充填体强度设计知识库模型 - 湖南科技大学(自然(4)

ｆｉ＝

ｐ

１

ＳＥ（ｉ）

ｋ

（８）（９）

后充填采矿法．充填体侧向暴露高度１０ｍ，侧向暴

２

露面积４５０ｍ，尾砂分形维数Ｄ＝１．１６７４（该数据

２

ＳＥ（ｉ）＝∑∑（Ｖ）．ｋ－Ｔｋ

未参与知识库模型的训练）．采用新城金矿不同开采深度充填体强度设计值对知识库模型进行检验，模型的计算结果与矿山提供资料对比如图４所示，结果显示该模型具有较高的精度，且能很好反映不同开采技术条件以及不同充填条件下的充填体设计强度，计算误差均在６％以内，故可以用该知识库模型对设计合理的充填体强度

．

式中：ｉ表示染色体数；ｋ为输出层节点数；ｐ为学习样本数；Ｔｋ为教师信号．

以概率Ｐｃ对个体Ｇｉ和Ｇｉ＋１交叉操作产生新个’和Ｇ’，对于没有进行交叉操作的个体直接体Ｇｉｉ＋１进行复制，利用概率Ｐ’，ｍ突变产生Ｇｊ的新个体Ｇｊ将新个体插入到种群Ｐ中，并计算新个体的评价函数，如果找到了满意的个体，则结束，否则继续以概率Ｐ’和ｃ对个体Ｇｉ和Ｇｉ＋１交叉操作产生新个体ＧｉＧｉ＋１’，直至达到所要求的性能指标后，将最终群体中的最优个体解码即可得到优化后的网络连接权值．

４）通过以上遗传算法对权阀值的优化，用ＢＰ

神经网络进行训练、仿真［１５－１６］

．

设置进化代数ｇｅｎ为１００；输入网络的学习样本，通过反复试验，确定输入层、隐含层和输出层神

经元数量，分别为５，２５，１，求解精度为１×１０－４．

３．３　充填体强度设计知识库模型建立

表１总结了大量国内外矿山充填体设计强度数据，用表１中Ｘ１，Ｘ２，Ｘ３，Ｘ４，Ｘ５和Ｘ６（分别为矿体埋藏深度、矿体厚度、矿体长度、尾砂分维数、充填体暴露高度、充填体暴露面积）为神经网络的输入，充填体设计强度Ｔ为神经网络的输出，训练神经网络模型，训练过程中采用遗传算法实现快速训练和避免网络陷入局部极小．训练４８９２次神经网络模型收敛（如图３所示）

．

图３　神经网络训练误差曲线Ｆｉｇ．３Ｔｒａｉｎｉｎｇｅｒｒｏｒｃｕｒｖｅｏｆｎｅｕｒａｌｎｅｔｗｏｒｋ

３．４　充填体强度设计知识库模型检验

山东黄金集团新城金矿采用中深孔分段崩落嗣１０

图４　知识库模型验证

Ｆｉｇ．４Ｍｏｄｅｌｖｅｒｉｆｉｃａｔｉｏｎｏｆｔｈｅｋｎｏｗｌｅｄｇｅｂａｎｋ

３．５　充填体设计强度与其影响因素内在规律

对分形维数分别为２．１６７４和２．２６７４两种粒径分布的尾砂代入知识库模型进行计算，得到不同开采深度所要求的充填体设计强度曲线（图５所示）．图５分析结果表明，随着开采深度的增大，充填体设计强度也必须随之增大

．

图５　充填体设计强度与矿体埋藏深度关系曲线

Ｆｉｇ．５Ｃｕｒｖｅｓｂｅｔｗｅｅｎｄｅｓｉｇｎｓｔｒｅｎｇｔｈｏｆｂａｃｋｆｉｌｌａｎｄ

ｄｅｐｏｓｉｔｄｅｐｔｈ

根据建立的知识库模型，得到不同充填体暴露面积与充填体设计强度之间的关系曲线（如图６所