【正文】 除了提高了準確度，神經(jīng)網(wǎng)絡(luò)的多重輸入優(yōu)勢和能夠再培訓的連續(xù)能力將大大改善采礦工業(yè)中基于實踐進行評估的現(xiàn)象。 經(jīng)改進更加精確的神經(jīng)網(wǎng)絡(luò)貧化預測優(yōu)于基于統(tǒng)計的貧化公式表明了神經(jīng)網(wǎng)絡(luò)比起傳統(tǒng)基于實踐的方法可以產(chǎn)生更多精確的評估結(jié)果。然而一個帶有更多輸入因素的更大數(shù)據(jù)庫 可以使用神經(jīng)網(wǎng)絡(luò)成為一個預測沖擊更加有效的工具。 圖 1 神經(jīng)網(wǎng)絡(luò) /公式在實際平均貧化值上的平均錯誤 232607672. 結(jié)論 黃金企業(yè)公司與加拿大礦產(chǎn)與能源技術(shù)中心的例子顯示出 神經(jīng)網(wǎng)絡(luò)可以提供一個有效工具來預測巖爆。由于拱形采場和梯形采場的不可見數(shù)據(jù)庫明顯比獨立采場不可見數(shù)據(jù)庫大，故神經(jīng)網(wǎng)絡(luò)顯示出較之公式評估的明顯改進。對于不可見的梯形采場數(shù)據(jù)，神經(jīng)網(wǎng)絡(luò)的平均錯誤是 %而公式則是平均 %的錯誤。 圖 1表示了神經(jīng)網(wǎng)絡(luò)與公式預測間的平均百分錯誤。這些神經(jīng)網(wǎng)絡(luò)被用來在新的不可見數(shù)據(jù)上預測貧化并和各自的貧化評估公式進行比較。對應于每一個采場配置的每個神經(jīng)網(wǎng)絡(luò)都在整個原始數(shù)據(jù)庫上進行了訓練。神經(jīng)網(wǎng)絡(luò)并不是最佳化的。神經(jīng)網(wǎng)絡(luò)在不可見數(shù)據(jù)上預測和公式評估進行了比較。 孤立采場（ 61次觀察） Dil(%) = – (RMR) – (ER) + (HR) (1) 梯形采場 (44次觀察 ) Dil(%) = – (RMR) (ER) + (HR) (2) 拱形采場 (28次觀察 ) Dil(%) = (RMR) (ER) +(HR) (3) 式中 DIL(%) – 采場貧化 (%)， 例 如 10%， DIL(%) = 10； RMR CSIR 巖體率 (%)， ie. 60%， RMR = 60； ER 隨采場寬度而移出的體積的暴露率 (m)； HR – 暴露采場壁的 水力半徑 (m)。 232607671. 神經(jīng)網(wǎng)絡(luò) /公式貧化預測比較 通過比較神經(jīng)網(wǎng)絡(luò)和 常規(guī)公式，神經(jīng)網(wǎng)絡(luò)預測和三個由數(shù)據(jù)庫中發(fā)展出來的公式進行了比較，數(shù)據(jù)庫取自魯坦礦。更進一步的工作如改正錯誤，節(jié)點數(shù)目，層數(shù)和循環(huán)次數(shù)可以通過使用數(shù)據(jù)庫改進網(wǎng)絡(luò)。一個包含穩(wěn)定開度的更大數(shù)據(jù)庫有必要建立，以取得神經(jīng)網(wǎng)絡(luò)在預測方面和輸入因素影響作用的更大信心。偏心節(jié)點 Q 和調(diào)整過的RMR同樣重要的影響，而 RMR， span和深度則表 明有較小的影響。沖擊狀況每次均可以成功預測的事實做出了這樣的承諾：就潛力而言，神經(jīng)網(wǎng)絡(luò)有可能是一個預測巖爆的有效工具。然而，神經(jīng)網(wǎng)絡(luò)也可以通過一些測試數(shù)據(jù)預測出巖爆條件，這些數(shù)據(jù)對網(wǎng)絡(luò)而言完成是新的。 神經(jīng)網(wǎng)絡(luò)的結(jié)果顯示出網(wǎng)絡(luò)可以正確地預測出所有來自于培訓的輸出。共有73次觀察被用來訓練這個網(wǎng)絡(luò)。 232607670. 神經(jīng)網(wǎng)絡(luò)分析 上面的輸入和輸出都運行于神經(jīng)網(wǎng)絡(luò)中，以觀察一個神經(jīng)網(wǎng)絡(luò)能否從輸入數(shù)據(jù)中預測出結(jié)果，同時也要觀察哪些輸入對輸出預測有最大影響。它是 PUNRF 的一個子集，被用來單獨地識別出可能導致楔形失敗的區(qū)域。 ? 地表運動和升高的頻率可能會增加。 ? 額外的地面保護可能需要加入進行以防止地表塌陷的可能發(fā)生。 PUNRF 指考慮到頂板垮落的潛在不穩(wěn)定地域。 . 輸出因素 沖擊指的是一個發(fā)生了巖爆的采礦場。它并不直接代表使用在 Q 計算公式中的那個 SRF。它可以通過一個地下硐室的最大半徑來確定。 Q因素在一個從 1000的范圍內(nèi)變化，其中 表示品質(zhì)極差的巖石， 1000表示實質(zhì)上品質(zhì)非常理想的巖石。 為了本次研究， Jw/SRF因素被假定為 ，因為假定了干燥條件。