基于Optuna-RF智能模型的采礦方法優(yōu)選

關(guān)鍵詞：人工智能；采礦方法；分類預(yù)測(cè)；智能模型；自動(dòng)化;超參數(shù)；隨機(jī)森林;Optuna中圖分類號(hào)：TD679 文章編號(hào)：1001-1277（2025）08-0007-06文獻(xiàn)標(biāo)志碼：A doi：10.11792/hj20250802

引言

隨著全球工業(yè)需求的不斷增長(zhǎng)，礦產(chǎn)資源的有效開采變得越來越重要。采礦方法的選擇是礦業(yè)工程中一個(gè)復(fù)雜而關(guān)鍵的決策過程，它不僅關(guān)系到資源的有效利用率，還涉及經(jīng)濟(jì)效益、環(huán)境影響及工人安全等多個(gè)維度[1-2]。傳統(tǒng)的采礦方法選擇往往依賴于經(jīng)驗(yàn)判斷，這在處理復(fù)雜變量時(shí)可能導(dǎo)致出現(xiàn)未能達(dá)到最優(yōu)決策的風(fēng)險(xiǎn)。有效的采礦方法選擇需綜合考慮諸多因素[3]，包括礦體的厚度、傾角、穩(wěn)定性等開采技術(shù)條件，以及采場(chǎng)的生產(chǎn)能力、采礦效率和成本等技術(shù)經(jīng)濟(jì)指標(biāo)，這些因素之間往往表現(xiàn)出明顯的非線性關(guān)聯(lián)。

近年來，人工智能技術(shù)在眾多工業(yè)領(lǐng)域展現(xiàn)了其巨大潛力，尤其在處理復(fù)雜系統(tǒng)優(yōu)化問題上表現(xiàn)突出[4-5]。在采礦方法的優(yōu)化選擇上，人工智能技術(shù)的應(yīng)用也成功展示了其卓越性能[6-8]。例如：陳建宏等[9]結(jié)合主成分分析和神經(jīng)網(wǎng)絡(luò)模型進(jìn)行采礦方法選擇，該組合模型的預(yù)測(cè)性能相較于單一神經(jīng)網(wǎng)絡(luò)有顯著提升；ABDELRASOUL等[\"采用級(jí)聯(lián)前饋反向傳播神經(jīng)網(wǎng)絡(luò)進(jìn)行最優(yōu)采礦方法選擇；OZYURT等則開發(fā)了一種結(jié)合人工神經(jīng)網(wǎng)絡(luò)與博弈論的新型地下采礦方法選擇模型。

在這一背景下，隨機(jī)森林（RandomForest，RF）算法作為一種高效的集成學(xué)習(xí)技術(shù)，在眾多領(lǐng)域中已證明其能夠提供高度準(zhǔn)確的預(yù)測(cè)結(jié)果[12-13]。然而，RF模型的性能依賴于其超參數(shù)的設(shè)置。為進(jìn)一步提升RF模型的預(yù)測(cè)性能，本研究引入了自動(dòng)超參數(shù)優(yōu)化框架（Optuna）。Optuna專門設(shè)計(jì)用于自動(dòng)化機(jī)器學(xué)習(xí)模型的超參數(shù)調(diào)優(yōu)，通過高效的搜索策略能夠極大提升模型的性能和適用性[14]。在本研究中，筆者利用收集到的礦山開采技術(shù)條件、技術(shù)經(jīng)濟(jì)指標(biāo)及采礦方法的統(tǒng)計(jì)數(shù)據(jù)對(duì)提出的Optuna-RF模型進(jìn)行了訓(xùn)練和測(cè)試。為了驗(yàn)證模型的有效性，研究將優(yōu)化后RF模型的結(jié)果與傳統(tǒng)未優(yōu)化的RF模型進(jìn)行了比較分析，確保模型具有優(yōu)異的預(yù)測(cè)精度，為采礦方法的選擇提供了一個(gè)高效、可靠的決策工具。

