採礦工程是一個國家的重要產業,採礦工程直接關係到國家資源、能源的正常供應和使用安全。以下是專門爲你收集整理的採礦工程畢業設計論文，供參考閱讀！
採礦工程方法優化研究
【摘要】採礦工程中的許多方法都是可以優化的，比如採礦工程中的開拓系統和採礦方法。這些方法優化問題，由於決策變量衆多，並且不同情況的所起的作用不同，導致多數問題都是複雜的非線性化問題，不僅如此變量之間的聯繫有時很難用確切的數學模型或者數學表達式表達出來。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採礦工程中方法的優化問題，比如遺傳算法，神經網絡等，本文從上述幾種技術角度，結合實際例子探討了採礦工程方法的優化問題。
【關鍵詞】採礦工程;優化;採礦方法
採礦工程中的許多問題的決策和方法的優化，都是多決策變量問題。以往對這種問題的處理方式都是採用單一變量法，即採用固定其他變量使其值保持不變，透過變化某一變量來探索這一變量對目標函數或目標問題結果的影響，從而找出最優解。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係，以及他們之間的相互作用對最終結果的影響，因此所得的結果並不是真正的最優值。爲了求得真正的最優解，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係以及的對目標結果的影響，從而找出綜合最優值。
1、優化方法
1.1遺傳算法的定義
遺傳算法是一種自適應優化的方法。這種方法基於生物進化的原理，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]透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，最終使它趨向最優解。這種方式是模擬生物適應外界環境的遺傳變異機理，克服了傳統的單決策變量法容易導致的局部極值的缺點，是一種全局優化算法。
1.2神經網絡的定義
人腦思維方式的一大特點就是：透過多個神經元之間的同時的相互作用來動態完成資訊的處理。人工神經網絡就是模擬人腦思維的這種方式，透過計算機來完成一個非線性的動力學系統，可以實現資訊的分佈式存儲和並行協同處理。
1.3遺傳算法與神經網絡協同優化
由於採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網絡強大的非線性映射能力建立決策變量和目標函數的關係，實現對問題的顯式化，然後用遺傳算法對這個目標函數的決策變量進行搜尋和尋優，搜尋到後就輸入之前已經建模好的神經網絡，網絡將自動進行學習和匹配，從而我們可以計算出目標函數對該組決策變量的適應性，然後根據適應性進行遺傳變異操作，反覆多次後即可尋得最優解。
2、優化實例
2.1遺傳算法在礦石品位優化中的應用
遺傳算法是由原始數據，模擬優勝劣汰的方式透過反覆迭代獲得最優解，在這裏實質上是隨機生成一組礦石品位，利用自適應的技術調整品位，經過反覆迭代計算，逐步逼近最優解。
(1)編碼：用定長字元代表遺傳中的基因，在這裏表示某種特定品位，編碼順序依次爲邊界品位、最小工業品位、原礦品位和精礦品位。[2]
(2)初始羣體：每次迭代的初始羣體由上一次迭代生成，第一次的初始羣體隨機生成，每個羣體包含的個體數確定。
(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，那麼它存活下來的可能性就大。類似的這裏的適應度是衡量個體優劣的指標，可以驅動遺傳算法的優化，本例中的適應度取不同品位的礦石所能取得的淨現值。
(4)複製和交換：根據達爾文進化論，適應性強的個體容易生存下來，那麼他們的有利性徵就被保留了，同樣的不利性徵就被淘汰了，適應性強的個體他們的後代跟他們的相似度會比較高，在遺傳算法中可以用複製來代表這一部分;交換就是指上一代多個個體的部分基因相互置換產生新個體。
(5)突變：遺傳算法中產生新個體的又一手段，透過求補運算完成。
(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，一般都是當羣體的平均適應度或最大適應度變化平穩時，迭代終止。
2.2採礦工程優化實例
本處選擇山東萊蕪鐵礦施工時的填充材料剛度與採場結構參數的優化問題來說明一下神經網絡和遺傳算法的具體應用。
山東萊蕪鐵礦谷家臺礦區礦體賦存於大理岩與閃長巖的接觸帶中，上部爲第四系和第三系所覆蓋，全部爲隱伏礦體，礦脈地理結構十分複雜。[3]上部有河流流過，雖然河流和礦帶之間有第三系的紅板岩，但是由於局部天窗的分佈，導致水層和第四系砂礫石層和灰岩層接觸，隔水效果不好。由於灰岩層的含水性，導致這部分成爲承壓含水層。複雜的地質背景給開礦帶來了巨大的難度，爲了實現不改河、不疏幹、不搬遷、不塌陷、不還水的“五不”方針，最終決定的開礦方案是採用礦體近頂板大理岩注漿補漏堵水措施與階段空場嗣後膠結充填採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採場結構參數的優選問題。
設礦房寬度爲Bf，填充體剛度爲EC，бt爲上盤出現的最大拉應力。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，則上盤出現的拉應力越小，施工越可靠;從經濟型角度考慮，礦房寬度越大，填充剛度越小越經濟，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。使得上盤出現的拉應力小於但又接近於大理岩的抗拉強度。
先透過神經網絡建立決策量Bf、EC和目標бt的映射關係，然後用遺傳算法搜尋最佳匹配，得到結果Bf=21.256m，EC=396.6MPa，бt=-1.9297MPa，最後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
作爲現階段比較先進的計算智能和人工智能技術，遺傳算法和神經網絡着重於透過迭代算法和非線性映射來求得問題的最優解。由於絕大多數礦場的複雜條件導致採礦工程中的許多問題和方法的決策存在衆多的決策變量，並且多數變量和目標量的關係都是非線性的，這些特點使得遺傳算法和神經網絡等現代先進智能技術能很好的運用到採礦工程的優化中去，透過文章研究和實例證明，對於採礦工程的方法優化，遺傳算法和神經網絡能起到很好的效果，隨着這些技術的進步，他們將會爲採礦工程的優化方面提供更有力的幫助。
參考文獻
[1]李雲，劉霽.神經網絡與主元分析在採礦工程中的應用[J].中南林業科技大學學報，2010，30(6)：140-146.
[2]張磊，柴海福.淺談人工神經網絡在採礦工程中的應用[J].學術探討，2008，(6)：172.
[3]劉加東，陸文，路洪斌.淺談採礦方法的優化選擇[J]&P化工礦物與加工，2009，(1)：25：27.