11、露天矿卡车运输系统矿石产量估算的机器学习模型研究

露天矿卡车运输系统矿石产量估算的机器学习模型研究

1. 引言

在矿业和岩土工程领域，机器学习已得到广泛应用。然而，能够高效评估和预测矿石产量的机器学习模型的开发仍显不足。为解决这一问题，研究人员开发了结合元启发式算法的多层感知器（MLP）神经网络模型，用于估算露天矿卡车运输系统的矿石产量。

2. 数据集使用

2.1 研究区域选择

选择韩国Hanil Cement Co., Ltd.运营的一座石灰石矿作为研究区域，该矿坐标为128° 19’ 58’’ E；37° 10’ 59’’ N，每年生产约810万吨石灰石。矿石由10台铲车、2台装载机和3台推土机开采，通过15辆载重分别为45吨、60吨和84吨的自卸卡车运往竖井，矿场有两个矿石处理竖井，倾倒在竖井的矿石会立即被粉碎，然后通过皮带输送机运往水泥厂。

2.2 数据采集

利用基于物联网的矿山管理系统进行数据采集，该系统使用四个无线接入点（APs）和安装在矿场的全球定位系统（GPS）标签，实时跟踪设备和矿工的位置并监控运营状态。数据包数据由无线AP传输到Web服务器，包含标签识别日期、时间、识别无线AP的IP地址和标签位置日期。共收集了16,217条观测数据，用于估算露天矿卡车运输系统的矿石产量（输出 - Y）。

2.3 数据集变量

数据集包含16个输入变量：
1. 相对操作开始时间（X1）
2. 相对操作结束时间（X2）
3. 操作开始和结束时间间隔（X3）
4. 调度的45吨卡车数量（X4）
5. 调度的60吨卡车数量（X5）
6. 调度的84吨卡车数量（X