1 方法原理

1. 1 自動(dòng)超參數(shù)優(yōu)化框架

Optuna是由AKIBA等[15]于2019年提出的用于自動(dòng)超參數(shù)優(yōu)化的開源框架，廣泛應(yīng)用于機(jī)器學(xué)習(xí)項(xiàng)目中以自動(dòng)尋找最佳的模型參數(shù)。Optuna基于3個(gè)核心概念[16]：目標(biāo)函數(shù)（ObjectiveFunction）、試驗(yàn)（Trial）和研究（Study）。

1）目標(biāo)函數(shù)：這是一個(gè)由用戶定義的函數(shù)，它接受一組超參數(shù)并返回一個(gè)數(shù)值，通常是模型的性能指標(biāo)（如準(zhǔn)確率、損失等）。目標(biāo)函數(shù)是優(yōu)化過程的核心，Optuna通過調(diào)整超參數(shù)來最小化或最大化這一指標(biāo)。目標(biāo)函數(shù)定義了超參數(shù)的搜索空間，用戶可以自由定義每個(gè)超參數(shù)的分布范圍。

2）試驗(yàn)：試驗(yàn)代表一次獨(dú)立的參數(shù)評(píng)估過程。在每個(gè)試驗(yàn)中，Optuna選擇目標(biāo)函數(shù)的一個(gè)參數(shù)集合，運(yùn)行模型，并記錄結(jié)果。試驗(yàn)不僅評(píng)估當(dāng)前的參數(shù)組合，還通過其性能反饋幫助調(diào)整后續(xù)的搜索策略。Optuna支持試驗(yàn)的并行執(zhí)行，大大節(jié)省了計(jì)算資源并減少了優(yōu)化過程的總時(shí)間。

3）研究：研究是一系列試驗(yàn)的集合，它負(fù)責(zé)管理整個(gè)優(yōu)化過程。一個(gè)研究定義了優(yōu)化的目標(biāo)（最小化或最大化）優(yōu)化策略及記錄所有試驗(yàn)結(jié)果的數(shù)據(jù)庫。研究允許用戶檢視整個(gè)優(yōu)化過程的歷史，評(píng)估不同超參數(shù)的影響，并從中選擇最佳的參數(shù)配置。

Optuna以其易用性、靈活性和高效性著稱。它采用了一種名為\"Tree-structuredParzenEstimator（TPE）\"的算法來實(shí)施貝葉斯優(yōu)化，這種算法比傳統(tǒng)的網(wǎng)格搜索和隨機(jī)搜索更有效地探索參數(shù)空間。此外，Optuna設(shè)計(jì)了剪枝（Pruning）機(jī)制，可以在試驗(yàn)過程的中間階段終止表現(xiàn)不佳的試驗(yàn)，從而節(jié)省資源并集中精力在更有前景的參數(shù)配置上。Optuna支持在多個(gè)處理器或多臺(tái)機(jī)器上并行執(zhí)行優(yōu)化過程，以加快尋找最佳超參數(shù)的速度。它還提供了直觀的結(jié)果可視化工具，幫助用戶理解和分析優(yōu)化過程。總的來說，Optuna結(jié)合了高效的算法、靈活的參數(shù)定義方法、強(qiáng)大的剪枝機(jī)制及出色的并行處理能力和可視化支持，成為機(jī)器學(xué)習(xí)及其他領(lǐng)域中超參數(shù)優(yōu)化的強(qiáng)大工具。

1.2 隨機(jī)森林算法原理

隨機(jī)森林算法是一種集成學(xué)習(xí)算法，它融合了Bagging技術(shù)和隨機(jī)特征選擇的方法來構(gòu)建多棵決策樹，從而提供優(yōu)于傳統(tǒng)單棵決策樹的分類效果[1]。RF算法分類模型結(jié)構(gòu)如圖1所示，該算法的構(gòu)建和運(yùn)行步驟如下：

