28、机器学习在地下采场稀释优化中的应用

机器学习在地下采场稀释优化中的应用

1 引言

现代采矿借助各种前沿技术，效率有了显著提升。然而，实际采矿活动中仍存在诸多待解决的问题。在矿山现场，采矿工程师常常需要在信息不完整、不准确的情况下做出决策，因为哪怕是一个小错误，都可能对矿工的安全和矿山的盈利能力造成不可挽回的损害，所以建立合适的决策支持系统至关重要。

在地下采矿中，非计划稀释和矿石损失（即不均匀破碎，这是一对不可避免且难以预测的现象）是最为棘手的问题。计划稀释和矿石损失在采场规划阶段就应合理确定，而对于非计划的不均匀破碎，虽然难以预测，但在采场生产后可以进行测量，它会导致大量废石混入矿石流，造成巨大损失。

尽管人们为控制不均匀破碎付出了巨大努力，但许多地下采场仍深受其害，这是因为其成因机制十分复杂。目前，矿山采用的一些经验方法在预测非计划稀释方面效果不佳，且无法预测矿石损失。例如，很多地下采场采用稳定性图法来预测潜在的不均匀破碎，并确定采场设计阶段的超挖和欠挖目标百分比，但该方法的预测结果往往不可靠。

不均匀破碎的成因主要分为四类：
1. 地质因素 ：由于岩体具有各向异性和非均质性，确定这些因素及其影响权重颇具挑战。
2. 采场设计因素 ：不当的采场设计，如形状、尺寸和开挖顺序错误，可能导致严重的不均匀破碎。采场设计应充分考虑地质条件和岩土分析。
3. 爆破因素 ：爆破设计是不均匀破碎的关键因素，但由于岩石在极端爆炸能量下的破碎过程复杂，其后果往往难以预测。爆炸产生的冲击波和气压在瞬间形成，增加了不确定性。
4. 操作误差 </