Tesis de Graduación en Ingeniería de Minas
La ingeniería de minas es una industria importante de un país y está directamente relacionada con la seguridad normal del suministro y uso de los recursos y la energía nacionales. ¡La siguiente es una tesis de graduación de ingeniería minera especialmente recopilada para su referencia!
Investigación sobre optimización de métodos de ingeniería minera
Se pueden optimizar muchos métodos en ingeniería minera, como el sistema de desarrollo y los métodos de minería en ingeniería minera. Los problemas de optimización de estos métodos son complejos y no lineales porque hay muchas variables de decisión y diferentes situaciones desempeñan diferentes roles. Además, la relación entre variables a veces es difícil de expresar con modelos o expresiones matemáticas precisas. Por lo tanto, considerando que la tecnología informática y la tecnología de inteligencia artificial se pueden utilizar para lograr la optimización de los métodos de ingeniería minera, como algoritmos genéticos, redes neuronales, etc., este artículo analiza la optimización de los métodos de ingeniería minera desde la perspectiva técnica anterior con ejemplos.
Ingeniería de minas; optimización; métodos de minería
La toma de decisiones y la optimización de métodos de muchos problemas en ingeniería de minas son variables de decisión múltiple. El método anterior para abordar este problema es el método de una sola variable, es decir, fijar otras variables para que sus valores permanezcan sin cambios y cambiar una variable para explorar el impacto de esta variable en la función objetivo o el resultado de la problema objetivo para encontrar la solución óptima. Aunque este método simplifica enormemente la solución de este problema multivariable, ignora la relación entre variables y el impacto de su interacción en el resultado final, por lo que el resultado obtenido no es el valor óptimo real. Para obtener la verdadera solución óptima, es necesario cambiar todas las variables de decisión al mismo tiempo, explorar su relación con el objetivo en este caso y su impacto en el resultado objetivo, para encontrar el valor óptimo integral.
1. Método de optimización
1.1 Definición de algoritmo genético
El algoritmo genético es un método de optimización adaptativo. Este método se basa en el principio de la evolución biológica, simula los pasos de la evolución biológica e introduce los conceptos de reproducción, hibridación, mutación, competencia y selección en el algoritmo. [1] Al mantener y reorganizar un conjunto de soluciones factibles, en el caso de múltiples variables de decisión), la curva de trayectoria de movimiento de la solución factible mejora y finalmente tiende a la solución óptima. Este método es un algoritmo de optimización global que simula el mecanismo de variación genética de los organismos que se adaptan al entorno externo y supera las deficiencias de los métodos tradicionales de variable de decisión única que conducen fácilmente a valores extremos locales.
1.2 Definición de red neuronal
Una característica de la forma en que piensa el cerebro humano es que puede completar dinámicamente el procesamiento de información a través de la interacción simultánea entre múltiples neuronas. Las redes neuronales artificiales simulan la forma en que piensa el cerebro humano. Un sistema dinámico no lineal se completa con una computadora, que puede realizar almacenamiento distribuido y procesamiento colaborativo paralelo de información.
1.3 Optimización colaborativa de algoritmos genéticos y redes neuronales
Dado que los problemas de ingeniería minera son difíciles de expresar de manera explícita, podemos utilizar las poderosas capacidades de mapeo no lineal de las redes neuronales artificiales para establecer La relación entre las variables de decisión y la función objetivo se utiliza para implementar el problema explícito, y luego se utiliza un algoritmo genético para buscar y optimizar las variables de decisión de esta función objetivo. Después de la búsqueda, ingresaremos la red neuronal que se ha modelado anteriormente y la red aprenderá automáticamente a coincidir, de modo que se pueda calcular la idoneidad de la función objetivo para este conjunto de variables de decisión, y luego se realizará la operación de mutación genética. Se realiza según la condición física y se puede repetir varias veces.
2. Ejemplo de optimización
2.1 Aplicación del algoritmo genético en la optimización de la ley del mineral
El algoritmo genético simula la supervivencia del más apto a partir de los datos originales y obtiene la mejor resultado a través de iteraciones repetidas. Excelente solución. En este caso, genera esencialmente de forma aleatoria un conjunto de leyes de mineral, utiliza tecnología adaptativa para ajustar las leyes y se acerca gradualmente a la solución óptima mediante iteraciones repetidas.
(1) Codificación: en herencia, los caracteres de longitud fija se utilizan para representar genes, y aquí representan un cierto nivel. La secuencia de codificación es ley de corte, ley industrial más baja, ley de mineral en bruto y ley de concentrado. [2]
(2) Población inicial: la población inicial de cada iteración se genera a partir de la iteración anterior. La población inicial de la primera iteración se genera aleatoriamente para determinar el número de individuos contenidos en cada población.
(3) Adaptabilidad: La adaptabilidad de la naturaleza es la adaptabilidad del individuo a la naturaleza. Cuanto mayor sea su adaptabilidad, mayor será su probabilidad de supervivencia. De manera similar, la aptitud aquí es un indicador de las fortalezas y debilidades individuales, lo que puede impulsar la optimización de los algoritmos genéticos. En este caso, la aptitud se toma como el valor presente neto que se puede obtener de diferentes leyes de mineral.
