学表达式表达出来。因此我们考虑到可以利用计算机技术和人工智能的技术来实现采矿工程中方法的优化问题，比如遗传算法，神经网络等，本文从上述几种技术角度，结合实际例子探讨了采矿工程方法的优化问题。

【关键词】采矿工程;优化;采矿方法

采矿工程中的许多问题的决策和方法的优化，都是多决策变量问题。以往对这种问题的处理方式都是采用单一变量法，即采用固定其他变量使其值保持不变，通过变化某一变量来探索这一变量对目标函数或目标问题结果的影响，从而找出最优解。虽然这种方式大大简化了这种多变量问题的求解方式，但是它忽略了各个变量之间的相互关系，以及他们之间的相互作用对最终结果的影响，因此所得的结果并不是真正的最优值。为了求得真正的最优解，需要同时改变各决策变量，探索他们在这种情况下和目标的关系以及的对目标结果的影响，从而找出综合最优值。

1、优化方法

1.1遗传算法的定义

遗传算法是一种自适应优化的方法。这种方法基于生物进化的原理，它模拟了生物进化的步骤，将繁殖、杂交、变异、竞争和选择等概念引入到算法中。[1]通过对一组可行解的维持和重新组合，在多决策变量共同作用的条件下，改进可行解的移动轨迹曲线，最终使它趋向最优解。这种方式是模拟生物适应外界环境的遗传变异机理，克服了传统的单决策变量法容易导致的局部极值的缺点，是一种全局优化算法。

1.2神经网络的定义

人脑思维方式的一大特点就是：通过多个神经元之间的同时的相互作用来动态完成信息的处理。人工神经网络就是模拟人脑思维的这种方式，通过计算机来完成一个非线性的动力学系统，可以实现信息的分布式存储和并行协同处理。

1.3遗传算法与神经网络协同优化

由于采矿工程的问题很难用一个显式来表示，所以我们可以利用人工神经网络强大的非线性映射能力建立决策变量和目标函数的关系，实现对问题的显式化，然后用遗传算法对这个目标函数的决策变量进行搜索和寻优，搜索到后就输入之前已经建模好的神经网络，网络将自动进行学习和匹配，从而我们可以计算出目标函数对该组决策变量的适应性，然后根据适应性进行遗传变异操作，反复多次后即可寻得最优解。

2、优化实例

2.1遗传算法在矿石品位优化中的应用

遗传算法是由原始数据，模拟优胜劣汰的方式通过反复迭代获得最优解，在这里实质上是随机生成一组矿石品位，利用自适应的技术调整品位，经过反复迭代计算，逐步逼近最优解。

(1)编码：用定长字符代表遗传中的基因，在这里表示某种特定品位，编码顺序依次为边界品位、最小工业品位、原矿品位和精矿品位。[2]

(2)初始群体：每次迭代的初始群体由上一次迭代生成，第一次的初始群体随机生成，每个群体包含的个体数确定。

(3)适应度：自然界中的适应度是生物个体对自然界的适应程度，适应度大，那么它存活下来的可能性就大。类似的这里的适应度是衡量个体优劣的指标，可以驱动遗传算法的优化，本例中的适应度取不同品位的矿石所能取得的净现值。

(4)复制和交换：根据达尔文进化论，适应性强的个体容易生存下来，那么他们的有利性征就被保留了，同样的不利性征就被淘汰了，适应性强的个体他们的后代跟他们的相似度会比较高，在遗传算法中可以用复制来代表这一部分;交换就是指上一代多个个体的部分基因相互置换产生新个体。

(5)突变：遗传算法中产生新个体的又一手段，通过求补运算完成。

(6)终止条件：遗传算法是迭代运算，在迭代到符合某一要求时停止，一般都是当群体的平均适应度或最大适应度变化平稳时，迭代终止。

2.2采矿工程优化实例

本处选择山东莱芜铁矿施工时的填充材料刚度与采场结构参数的优化问题来说明一下神经网络和遗传算法的具体应用。

山东莱芜铁矿谷家台矿区矿体赋存于大理岩与闪长岩的.接触带中，上部为第四系和第三系所覆盖，全部为隐伏矿体，矿脉地理结构十分复杂。[3]上部有河流流过，虽然河流和矿带之间有第三系的红板岩，但是由于局部天窗的分布，导致水层和第四系砂砾石层和灰岩层接触，隔水效果不好。由于灰岩层的含水性，导致这部分成为承压含水层。复杂的地质背景给开矿带来了巨大的难度，为了实现不改河、不疏干、不搬迁、不塌陷、不还水的“五不”方针，最终决定的开矿方案是采用矿体近顶板大理岩注浆补漏堵水措施与阶段空场嗣后胶结充填采矿方法相结合的综合治水方案。制约这一方案顺利实施的两个重要因素就是充填材料刚度与采场结构参数的优选问题。

设矿房宽度为Bf，填充体刚度为EC，бt为上盘出现的最大拉应力。推测得出：从安全性角度考虑，矿房宽度Bf越小，填充体刚度EC越大，则上盘出现的拉应力越小，施工越可靠;从经济型角度考虑，矿房宽度越大，填充刚度越小越经济，可以看出两者是相对的，我们要在这之间找一个最佳匹配值。使得上盘出现的拉应力小于但又接近于大理岩的抗拉强度。

先通过神经网络建立决策量Bf、EC和目标бt的映射关系，然后用遗传算法搜索最佳匹配，得到结果Bf=21.256m，EC=396.6MPa，бt=-1.9297MPa，最后进行的结果的合理性验证，表明这个结果是令人满意的。

3、结论

作为现阶段比较先进的计算智能和人工智能技术，遗传算法和神经网络着重于通过迭代算法和非线性映射来求得问题的最优解。由于绝大多数矿场的复杂条件导致采矿工程中的许多问题和方法的决策存在众多的决策变量，并且多数变量和目标量的关系都是非线性的，这些特点使得遗传算法和神经网络等现代先进智能技术能很好的运用到采矿工程的优化中去，通过文章研究和实例证明，对于采矿工程的方法优化，遗传算法和神经网络能起到很好的效果，随着这些技术的进步，他们将会为采矿工程的优化方面提供更有力的帮助。

参考文献

[1]李云，刘霁.神经网络与主元分析在采矿工程中的应用[J].中南林业科技大学学报，2010，30(6)：140-146.

[2]张磊，柴海福.浅谈人工神经网络在采矿工程中的应用[J].学术探讨，2008，(6)：172.

[3]刘加东，陆文，路洪斌.浅谈采矿方法的优化选择[J].IM&P化工矿物与加工，2009，(1)：25：27.