基于BP神經網絡的金屬礦山生產規模優化研究

張　誠,黃　彬

(贛州稀土礦業有限公司，　江西 贛州市　341000)

?

基于BP神經網絡的金屬礦山生產規模優化研究

張誠,黃彬

(贛州稀土礦業有限公司，江西 贛州市341000)

摘要：合理確定生產規模是金屬礦山采礦設計中的一項核心決策要素。采用傳統分析方法確定生產規模，由于考慮因素不完全，得到的結果并不理想，與現實偏差較大，為此，提出了基于BP神經網格的智能化預測系統，并對BP神經網絡和系統建立進行了簡介，為金屬礦山確定生產規模提供了借鑒。

關鍵詞：金屬礦山； BP神經網絡；生產規模；智能化系統

0前言

在金屬礦山的采礦設計中，確定生產規模是一項極其重要的待決策要素，在以后的許多生產要素均圍繞生產規模來確定。因此，確定一個合理的生產規模能降低礦山企業的各項生產成本，使礦山企業的社會經濟效益增大，從而提高企業的競爭力。由于受到社會條件、經濟水平、法規政策、地理環境、科學技術等多方面的綜合因素影響，確定礦山生產規模是一項具有未確定性、模糊性、隨機性、高維性等特征的非線性系統工程。上世紀，國內外礦業領域的學者開始重視這項研究工作，投入大量的精力從事相關的研究，也得到了一定的成果[1-2]，但過去的大多數研究都忽視了在實際生產中很多影響生產規模的因素都具有不確定性而難以用精確的數學語言來描述的特征，所以局限于使用靜態或動態的數值優化計算求得生產規模，這樣得到的結果與實際生產可能產生一定的脫節[3]，從而影響企業效益。由此可知，金屬礦山企業確定生產規模是一項慎之又慎的工作，為此探討了基于BP神經網絡的智能化系統，以確定金屬礦山的合理生產規模。

1研究現狀

目前金屬礦山企業常用于確定生產規模的方法主要有以下3種：

(1) 采用統計分析的方法，通過收集一定數量礦山樣本的多年的生產數據進行分析，從而得到確定生產規模的方法，比較有代表性的是泰勒公式，為了尋找更適合我國礦山的生產情況，鄭明貴等[4]也對泰勒公式進行了優化，但由于該方法考慮因素較少，屬于一種粗放型的方法，不能保證企業達到好的效益。

(2) 有學者從礦山開采技術角度出發研究礦山生產規模的方法，其中礦山開采年下降速度法、新階段準備速度法等方法具有一定的代表性[5]。但這些方法只單純的考慮了礦山開采過程中的技術因素，沒有考慮資金的時間價值和市場需求等社會經濟影響因素，結果并不理想。

(3) 從技術經濟角度研究礦山的生產規模，如盈虧平衡分析法、敏感性分析法、經濟合理服務年限法等方法對礦山生產規模進行優化[6]，但這種方法得到的結果不能直接用于指導生產，這些方法不但因約束條件太苛刻而在現實生產中難以獲取，而且考慮的指標也偏向于經濟方面而得出的結果與現實偏差較大。

綜上所述筆者在確定礦山合理生產規模過程中，研究建立了基于BP人工神經網格的智能化預測系統，該系統綜合了影響礦山生產規模本質的多個指標信息，并將這些指標通過橫向和縱向比較,全面反映影響生產規模的因素，從而確定礦山合理生產規模。

2BP神經網絡簡介

BP神經網絡(Back-Propagation Neural Network)是誤差回傳神經網絡的簡稱，是一種按誤差逆傳播算法訓練的多層前饋網絡，也是目前在各行業里應用最廣泛的神經網絡模型之一。BP神經網絡模型拓撲結構由輸入層、中間層和輸出層等三層組成，信息由輸入層傳到中間層最后傳到輸出層依次傳播，使用最速下降法作為信息傳播過程中的學習規則，還會不斷的通過反向傳播來調整網絡的權值和閾值，使網絡的誤差平方和最小。

