金属矿山

作者：张文革,董陇军,王加闯,龚甦文,罗才严,郝晨良,曹恒

单位：1. 陕西凤县四方金矿有限责任公司,陕西 宝鸡 721000;2. 中南大学资源与安全工程学院,湖南 长沙 410083

留设矿柱作为确保矿山地下安全开采的重要手段,开展其稳定性研究对矿山的安全生产具有重要意义。 为此,基于机器学习算法及 Stacking 融合策略开展了矿柱稳定性分析。 首先,通过对原始矿柱稳定性数据样本进行统计分析,利用 SMOTE(Synthetic Minority Over-sampling Technique)算法对原始数据进行了样本平衡化处理,并按照80%的数据作为训练集、20%的数据作为测试集进行划分。 其次,使用随机森林算法(Random Forest,RF)、K-近邻算法(K-nearest Neighbor,KNN)、支持向量机算法( Support Vector Machine,SVM)、线性判别降维算法( Linear DiscriminantDimensionality Reduction,LDA)、多层神经网络算法(Multi-layer Neural Network,MLPC)以及逻辑回归算法( Logistic Regression,LR)等不同算法进行分类计算。 然后,通过随机搜索算法和五折交叉验证来获取每个模型的最优超参数,并分别选取上述单个方法为元模型,结合 Stacking 融合策略构建 6 种集成模型。 最后,通过对比评价模型的准确率、召回率、精确率和 F1 指数等指标来确定最佳的评估方法。 研究表明:在传统机器学习算法中, SVM 算法在分类任务中表现最优,而在采用 Stacking 融合策略的集成模型中,以随机森林作为元模型的 Stacking 模型展现出最佳性能;此外,通过采用 Stacking 融合策略,整个集成算法模型相较于各个算法对应的元模型,性能得到明显提升。

来源：2023年第10期

《金属矿山》期刊编辑部

查看金属矿山杂志2023年第10期