圖1RF算法分類模型結(jié)構(gòu)示意圖

Fig.1Structurediagram of theRFalgorithmclassificationmodel

1）數(shù)據(jù)集的采樣：RF算法通過Bagging方法從原始訓(xùn)練數(shù)據(jù)集 T≡{（x₁，y₁），（x₂，y₂），…，（x_m，y_m）} 中隨機(jī)抽取樣本，從中選取 N 個(gè)樣本，形成多個(gè)子訓(xùn)練集，每個(gè)子訓(xùn)練集用來訓(xùn)練一個(gè)獨(dú)立的決策樹。

2）決策樹構(gòu)建：在每棵決策樹的構(gòu)建過程中，RF算法不是考慮所有可能的特征，而是從所有可用特征M 中隨機(jī)選取一個(gè)小子集 m（m?M） ，并在這些特征中尋找最優(yōu)的分裂點(diǎn)來進(jìn)行節(jié)點(diǎn)的劃分。這些決策樹一般允許生長(zhǎng)至很深，除非達(dá)到預(yù)設(shè)的停止條件。雖然深層決策樹可能學(xué)習(xí)到更復(fù)雜的數(shù)據(jù)模式，但也有過擬合的風(fēng)險(xiǎn)。在隨機(jī)森林中，單棵決策樹的過擬合不會(huì)影響整體模型的泛化性能，因?yàn)樗皇巧种械囊徊糠帧Ｖ貜?fù)執(zhí)行上面步驟來生成大量的決策樹，這些決策樹就會(huì)構(gòu)成隨機(jī)森林。

3）結(jié)果匯總：在分類任務(wù)中，每棵決策樹對(duì)于輸入樣本都會(huì)給出一個(gè)預(yù)測(cè)結(jié)果。隨機(jī)森林通過集成所有決策樹的輸出，并通過投票機(jī)制確定得票最多的類別，作為最終的分類決定。

2 采礦方法優(yōu)選模型

2.1 數(shù)據(jù)描述與預(yù)處理

基于文獻(xiàn)[9]，共收集了15組關(guān)于采礦方法的詳細(xì)統(tǒng)計(jì)數(shù)據(jù)，涵蓋了多種開采技術(shù)條件和技術(shù)經(jīng)濟(jì)指標(biāo)，如表1所示。其中，輸入為走向長(zhǎng)度 （X₁） 、厚度 （X₂） 、傾角 （X₃） 、礦體穩(wěn)固性 （X₄） 、上盤穩(wěn)固性 （X₅） 、下盤穩(wěn)固性 （X₆） 、采場(chǎng)生產(chǎn)能力 （X₇） 、采礦效率 （X₈） 、采礦損失率 （X₉） 、礦石貧化率 （X₁₀） 采礦成本 （X₁₁） 。輸出為五類采礦方法，分別是留礦采礦法、分層充填采礦法、分段空?qǐng)霾傻V法、削壁充填采礦法和全面采礦法，依次記為1，2，3，4，5。由于所涉及的數(shù)據(jù)具有不同的量綱和層級(jí)，數(shù)據(jù)間存在顯著差異，這可能影響模型的訓(xùn)練和測(cè)試效果。為了解決這一問題，并保證數(shù)據(jù)處理的一致性，研究前對(duì)數(shù)據(jù)進(jìn)行了標(biāo)準(zhǔn)化處理，依據(jù)式（1）將各項(xiàng)指標(biāo)統(tǒng)一到相同的尺度。

式中： x 為原始數(shù)據(jù)點(diǎn)： ;μ 為數(shù)據(jù)集中所有數(shù)據(jù)的平均值； σ 為數(shù)據(jù)集中所有數(shù)據(jù)的標(biāo)準(zhǔn)差。

