采礦具有非常重要的地位和作用，礦業(yè)一直是我國國民經(jīng)濟中最重要的來源之一，下面是小編為大家精心推薦的2017年采礦工程論文范文，希望能夠對您有所幫助。

　　2017年采礦工程論文范文篇一

　　采礦工程方法優(yōu)化研究

　　【摘要】采礦工程中的許多方法都是可以優(yōu)化的，比如采礦工程中的開拓系統(tǒng)和采礦方法。這些方法優(yōu)化問題，由于決策變量眾多，并且不同情況的所起的作用不同，導致多數(shù)問題都是復雜的非線性化問題，不僅如此變量之間的聯(lián)系有時很難用確切的數(shù)學模型或者數(shù)學表達式表達出來。因此我們考慮到可以利用計算機技術和人工智能的技術來實現(xiàn)采礦工程中方法的優(yōu)化問題，比如遺傳算法，神經(jīng)網(wǎng)絡等，本文從上述幾種技術角度，結合實際例子探討了采礦工程方法的優(yōu)化問題。

　　【關鍵詞】采礦工程;優(yōu)化;采礦方法

　　采礦工程中的許多問題的決策和方法的優(yōu)化，都是多決策變量問題。以往對這種問題的處理方式都是采用單一變量法，即采用固定其他變量使其值保持不變，通過變化某一變量來探索這一變量對目標函數(shù)或目標問題結果的影響，從而找出最優(yōu)解。雖然這種方式大大簡化了這種多變量問題的求解方式，但是它忽略了各個變量之間的相互關系，以及他們之間的相互作用對最終結果的影響，因此所得的結果并不是真正的最優(yōu)值。為了求得真正的最優(yōu)解，需要同時改變各決策變量，探索他們在這種情況下和目標的關系以及的對目標結果的影響，從而找出綜合最優(yōu)值。

　　1、優(yōu)化方法

　　1.1遺傳算法的定義

　　遺傳算法是一種自適應優(yōu)化的方法。這種方法基于生物進化的原理，它模擬了生物進化的步驟，將繁殖、雜交、變異、競爭和選擇等概念引入到算法中。[1]通過對一組可行解的維持和重新組合，在多決策變量共同作用的條件下，改進可行解的移動軌跡曲線，最終使它趨向最優(yōu)解。這種方式是模擬生物適應外界環(huán)境的遺傳變異機理，克服了傳統(tǒng)的單決策變量法容易導致的局部極值的缺點，是一種全局優(yōu)化算法。

　　1.2神經(jīng)網(wǎng)絡的定義

　　人腦思維方式的一大特點就是：通過多個神經(jīng)元之間的同時的相互作用來動態(tài)完成信息的處理。人工神經(jīng)網(wǎng)絡就是模擬人腦思維的這種方式，通過計算機來完成一個非線性的動力學系統(tǒng)，可以實現(xiàn)信息的分布式存儲和并行協(xié)同處理。

　　1.3遺傳算法與神經(jīng)網(wǎng)絡協(xié)同優(yōu)化

　　由于采礦工程的問題很難用一個顯式來表示，所以我們可以利用人工神經(jīng)網(wǎng)絡強大的非線性映射能力建立決策變量和目標函數(shù)的關系，實現(xiàn)對問題的顯式化，然后用遺傳算法對這個目標函數(shù)的決策變量進行搜索和尋優(yōu)，搜索到后就輸入之前已經(jīng)建模好的神經(jīng)網(wǎng)絡，網(wǎng)絡將自動進行學習和匹配，從而我們可以計算出目標函數(shù)對該組決策變量的適應性，然后根據(jù)適應性進行遺傳變異操作，反復多次后即可尋得最優(yōu)解。

　　2、優(yōu)化實例

　　2.1遺傳算法在礦石品位優(yōu)化中的應用

　　遺傳算法是由原始數(shù)據(jù)，模擬優(yōu)勝劣汰的方式通過反復迭代獲得最優(yōu)解，在這里實質上是隨機生成一組礦石品位，利用自適應的技術調(diào)整品位，經(jīng)過反復迭代計算，逐步逼近最優(yōu)解。

　　(1)編碼：用定長字符代表遺傳中的基因，在這里表示某種特定品位，編碼順序依次為邊界品位、最小工業(yè)品位、原礦品位和精礦品位。[2]