(4) Replicación e intercambio: Según la teoría de la evolución de Darwin, los individuos con una gran adaptabilidad son más fáciles de sobrevivir, por lo que se conservan las ventajas y se eliminan las mismas desventajas. Los individuos con fuerte adaptabilidad tendrán un alto grado de similitud con su descendencia, lo que puede representarse mediante la replicación en algoritmos genéticos. El intercambio se refiere a la sustitución de parte de los genes de múltiples individuos de la generación anterior para generar nuevos individuos.
(5) Mutación: Otro método de generación de nuevos individuos en algoritmos genéticos, que se completa mediante operaciones de complemento.
(6) Condición de terminación: el algoritmo genético es una operación iterativa que se detiene cuando se cumplen ciertos requisitos. Generalmente finaliza cuando la aptitud promedio o la aptitud máxima de la población cambian suavemente.
2.2 Ejemplo de optimización de ingeniería minera
Este artículo toma la optimización de la rigidez del material de relleno y los parámetros de la estructura del rebaje durante la construcción de la mina de hierro Laiwu en Shandong como ejemplo para ilustrar la aplicación específica de Redes neuronales y aplicación de algoritmos genéticos.
Los yacimientos de la zona minera de Gujiatai de la mina de hierro Shandong Laiwu se producen en la zona de contacto entre el mármol y la diorita. La parte superior está cubierta por los sistemas Cuaternario y Terciario. Ambos son minerales ocultos. Los cuerpos y la estructura geográfica de las vetas es muy compleja. [3]Un río fluye arriba. Aunque existe pizarra roja terciaria entre el río y el cinturón mineral, debido a la distribución de lucernarios locales, la capa de agua está en contacto con la capa de grava y piedra caliza del Cuaternario, y el efecto de impermeabilización no es bueno. Debido al contenido de agua de la piedra caliza, este tramo se convierte en un acuífero confinado. El complejo entorno geológico plantea grandes dificultades a la minería. Para lograr la política de los "cinco no" de no desviar el río, no drenaje, no reubicación, no colapso y no retorno de agua, el plan minero final es una combinación integral de medidas de lechada de mármol cerca del techo del yacimiento y el posterior cementación y relleno método minero de vaciado por etapas Plan de control de agua. Dos factores importantes que restringen la buena implementación de este plan son la rigidez del material de relleno y la optimización de los parámetros estructurales del rebaje.
El ancho de la sala de la mina es Bf, la rigidez del cuerpo de relleno es EC y бt es la tensión máxima de tracción de la pared superior. Desde una perspectiva de seguridad, cuanto menor sea el ancho Bf de la casa de la mina, mayor será la rigidez EC del cuerpo de relleno, menor será la tensión de tracción en la pared superior y más confiable será la construcción. Desde una perspectiva económica, mayor será la. Cuanto mayor sea el ancho Bf de la casa de la mina, menor será la rigidez del relleno y más económico será. Se puede ver que los dos son relativos y se debe encontrar un valor coincidente óptimo entre los dos. La tensión de tracción de la pared superior es menor pero cercana a la resistencia a la tracción del mármol.
Primero, la relación de mapeo entre las variables de decisión Bf, EC y el objetivo бt se establece a través de la red neuronal, y luego se busca la mejor coincidencia a través del algoritmo genético. El resultado es Bf = 21.256m. EC=396.6MPa, бt =-1.9297mpa, y finalmente verificó la racionalidad de los resultados, indicando que los resultados fueron satisfactorios.
3. Conclusión
Como tecnologías avanzadas de inteligencia computacional e inteligencia artificial actualmente, los algoritmos genéticos y las redes neuronales se centran en encontrar soluciones óptimas a los problemas a través de algoritmos iterativos y mapeo no lineal. Debido a las complejas condiciones de la mayoría de las minas, existen muchas variables de decisión en la toma de decisiones de muchos problemas y métodos en ingeniería minera, y la relación entre la mayoría de las variables y las cantidades objetivo no es lineal. Estas características permiten que las tecnologías inteligentes avanzadas modernas, como los algoritmos genéticos y las redes neuronales, se apliquen bien a la optimización de proyectos mineros. A través de investigaciones y ejemplos, se ha demostrado que los algoritmos genéticos y las redes neuronales pueden desempeñar un buen papel en la optimización de la ingeniería minera. A medida que estas tecnologías avancen, brindarán una asistencia más poderosa en la optimización de proyectos mineros.
Referencia
[1] Liu Yun, Liu Ji. Aplicación de redes neuronales y análisis de componentes principales en ingeniería minera [J]. Revista de la Universidad Central Sur de Silvicultura y Tecnología, 2010, 30 (6): 140-146.
Zhang Lei, Chai Haifu. Sobre la aplicación de redes neuronales artificiales en ingeniería minera [J]. Discusión Académica, 2008, (6): 172.
[3]Liu Jiadong, Lu Wen,. Sobre la selección óptima de métodos de minería [J]. IM & Chemical Minerals and Processing, 2009, (1): 25: 27.
；