2.2 超參數(shù)優(yōu)化

為了充分發(fā)揮RF分類模型的性能潛力，利用Optuna進(jìn)行超參數(shù)優(yōu)化是關(guān)鍵。隨機(jī)森林模型中幾個(gè)可優(yōu)化的關(guān)鍵超參數(shù)[17-19]包括：n_estimators、max_depthmin_samples_splitmin_samples_leaf。這些參數(shù)的具體定義及其搜索空間如表2所示。通過系統(tǒng)地探索這些參數(shù)的配置空間，可以有效提高模型的準(zhǔn)確性和泛化能力。

表1某礦山開采技術(shù)條件及技術(shù)經(jīng)濟(jì)指標(biāo)、采礦方法統(tǒng)計(jì)數(shù)據(jù)

Table1Statisticaldataonmining technicalconditions，technicalandeconomicindicators，andmining methodsofamine

表2RF模型超參數(shù)含義及搜索空間Table2 MeaningsofRFmodel hyperparameterand their search space

原始數(shù)據(jù)集 Optuna優(yōu)化框架定義目標(biāo)函數(shù)數(shù)據(jù)標(biāo)準(zhǔn)化訓(xùn)練集測(cè)試集 配置搜索空間優(yōu)化RF模型創(chuàng)建研究（Study）Optuna-RF模型執(zhí)行優(yōu)化準(zhǔn)確率（評(píng)估指標(biāo)）獲取最佳超參數(shù)輸出分類結(jié)果

2.3Optuna-RF模型

Optuna-RF模型的構(gòu)建流程如圖2所示。具體而言，在構(gòu)建模型之前，數(shù)據(jù)集被劃分為訓(xùn)練集和測(cè)試集。其中，樣本編號(hào) F₁～F₁₂ 被選為訓(xùn)練集，而 F₁₃～F₁₅ 則作為測(cè)試集。模型的訓(xùn)練過程中，將采用Optuna來優(yōu)化隨機(jī)森林的4個(gè)關(guān)鍵超參數(shù)，即 n _estimators、max_depthmin_samples_split和min_samples_leaf，并設(shè)置迭代優(yōu)化過程為200次。達(dá)到預(yù)定的迭代次數(shù)后，將根據(jù)Optuna優(yōu)化得出的最優(yōu)超參數(shù)配置完成模型的訓(xùn)練。然后使用獨(dú)立的測(cè)試集來評(píng)估模型的性能，其中模型預(yù)測(cè)的準(zhǔn)確率將作為主要評(píng)價(jià)指標(biāo)。

3 結(jié)果與討論

3.1 超參數(shù)優(yōu)化結(jié)果

在使用Optuna對(duì)RF模型進(jìn)行超參數(shù)優(yōu)化的過程中，模型在第42次迭代時(shí)準(zhǔn)確率達(dá)到了峰值，如圖3所示。在此次迭代中得到的超參數(shù)組合被視作該RF模型的最佳參數(shù)配置，具體的參數(shù)值如表3所示。此外，Optuna還評(píng)估了各個(gè)超參數(shù)對(duì)模型性能的貢獻(xiàn)度，如圖4所示。其中，min_samples_split和min_sam-ples_leaf這2個(gè)參數(shù)的調(diào)整對(duì)優(yōu)化結(jié)果有著較為顯著的影響，特別是min_samples_leaf的重要性尤其突出。相反，n_estimators和max_depth這2個(gè)參數(shù)在優(yōu)化結(jié)果中的作用相對(duì)較小。這表明該模型調(diào)優(yōu)過程中應(yīng)優(yōu)先考慮調(diào)整min_samples_leaf和min_samples_split參數(shù)，這樣的策略更有可能在提高模型的預(yù)測(cè)準(zhǔn)確性方面產(chǎn)生積極效果，而無需通過增加決策樹的數(shù)量或深度來實(shí)現(xiàn)。