　　(2)初始群體：每次迭代的初始群體由上一次迭代生成，第一次的初始群體隨機生成，每個群體包含的個體數(shù)確定。

　　(3)適應度：自然界中的適應度是生物個體對自然界的適應程度，適應度大，那么它存活下來的可能性就大。類似的這里的適應度是衡量個體優(yōu)劣的指標，可以驅動遺傳算法的優(yōu)化，本例中的適應度取不同品位的礦石所能取得的凈現(xiàn)值。

　　(4)復制和交換：根據(jù)達爾文進化論，適應性強的個體容易生存下來，那么他們的有利性征就被保留了，同樣的不利性征就被淘汰了，適應性強的個體他們的后代跟他們的相似度會比較高，在遺傳算法中可以用復制來代表這一部分;交換就是指上一代多個個體的部分基因相互置換產(chǎn)生新個體。

　　(5)突變：遺傳算法中產(chǎn)生新個體的又一手段，通過求補運算完成。

　　(6)終止條件：遺傳算法是迭代運算，在迭代到符合某一要求時停止，一般都是當群體的平均適應度或最大適應度變化平穩(wěn)時，迭代終止。

　　2.2采礦工程優(yōu)化實例

　　本處選擇山東萊蕪鐵礦施工時的填充材料剛度與采場結構參數(shù)的優(yōu)化問題來說明一下神經(jīng)網(wǎng)絡和遺傳算法的具體應用。

　　山東萊蕪鐵礦谷家臺礦區(qū)礦體賦存于大理巖與閃長巖的接觸帶中，上部為第四系和第三系所覆蓋，全部為隱伏礦體，礦脈地理結構十分復雜。[3]上部有河流流過，雖然河流和礦帶之間有第三系的紅板巖，但是由于局部天窗的分布，導致水層和第四系砂礫石層和灰?guī)r層接觸，隔水效果不好。由于灰?guī)r層的含水性，導致這部分成為承壓含水層。復雜的地質背景給開礦帶來了巨大的難度，為了實現(xiàn)不改河、不疏干、不搬遷、不塌陷、不還水的“五不”方針，最終決定的開礦方案是采用礦體近頂板大理巖注漿補漏堵水措施與階段空場嗣后膠結充填采礦方法相結合的綜合治水方案。制約這一方案順利實施的兩個重要因素就是充填材料剛度與采場結構參數(shù)的優(yōu)選問題。

　　設礦房寬度為Bf，填充體剛度為EC，бt為上盤出現(xiàn)的最大拉應力。推測得出：從安全性角度考慮，礦房寬度Bf越小，填充體剛度EC越大，則上盤出現(xiàn)的拉應力越小，施工越可靠;從經(jīng)濟型角度考慮，礦房寬度越大，填充剛度越小越經(jīng)濟，可以看出兩者是相對的，我們要在這之間找一個最佳匹配值。使得上盤出現(xiàn)的拉應力小于但又接近于大理巖的抗拉強度。

　　先通過神經(jīng)網(wǎng)絡建立決策量Bf、EC和目標бt的映射關系，然后用遺傳算法搜索最佳匹配，得到結果Bf=21.256m，EC=396.6MPa，бt=-1.9297MPa，最后進行的結果的合理性驗證，表明這個結果是令人滿意的。

　　3、結論

　　作為現(xiàn)階段比較先進的計算智能和人工智能技術，遺傳算法和神經(jīng)網(wǎng)絡著重于通過迭代算法和非線性映射來求得問題的最優(yōu)解。由于絕大多數(shù)礦場的復雜條件導致采礦工程中的許多問題和方法的決策存在眾多的決策變量，并且多數(shù)變量和目標量的關系都是非線性的，這些特點使得遺傳算法和神經(jīng)網(wǎng)絡等現(xiàn)代先進智能技術能很好的運用到采礦工程的優(yōu)化中去，通過文章研究和實例證明，對于采礦工程的方法優(yōu)化，遺傳算法和神經(jīng)網(wǎng)絡能起到很好的效果，隨著這些技術的進步，他們將會為采礦工程的優(yōu)化方面提供更有力的幫助。

　　參考文獻

　　[1]李云，劉霽.神經(jīng)網(wǎng)絡與主元分析在采礦工程中的應用[J].中南林業(yè)科技大學學報，2010，30(6)：140-146.

　　[2]張磊，柴海福.淺談人工神經(jīng)網(wǎng)絡在采礦工程中的應用[J].學術探討，2008，(6)：172.

　　[3]劉加東，陸文，路洪斌.淺談采礦方法的優(yōu)化選擇[J].IM&P化工礦物與加工，2009，(1)：25：27.

點擊下頁還有更多>>>2017年采礦工程論文范文