基于残差型G－LSSVM的岩石冒落高度及碴石厚度预测

2013-08-25陈尚波张耀平夏弋江田留峰

金属矿山 2013年8期

陈尚波张耀平夏弋江田留峰

(1.江西理工大学资源与环境工程学院;2.江西理工大学应用科学学院)

由于矿山地下开采形成的空区受岩体结构、地质构造、地下水等自然因素及采矿工艺、爆破震动等人为因素的影响，空区冒落预测结果往往与实际监测结果相差甚大［1-2］。传统用于覆盖层冒落高度及碴石厚度监测的方法有地质雷达法、高密度电法、超声波探测仪、钻孔摄影等，而对于冒落高度及碴石厚度的人工智能方法预测尚处于起步阶段。本研究结合灰色模型 GM(1，1)［3-4］、最小二乘支持向量机(LSSVM)［5］等人工智能方法的优势，将残差型灰色最小二乘支持向量机预测模型(G－LSSVM)应用于某铁矿的覆盖层冒落高度及碴石厚度预测中［6］，其结果与实际钻孔摄影监测对比分析，结果表明，残差灰色最小二乘支持向量机(GLSSVM)预测模型对于实际冒落情况的预测是有效可行的。

1 基本原理

1.1 灰色最小二乘支持向量机模型［7-8］

首先对监测的原始数据按照运用钻孔摄像监测得到原始数据

进行初步叠加生成富有规律的新序列

然后根据新序列，利用结构简单、算法简练的LSSVM列建立预测模型。预测的目标在于要寻找i+p时刻的序列值与前p个时刻的序列值，…，的逻辑关系，即确定映射关系

X1i为p+i时刻的序列行向量，

K()为核函数;系数ai(i=1，2，…，n － p)，b是通过求解式(4)得到。

1.2 残差灰色最小二乘支持向量机

顶板冒落序列可包括具有确定性的趋势项和未确知性的随机项2种成分，其响应成分模型可表示为

式中，Ut为冒落高度及碴石厚度的具有确定性的趋势项;Vt为未确知的随机项，由于其受到人类地下工程活动以及地震等突发事件的影响，故将其认作为趋势项的随机项。

建模结构如图1，首先用GM(1，1)模型对数据{x(0)(i)}，i=1，2，…，n，进行预测，得到一组残差序列

然后用LSSVM模型对残差e(0)(i)进行预测，得预测值^e(0)(i)，因此模型最终预测值

图1 残差型灰色最小二乘支持向量机

2 工程实例

安徽省庐江某铁矿为一隐伏的大型磁铁矿床。矿床位于低山丘陵区，地表标高一般在40～200 m，矿体赋存在－268.07～－507.41 m标高内。因该铁矿经济价值高，加之矿区地表允许崩落，矿床的开采方式适用于地下开采方法中的无底柱分段崩落采矿方法，该工艺简单可靠、机械化程度高、生产成本低、作业安全。采用无底柱分段崩落法，对于加强对顶板冒落情况的监测，利用人工智能方法对空区岩石冒落厚度及碴石厚度的预测对实现矿山长期安全、高效、最大限度的回收资源显得尤为重要。

由于受到空区自身条件和监测技术的限制，传统的监测手段难以准确地探明空区顶板围岩的冒落情况，这给工程技术人员对后期的空区处理带来了很大的困扰，尤其是对于采用无底柱分段崩落法的金属矿山，其采空区顶板的冒落情况直接影响到后续矿体回采的安全性，而采用顶板钻孔摄影监测技术可以较好地满足这一工程要求，获得可靠的空区顶板冒落情况的图像和数据。为了获得空区顶板受开采影响的冒落情况，自2010年3月至2011年8月，施工4个观测钻孔，其中CZK01与空区联通，自2011年4月起开始逐月监测，监测仪器及现场监测相关图片如图2～图5所示，现场取得监测数据见表1，利用SVM、GM(1，1)、残差型灰色最小二乘支持向量机分别对该钻孔观测数据进行预测，最后由可得到预测结果见表2、表3。

图2 JSP－1型视频测井仪

通过图6、图7对3种模型预测的结果与钻孔摄影监测结果进行了比较，充分表明:残差型GLSSVM预测的数据曲线与实际监测数据曲线最为接近，充分显示了这种新的信息处理和预测方法要优于单一的GM(1，1)和SVM，该模型可以避免单一人工智能方法预测的盲目性和随机性。

图3 摄像仪入孔照片

图4 绞车照片

图5 电脑监测照片

表1 某铁矿岩石冒落高度及碴石厚度监测数据 m

3 结语

结合了最小二乘支持向量机、灰色模型等人工智能方法各自在工程应用领域上优势，提出了基于残差型灰色最小二乘支持向量机的智能预测方法，并简述了其建模思路及关键步骤。将支持向量机、灰色模型及残差型灰色最小二乘支持向量机模型分别用于某铁矿覆盖层冒落高度及碴石厚度预测，预测的结果与实际冒落情况基本吻合得。实践表明:用残差型GLSSVM来预测覆盖岩层及碴石厚度的方法是有效可行的，可以推广到相关工程领域的应用，准确及时的预测到冒落高度及碴石厚度对于地下铁矿石资源安全、高效的回收具有极其重大的意义。