圖3Optuna優(yōu)化迭代過程 Fig.3Optimization and iteration process of Optuna

Table 3Optimal values of hyperparameters

圖4超參數(shù)重要性

Fig.4Importance of hyperparameters

3.2Optuna-RF模型預(yù)測(cè)結(jié)果

Optuna-RF模型訓(xùn)練集的混淆矩陣如圖5所示。利用Optuna-RF模型對(duì)測(cè)試集進(jìn)行性能評(píng)估。為了凸顯Optuna-RF模型的性能優(yōu)勢(shì)，本文還使用了未優(yōu)化的RF進(jìn)行比較。值得指出的是，這2個(gè)模型都是在相同的訓(xùn)練集和測(cè)試集上進(jìn)行評(píng)估的。Optuna-RF模型訓(xùn)練集預(yù)測(cè)結(jié)果與實(shí)際值的對(duì)比如表4所示。從結(jié)果對(duì)比中可以看出，Optuna-RF模型在測(cè)試集上的準(zhǔn)確率遠(yuǎn)高于未優(yōu)化RF模型的準(zhǔn)確率（僅為67% ），這表明經(jīng)過Optuna優(yōu)化RF模型的預(yù)測(cè)性能有了明顯提高。在實(shí)際工程應(yīng)用中，為了進(jìn)一步增強(qiáng)模型的預(yù)測(cè)能力，建議根據(jù)具體的工程要求，收集更多的案例數(shù)據(jù)擴(kuò)充數(shù)據(jù)庫。

3.3 工程實(shí)例

中金嶺南有色金屬股份有限公司凡口鉛鋅礦（下稱“凡口鉛鋅礦”屬于沉積-改造黃鐵礦型層控鉛鋅礦。金星嶺礦體表現(xiàn)為向北傾斜，獅嶺礦體則向東傾斜，獅嶺南礦體為獅嶺礦體的南部延伸區(qū)域。礦體形態(tài)復(fù)雜，產(chǎn)狀受構(gòu)造控制。主礦體的走向長(zhǎng)度 X₁ 為800m ，厚度 X₂"為 7.34m ，傾角 X₃nbsp;為 60.41^°"，礦體穩(wěn)固性 X₄"為12，上盤穩(wěn)固性 X_s"為9，下盤穩(wěn)固性 X₆"為10。采場(chǎng)生產(chǎn)能力""為 150‰ ，采礦效率 X₈"為50t/工班，采礦損失率 X₉nbsp;和礦石貧化率 X₁₀"分別為 2.5% 和12.5% ，采礦成本 X₁₁"為150元t。由于地質(zhì)條件復(fù)雜，為確保地面建筑物的穩(wěn)定性，采區(qū)內(nèi)不允許發(fā)生地表塌陷。

圖5Optuna-RF模型訓(xùn)練集的混淆矩陣 Fig.5Confusion matrix of the training set of the Optuna-RF model

表4Optuna-RF與RF測(cè)試集結(jié)果對(duì)比

Table 4Comparison of test results between Optuna-RF and RF training sets

基于凡口鉛鋅礦的開采技術(shù)條件和相關(guān)技術(shù)經(jīng)濟(jì)指標(biāo)，利用開發(fā)的Optuna-RF模型對(duì)采礦方法進(jìn)行了優(yōu)選，結(jié)果如表5所示。模型最終預(yù)測(cè)結(jié)果為分層充填采礦法（2），而當(dāng)前凡口鉛鋅礦實(shí)際采用的采礦方法為上向水平分層充填采礦法（如圖6所示）。凡口鉛鋅礦經(jīng)過多年的采礦實(shí)踐且結(jié)合生產(chǎn)狀況和礦體開采技術(shù)條件，得出盤區(qū)機(jī)械化上向分層充填采礦法是較適合的采礦方法，其通過采用高效無軌配套設(shè)備對(duì)厚大礦體進(jìn)行強(qiáng)化開采提高了采場(chǎng)生產(chǎn)能力和綜合效率[20]。模型預(yù)測(cè)與實(shí)際情況一致，驗(yàn)證了所構(gòu)建的采礦方法優(yōu)選智能模型的預(yù)測(cè)精度與可靠性。