它是由來自 Norwegian地質(zhì)技術(shù)學院的 巴頓、李恩和魯恩德共同提出的，建立于以下六個要素之上： ? RQD— 巖石質(zhì)量指標； ? Jn— 節(jié)理面數(shù)目； ? Jr— 節(jié)理粗糙程度； ? Ja— 節(jié)理變化數(shù)目； ? Jw— 節(jié)理處水減少因素； ? SRF— 應力減小因素。此時地下水條件被假設(shè)為干燥狀態(tài)。 這些因素被賦予了一個數(shù)值并且被計算到一起從而得到一個 RMR值。 . 輸入因素 RMR— RMR系統(tǒng)最初是 在 1973由 Bieniawsk發(fā) 展出來的，它建立于巖體質(zhì)量的五個參數(shù)上。輸入元素或穩(wěn)定性可能是以下四個失敗之一： PUNRF(頂板垮落的潛在不穩(wěn)定性 )， PUNGW(地面楔的潛在不穩(wěn)定性 )， BUR(巖爆 )， CAV(采掘 )。對每個事故收集到的 6個輸入因素是： RMR[3]， Q[4]， span[5]， SRF[2]， RMR 調(diào)節(jié)，深度。這個研究的一部分就是收集 1992~1995 年間發(fā)生在 、掘進、地面楔和放頂事故的輸入信息。由于安全是采礦工程人員首要的責任，故神經(jīng)網(wǎng)絡(luò)可以協(xié)助預測巖爆到來的可能性應當被檢驗。它大約占了同時期井下重大事故死亡人數(shù)的 10%。以下是直接引自安大略勞工部的一段話：“我們沒有能力預測巖爆發(fā)生在什么時間什么地點，這個領(lǐng)域的專家也認同我們離做出這種預測還有很遠的距離。 神經(jīng)網(wǎng)絡(luò)的優(yōu)點在一個巖爆預測和一個露天采場貧化例子中得到闡明。 ? 神經(jīng)網(wǎng)絡(luò)軟件不是很貴且易于使用。 ? 通過使用多重隱藏的層次和節(jié)點，神經(jīng)網(wǎng)絡(luò)可以審查輸入間的聯(lián)合影響。與傳統(tǒng)的以實踐或試驗為基礎(chǔ)的設(shè)計方法相比，它有著許多優(yōu)點。 232607668. 引言 礦井設(shè)計的許多方面都是基于實際觀察或試驗數(shù)據(jù)。采礦工業(yè)中的兩個實用神經(jīng)網(wǎng)絡(luò)程序是巖爆預測和采場貧化評估。 Sons. 4. Barton, Lien, Lunde, 1974, Classification of Rock Masses for the Design of Tunnel Support, Roc Mechanics Vol. 6, No. 4,7 pp. 5. Lang, B., Pakalnis, R., Vongpaisal, S., 1991, Spa n Design in Wide Cut and Fill Stopes at Detour Lake. Mine, 93rd. AGM – CIMM, paper 142, Vancouver. 6. Pakalnis, R, 1986, Empirical Stope Design at the Ruttan Mine, Sherritt Gordon Mines Ltd., University of British Columbia, Canada, 276 pp. 中 文 譯 文 采礦工業(yè)中實用的神經(jīng)網(wǎng)絡(luò)應用程序 米勒 .L泰特， （不列顛哥倫比亞大學 采礦與礦物加工工程學院，加拿大 范庫弗峰） 摘要 :采礦工業(yè)很大程度上依賴以觀察或試驗為依據(jù)的分析從而進行設(shè)計和預測。 Canmet Project No.: 191 80. 3. Bieniawski, Z. T., 1989, Engineering Rock Mass Classifications, New York。 英文原文 Practical Neural Network Applications in the Mining Industry L. MillerTait, R. Pakalnis Department of Mining and Mineral Process Engineering, University of British Columbia, Vancouver, ., Canada ABSTRACT The mining industry relies heavily upon empirical analysis for design and prediction. Neural works are puter programs that use parallel processing, similar to the human brain, to analyze data for trends and correlation. Two practical neural work applications in the mining industry would be rockburst prediction and stope diluti