煤炭学报

作者：朱德福, 王德玉, 于彪彪,

关键词：铝土矿, 矿柱强度, 离散元方法, 机器学习, 矿柱(群)稳定性,

矿柱极限承载能力与矿柱尺寸参数密切相关，科学地预测矿柱强度是空场法安全高效开采铝土矿的关键。为了准确高效地预测矿柱强度，融合运用离散元方法(DEM)的模型参数化、样本数据强扩展性与机器学习(ML)方法的数据驱动优势，选取矿柱尺寸参数(长、宽、高)作为影响因子，开发了Grasshopper参数化建模电池组，实现了等块体密度的矿柱黏合块体模型(BBM)的参数化构建，结合矿体节理分布特征实测结果，利用3DEC程序构建了300组黏合块体–离散裂隙网络(BBM-DFN)矿柱离散元数值模型，开展了矿柱承载特性试验，监测并建立了机器学习数据集，且验证了此数据集的可靠性；分别以支持向量机(SVM)、BP神经网络、随机森林(RF)、高斯过程回归(GPR) 4种算法构建了矿柱强度预测模型，根据回归类模型评价指标(判定系数R2、可解释方差EEVS、平均绝对误差EMAE、均方误差EMSE)开展了最优模型的评选，结合改进的量子粒子群智能优化算法(IQPSO)进一步优化模型，利用该模型建立了矿柱影响因子与强度之间的非线性映射关系。研究表明：由矿柱强度参数化模拟结果可知，随着矿柱宽高比增加强度显著提升，长宽比对强度影响幅度相对较小，当矿柱高度和横截面积相同时，不同截面矿柱承载能力依次为：正方形 > 长方形；当矿柱宽高比大于1时，方形截面矿柱强度影响因子敏感性主次顺序为：矿柱宽(长)度 > 矿柱高度；根据机器学习算法指标综合评价，SVM模型是矿柱强度预测的最佳模型(R2=0.953、EEVS=0.953、EMAE=0.608、EMSE=0.551)，结合IQPSO算法优化后模型预测性能得到了进一步提升(R2=0.985、EEVS=0.986、EMAE=0.373、EMSE=0.239)；将IQPSO-SVM矿柱强度预测值与3种经典硬岩矿柱强度公式计算结果进行了讨论分析，得出了Hedley公式针对铝土矿强度计算不适用，Krauland公式适用于宽高比小于4时，Esterhuizen公式可通过调整不连续因子(F)进行较为准确的强度计算。研究成果为硬岩矿柱强度的预测提供了一种解决方案，拓宽了矿柱(群)稳定性评价的思路。

来源：2024年第7期

《煤炭学报》期刊编辑部

查看煤炭学报杂志2024年第7期