4結(jié)論

1）本研究應(yīng)用Optuna來實(shí)現(xiàn)RF模型超參數(shù)的優(yōu)化，構(gòu)建的Optuna-RF模型在訓(xùn)練集和測(cè)試集上的分類準(zhǔn)確率有明顯提升，較未優(yōu)化模型（準(zhǔn)確率 67% ）表現(xiàn)出顯著的性能提升，證明了超參數(shù)優(yōu)化在增強(qiáng)模型泛化能力和預(yù)測(cè)精度方面的有效性

表5凡口鉛鋅礦開采技術(shù)條件、技術(shù)經(jīng)濟(jì)指標(biāo)及采礦方法預(yù)測(cè)結(jié)果

Table5Predictionresultsofmining technicalconditions，technicalandeconomicindicators，andmining methodsfortheFankou Lead-Zinc Mine

圖6凡口鉛鋅礦上向水平分層充填采礦法

Fig.6Method of upward horizonal slicing with backfilling in the Fankou Lead-Zinc Mine

2）Optuna優(yōu)化過程顯示，min_samples_split和min_samples_leaf對(duì)模型性能有顯著影響，而 n _estimators和max_depth的影響較小，這表明未來模型優(yōu)化應(yīng)聚焦于葉節(jié)點(diǎn)和分裂節(jié)點(diǎn)的樣本數(shù)量調(diào)整，而不是單純?cè)黾幽Ｐ偷膹?fù)雜度。

3）基于Optuna-RF模型對(duì)凡口鉛鋅礦的采礦方法進(jìn)行了優(yōu)選，模型的預(yù)測(cè)結(jié)果與礦山實(shí)際情況一致。這一工程實(shí)例的應(yīng)用進(jìn)一步證明了Optuna-RF模型在預(yù)測(cè)精度和可靠性方面的優(yōu)越性，為采礦方法的選擇與優(yōu)化提供了有力的技術(shù)支持。

[參考文獻(xiàn)]

[1］李永新，王慶磊，呂軍恩.呼倫貝爾山金礦業(yè)有限公司急傾斜極薄礦體采礦方法研究[J].黃金，2023，44（2）：19-21.

[2]曾令義.低品位傾斜中厚礦體充填采礦法優(yōu)選[J].黃金，2023，44（2）：22-26.

[3] 董國(guó)強(qiáng)，王彥，張宏偉.膠東半島某金礦深部礦體采礦方法優(yōu)化[J].黃金，2023，44（6）：11-14.

[4] 王瑞源.基于采礦地球物理方法的人工智能采礦技術(shù)研究 一評(píng)《采礦地球物理理論與技術(shù)》[J].有色金屬工程，2022，12（2）：146.

[5]劉明淳，蔣加森，姜海濤，等.基于PCA-EWM-TOPSIS耦合算法的地下開采礦山巖體質(zhì)量分級(jí)[J].黃金，2022，43（6）：27-31.

[6]孫征南.基于人工智能理論的采礦方法選擇的研究[D].沈陽：東北大學(xué)，2009.

[7]徐征軍，李雪松，張安.基于人工智能理論的采礦方法選擇的研究[J].世界有色金屬，2019（17）：54-55.

[8] ALID，F(xiàn)RIMPONG S.Artificial intelligence，machine learning andprocessautomation：Existingknowledge frontierand way forward formining sector[J].Artificial Intelligence Review，2O20，53（8）：6 025-6 042.

[9] 陳建宏，劉浪，周智勇，等.基于主成分分析與神經(jīng)網(wǎng)絡(luò)的采礦方法優(yōu)選[J].中南大學(xué)學(xué)報(bào)（自然科學(xué)版），2010，41（5）：1967-1972.