BP神經網絡的工作過程由學習期和工作期組成，其中學習期能使各層神經單元之間的聯接權值成為一個固定值而成為網絡工作過程的重點，學習期又由正向傳播輸入信息和反向傳播誤差兩個過程組成[7-8]。正向傳播輸入信息是指信息依次從輸入層傳到輸出層，下一層的神經元狀態只會受到上一層神經元的影響。如果輸出層輸出的最終結果與期望值存在偏差時，BP神經網絡會把誤差計算出來，并按相同的聯接通路把誤差返回，同時還會修改各層神經元之間的聯接權值使輸出的結果與期望值接近，這也是BP神經網絡學習期的反向傳播誤差的過程。在學習期使用大量的樣本把BP神經網絡各層神經單元之間的聯接權值訓練成一個固定值之后，訓練成熟的BP神經網絡即可工作。把需要求結果的目標樣本的數據從輸入層輸入到訓練成熟的BP神經網絡中，BP神經網絡按學習期得到的網絡權值和閥值傳到輸出層并得到理想的最終結果。

3基于BP神經網絡的智能化系統建立

基于BP神經網絡的智能化系統可建立成一個人機交互良好的運用體系，首先在已取得良好社會經濟效益的在產礦山中，獲取各項影響生產規模的生產要素作為學習期的訓練樣本，根據BP神經網絡的自身優點把其訓練成熟，再利用訓練成熟的BP神經網絡來確定樣本礦山的合理生產規模。在訓練系統中的BP神經網絡時，筆者把礦區地質環境、礦體賦存特征、礦層厚度、礦石質量、礦床水文地質條件、礦床工程地質條件、設計開采儲量、采礦方法、礦井開拓系統、采礦損失率、采礦貧化率、選礦工藝條件、選礦回收率、礦區地理交通位置、礦山原有資產凈值、市場需求、國家法規政策、單位礦石成本、企業定員、總投資20個生產要素按一定的規則統一賦值后作為BP神經網絡的輸入層神經元[9]，把生產規模、總投資收益率、財務內部收益率、財務凈現值4個要素作為BP神經網絡的輸出層神經元，共收集了30個社會經濟效益良好的金屬礦山的生產要素作為訓練樣本，對建立的智能化系統進行訓練，得到了良好的結果。訓練結束后計算樣本礦山的生產規模，取得了理想的結果。

4結論

基于BP神經網絡構建的計算金屬礦山合理生產規模的智能化系統，利用BP神經網絡的自我學習特征把影響生產規模的多個本質指標集中在同一個系統中，根據一定的規則把這些指標統一賦值并進行訓練，訓練成熟之后再運用到目標樣本中，從而得到期望的結果，為金屬礦山企業確定生產規模提供了借鑒。

參考文獻：

[1]徐強，曹瑞峰.長城鐵礦最佳生產規模分析論證[J].河北地質學院學報，1994，17(1)：74-77.

[2]王革民，陳建宏,劉浪.現代礦山開采生產規模優化準則綜述[J].礦業研究與開發，2012,32(15):1-5.19.

[3]魏一鳴，童光煦.基于神經網絡的礦山經濟規模專家系統研究[J].江西有色冶金，1994，8(4)：6-10.

[4]鄭明貴，蔡嗣經.地采金屬礦山生產規模確定的泰勒公式的研究[J].江西理工大學學報，2007,7(3)：21-25.

[5]《采礦手冊》編委會．采礦手冊[M].北京：冶金工業出版社，1994.

[6]張順堂.金屬礦山經營參數動態優化綜合模型研究[J].礦業研究與開發,2005,25(03):5-8,33.

[7]K．S．Narendra，Adaptive Control Using Neural Networks[J].Neural Networks for Control,991:115-142.

[8]胡敬朋，謝廣祥.基于神經網絡的綜放工作面生產能力預測模型[J].礦業研究與開發，2005，25(2)：10-11,52.

[9]鄭明貴，蔡嗣經.金屬礦山擴建合理規律的影響因素[J].采礦技術，2007，7(1):1-2,53.(收稿日期：2015-08-17)

作者簡介：張誠(1986-)，男，江西龍南人，碩士研究生，主要從事礦山設計、施工、管理工作，Email：411075365@qq.com。