一个可解释的深度学习模型,用于准确预测爆炸操作中的平均碎片化大小
Baoqian Huan1,2, Xianglong Li3,4,5, Jianguo Wang1,2,6
1Faculty of Land Resource Engineering, Kunming University of Science and Technology, Kunming, 650093, Yunnan, China.
Scientific reports
|April 3, 2025
概括
一个新的NRBO-CNN-LSSVM模型准确地预测了爆炸碎片的尺寸. 这种先进的方法改进了现有的技术,为优化喷气作业提供了可靠的预测.
科学领域:
- 采矿工程 采矿工程 采矿工程
- 计算科学 计算科学
- 材料科学 材料科学 材料科学
背景情况:
- 爆破效率的评估在很大程度上依赖于碎片化大小预测.
- 传统方法在准确性和适用性方面存在局限性.
- 准确的碎片化大小预测对于优化采矿操作和降低成本至关重要.
研究的目的:
- 开发一种新且准确的模型,用于预测爆炸中平均碎片化大小.
- 克服现有的预测方法的局限性.
- 整合先进的机器学习技术,以提高预测性能.
主要方法:
- 提出了一个NRBO-CNN-LSSVM模型,集成卷积神经网络 (CNN),最小平方支持矢量机 (LSSVM) 和牛顿-拉普森优化器 (NRBO).
- 编制了来自先前研究和现场数据的105个样本的数据库.
- 开发并比较CNN-LSSVM,CNN,LSSVM,SVM和SVR模型进行性能基准测试.
主要成果:
- NRBO-CNN-LSSVM模型在训练组上显示出高精度,R2为0.9717和RMSE为0.0285.
- 在R2为0.9105和RMSE为0.0403.5的测试组中保持了强大的预测性能.
- SHAP和PDP分析确定弹性模量 (E) 与平均碎片化大小正相关,粉末因子 (Pf) 与平均碎片化大小负相关.
结论:
- 该NRBO-CNN-LSSVM模型为平均碎片化大小预测提供了卓越的准确性和适用性.
- 弹性模块和粉末系数是影响碎片化大小的关键变量.
- 开发了一个交互式GUI,用于实际实时应用预测模型.