[10]ABDELRASOUL MEI，WANGG，KIMJG，et al.Review on thedevelopment of mining method selection to identify new techniquesusinga cascade-forward backpropagation neural network[J].Advancesin Civil Engineering，2022，2022：1-16.

[11]OZYURT M C，KARADOGAN A.A new model based on artificialneural networksand gametheoryforthe selectionofundergroundmining method[J].Journal ofMining Science，2020，56（1） ：66-78.

[12]ZHOU J，HUANG S，ZHOU T，et al.Employing a genetic algorithmand greywolf optimizer for optimizingRFmodelstoevaluate soilliquefaction potential[J].Artificial IntelligenceReview，2O22，55（7）：5673-5 705.

[13] 胡友彪，琚棋定.基于粒子群優(yōu)化隨機(jī)森林的煤礦涌（突）水水源機(jī)器學(xué)習(xí)識(shí)別技術(shù)[J].煤炭科技，2022，43（4）：52-60.

[14]李振華，徐杰，王文強(qiáng)，等.基于Optuna-LSTM的礦壓預(yù)測(cè)方法

研究［J].礦業(yè)研究與開發(fā)，2023，43（3）：98-102.

[15] AKIBAT，SANOS，YANASET，etal.Optuna：Anext-generationhyperparameteroptimizationframework[C]//Association for Com-putingMachinery.Proceedings of the 25th ACMSIGKDDinterna-tional conference on knowledge discovery amp; data mining.NewYork：Association for ComputingMachinery，2019：2 623-2 631.

[16]蔣熙梅，閆偉超，邢會(huì)林，等.基于自動(dòng)超參數(shù)優(yōu)化框架與梯度提升算法融合的儲(chǔ)層粒度二維分布預(yù)測(cè)研究[J].地球物理學(xué)進(jìn)展，2024，39（5）：1886-1900.

[17] BREIMANL.Random forests[J].Machine Learning，2Oo1，45（1）：5-32.

[18]ZHOU J，HUANG S，QIU Y.Optimization of random forest throughtheuse of MVO，GWO and MFO in evaluating the stability ofunderground entry-type excavations[J].Tunnelling and Under-ground Space Technology，2022，124：104494.

[19] 張建濤，劉志祥，張雙俠，等.基于WOA-RF的邊坡穩(wěn)定性預(yù)測(cè)模型[J].高壓物理學(xué)報(bào)，2024（3）：191-202.

[20] 唐建.盤區(qū)機(jī)械化充填采礦工藝在凡口鉛鋅礦的運(yùn)用[J].采礦技術(shù)，2011，11（1）：4-5，10.

Optimal selection of mining methods based on the Optuna-RF intelligent model

Xu Yangfeng1， Chen Yuxin2， Zhou Jian2， Qiu Xianyang2， Tian Zhigang1 （1.Fankou Lead-Zinc Mine，Zhongjin Lingnan Non-ferrous Metals Co.，Ltd.; 2.School ofResources and Safety Engineering， Central South University）

Abstract：With thegrowing global demand for industrial resources，the selection of eficientand reliable mining methods has become increasingly critical.This study explores ways to enhance the scientific and accurate selection of mining methods by integrating advanced machine learning techniques with an automated hyperparameteroptimization framework.Based on the collction and analysis of various miningconditionsand techno-economic indicators，an optimized random forest model based on Optuna was developed.The optimization processfocused on tuning 4 key hyperparametersof theRF model to improve itspredictiveaccuracyandgeneralization performance.Experimental results showed that the optimized RF model evidently improved clasification accuracy on boththe training and testing datasets.The Optuna-RF model significantlyoutperformed theunoptimized model.Theseresults demonstrate the crucial roleof automated hyperparameteroptimization in enhancing the generalization and predictivecapabilities of machine learning modelsand provide an effctive technical approach for the intelligent selection of mining methods.

Keywords：artificial intelligence; mining method; clasification prediction; intelligent model; automation;hyperparameters; random forest; Optuna