12、机器学习在露天矿生产与资本支出估算中的应用

机器学习在露天矿生产与资本支出估算中的应用

1. 露天矿矿石产量估算

1.1 模型开发

为了高精度估算露天矿的矿石产量，研究中采用了机器学习方法。开发了 GWO - MLP、PSO - MLP 和 GA - MLP 模型，这些模型是将基于 GWO、PSO 和 GA 的元启发式算法与 MLP 神经网络相结合而成。此外，还开发了一个独立的 MLP 模型。

1.2 数据集划分

将缩减后的数据集按 4:1 再次划分，其中 2400 个样本用于模型的训练和验证，600 个样本用于模型测试。在 2400 个观测值中，70%用作训练数据集进行模型训练，其余 30%用作验证数据集进行模型验证。

1.3 模型性能比较

在用于估算露天矿矿石产量的四个模型中，GWO - MLP 模型表现出最高的估算精度，而 GA - MLP 模型性能最低。模型的估算性能顺序为 GWO - MLP、MLP、PSO - MLP 和 GA - MLP，并且在训练、验证和测试数据集上的性能表现一致。这表明并非所有元启发式算法都适用于 MLP 模型的优化过程，特别是 PSO - MLP 和 GA - MLP 的性能远低于独立的 MLP 模型。

以下是模型性能对比表格：
| 模型 | 性能排序 |
| ---- | ---- |
| GWO - MLP | 1 |
| MLP | 2 |
| PSO - MLP | 3 |
| GA - MLP | 4 |

下面是数据集划分的 mermaid 流程图：