金属矿山

作者：龚伟范雪强肖双双林士桢王红胜董国伟

单位：1. 西安科技大学能源与矿业工程学院,陕西西安710054;2. 浙江交通资源投资集团有限公司矿业分公司,浙江杭州310020

关键词：抛掷爆破, 极端梯度提升, 混合核极限学习机, 加权平均法 ,

基金：国家自然科学基金项目(编号:52004202);新疆煤炭资源绿色开采教育部重点实验室开放课题项目(编号:KLXGY-KB2424)。

露天矿抛掷爆破振动速度峰值是评估爆破安全性和环境影响的关键指标之一。 为了提高振动速度峰值预测的准确性,采用斯皮尔曼(Spearman)和肯德尔(Kendall)相关系数统计分析,并结合随机森林(RF)和极端梯度提升(XGBoost)算法,筛选出影响振动速度峰值的主要特征。 根据分析结果,选择了爆心距离、高差、台阶高度、总药量和平均单耗作为预测模型的输入变量。 采用加权平均法对 XGBoost 和改进粒子群算法优化混合核极限学习机( IPSO-HKELM)单一模型的预测结果进行集成,从而构建抛掷爆破振动速度峰值集成预测模型。测试表明:采用加权平均法对 XGBoost 和 IPSO-HKELM 的预测结果进行融合,并通过调整样本权重分配,显著提高了预测模型的性能。 加权平均集成模型的评估指标决定系数(R2)、平均绝对误差(MAE)、均方根误差(RMSE)及平均绝对百分比误差(MAPE)分别为 0. 977、0. 591、0. 921 和 17. 198%。 与传统方法相比,该加权平均法集成模型在评估指标上表现出了明显的提升,尤其在 MAE 和 RMSE 上实现了较大幅度的优化,展现出其在实际应用中的优势。

来源：2025年第8期

《金属矿山》期刊编辑部

查看金属矿山杂志2025年第8期