相关实验视频
Updated: Jan 7, 2026
09:41
Blast Quantification Using Hopkinson Pressure Bars
Published on: July 5, 2016
9.4K
同时预测和优化岩石碎片和地面振动,使用ANN-RF组合在开放式爆炸
Onalethata Saubi1, Rodrigo S Jamisola2, Raymond S Suglo3
1Department of Mining Engineering, Botswana International University of Science and Technology, Private Bag 16, Palapye, Botswana. so13000604@biust.ac.bw.
Scientific reports
|December 27, 2025
概括
本研究介绍了一种人工智能驱动的框架,用于优化爆炸设计,增强岩石碎片化和最大限度地减少地面振动. 整体机器学习模型实现了高精度,使得在露天采矿中精确控制爆炸结果.
科学领域:
- 采矿工程 采矿工程 采矿工程
- 人工智能的人工智能
- 地质技术工程 地质技术工程
背景情况:
- 在采矿中,爆破作业需要平衡岩石碎片化,并尽量减少地面振动.
- 传统的爆破设计方法往往涉及这些竞争目标之间的权衡.
- 优化爆炸参数对于运营效率和环境合规性至关重要.
研究的目的:
- 开发和验证一个集体机器学习模型,用于预测和优化岩石碎片和地面振动.
- 确定影响碎片和振动的关键输入参数.
- 为在开采采矿中提供精密爆破设计的框架.
主要方法:
- 采用了一种整体机器学习方法,特别是ANN-RF.
- 120个具有10个输入参数的生产爆发用于模型训练和验证.
- 使用树型SHAP分析来确定输入参数的意义.
主要成果:
- 该ANN-RF组合模型在碎片化 (R2 = 0.956) 和粒子速度 (PPV) (R2 = 0.930) 方面都表现出高的预测性能.
- 确定了关键驱动因素:粉末因子和碎片化负担;负担,每次延迟的电荷和振动距离.
- 确定了优化的爆炸设置,以增加碎片化并显著减少PPV.
结论:
- 由人工智能驱动的框架可以同时优化岩石碎片和地面振动.
- 这种方法为喷气工程师提供了一个交互式参数调整工具,以实现所需的结果.
- 该研究提供了一个全面的人工智能驱动的框架,用于在露天采矿环境中精确的爆炸设计.
