1、2008年12月系统工程理论与实践第12期 文章编号:100026788(2008)1220133207地下开采金属矿山扩建合理规模智能化系统郑明贵1,2,蔡嗣经1(11 北京科技大学,北京100083;21 江西理工大学,赣州341000)摘要:在分析金属矿山扩建合理规模影响因素的基础上,首先,详细阐述了智能化系统的设计原理与结构;其次,对神经网络子系统进行了介绍;第三,为保证对神经网络进行训练学习所选样本的技术与规模有效性,利用DEA方法对训练样本进行了筛选.然后对智能化系统进行了训练学习,结果表明,效果较理想.关键词:金属矿山;生产规模;扩建;人工神经网络;数据包络分析中图分类号:TD82、52 文献标志码:AIntelligent systemfor calculating enlarging production scaleof the underground metallic mineZHENGMing2gui1,2,CAI Si2jing1(11University of Science and Technology Beijing,Beijing 100083,China;21Jiangxi University of Science and Technology,Ganzhou341000,China)Abstract:The calculating of the e3、nlarging production scale of the underground metallic mine is influenced by manyuncertainfactors,so it is difficult to describe them with accurate mathematics language,thus artificial intelligencesynthesis method should become an important way.Based on the analysis of the main factors influencing th4、e enlargingproduction scale,first,the article interpreted the design principle and structure of the intelligent system in detail;Second,introduced the ANN subsystem;Third,in order to ensure the technology and scale efficiencies of the trainingsamplesfor ANN,the authors filtrated them with DEA method5、;Finally,we trained the intelligent system,whichproved to be very efficient.Key words:metallic mines;production scale;enlarge;ANN;DEA收稿日期:2007204204资助项目:国家自然科学基金(50374005)作者简介:郑明贵(1978-),男,安徽颍上人,讲师,博士研究生,主要从事采矿系统工程、矿业经济等方面的研究;蔡嗣经(1952-),男,江西南昌人,教授,博士生导师,主要从事矿床开采理论与技术、复杂性科学等方面的研究.地下开采金属矿山扩建合理生产规模的确定,6、作为矿山优化设计中的一个重要课题,国内外矿山工作者曾做过大量的研究工作并已取得了一些成就14.但过去的研究方法基本上局限于应用静态或动态的数值优化计算来确定5.由于在涉及因素中,很多因素都带有一定的不确定性,因此很难用精确的数学语言来表达.针对这样一些特点,人工智能综合集成化方法应成为一种重要手段.1 金属矿山扩建合理规模主要影响因素分析从地下开采金属矿山扩建合理规模影响因素的可控制性出发,可将这些因素分成可控制变量和不可控制变量.所谓可控制变量是指在矿山扩建时可以人为加以控制的变量;不可控制变量是指这些变量现在或将来已经存在,难以人为加以控制的变量.111 可控制变量(CV)包含的主要决策变7、量包括:采矿方法(CV1)、开拓方式(CV2)、充填工艺(CV3)、选矿技术条件(CV4)、总投资(CV5)、开采损失率(CV6)、开采贫化率(CV7)、选矿回收率(CV8)、单位矿石成本(CV9)、定员(CV10).112 不可控制变量(UV)包含的主要决策变量包括:矿体特征(UV1)、矿石品质(UV2)、水文地质条件(UV3)、设计利用储量(UV4)、矿山原有资产净值(UV5)、市场需求(UV6)、国家产业政策(UV7).矿山合理生产规模为RS,则它们之间可以表示成如下的函数关系:RS=f(CV,UV)(1)2 智能化系统设计原理与结构智能化系统是神经网络与专家系统的综合集成,它不是利用两8、者的性能在整个系统中实现某一部分功能,而是将两者有机地结合在一起.整个系统应包括以下子系统6,7,系统的总体结构如图1所示.图1 智能化系统211 数据仓库子系统主要用于存放系统运行所需要的各类原始数据和产生的所有数据信息以及系统性能指标等.同时,可以对可控制变量进行赋值.212 数据处理子系统主要是对数据仓库子系统中的大量数据进行转换,为神经网络子系统提供训练样本.213 知识库子系统对于系统所涉及的知识进行存储,一部分以规则的形式存放精确知识,另一部分存放网络的权重,用以表示不精确知识.214 神经网络子系统用以确定矿山扩建合理规模.它是从数据处理子系统中获取训练样本,通过不精确推理对知识9、进行学习,从而获取知识.知识获取和表示是知识推理的前提,知识获取的内容包括8:1)确定神经网络类型(有监督学习型、无监督学习型)、结构参数(网络层数、输入层节点数、隐含层节点数、节点作用函数).2)确定网络学习参数(学习速率、动量因子、系统误差要求、样本误差要求、网络学习最大迭代步数).3)组织待训练的学习样本集.4)用网络对样本进行学习,得到所需权值分布,将样本中蕴涵的专家经验和知识分布到网络的连接权矩阵和节点阈值向量上.215 管理子系统包括用户界面和解释机构.用户界面为用户提供系统的运行、操作和维护的友好界面.解释机构负责回答用户提出的问题,并提供相关解释.3 神经网络子系统人工神经网络10、是由大规模神经元互连组成的高度非线性动力学系统,是从自然生理结构出发研究人的智能行为,模拟人脑的信息处理功能,它具有信息处理的并行性、存储的分布性、连续时间非线性动力学、高度的容错性、自组织性的自学习能力等特点,为解决复杂的矿业问题提供了强有力的工具9,10.311 神经网络结构根据对地下开采金属矿山扩建合理规模影响因素的分析,可以构造一个三层的多输出神经网络.1)输入神经元为CV1、CV2、CV10,UV1、UV2、UV7.2)网络输出神经元为RS、全投资内部收益率(IRR)、动态投资回收期(TP).3)隐蔽层神经元数目的确定,基本原则是:一般隐含层的神经元数目大于输入神经元和输出神经元数411、31系统工程理论与实践2008年12月目之和的一半,小于输入神经元和输出神经元数目之和.即ni+no2nh 0(t+1)=(t)1E 0(t+1)=(t)1(4)式中:E为误差平方和的变化量;、为比例因子.4 智能化系统的训练学习411 基于DEA的神经网络训练学习样本的选取在对神经网络进行训练学习时,很有必要对训练样本的选取做进一步的研究,以保证所选样本的技术与规模有效性.选取C2R模型进行研究.41111C2R模型设有n个待比较地下开采金属矿山,已经设立了其评价指标体系,评价指标体系中有m种投入,s种产出.第j个决策单元DMUj的投入向量为Xj=(x1j,x2j,xmj)T,产出向量为Yj12、=(y1j,y2j,ysj)T,j=1,2,n.于是可以用向量对(Xj,Yj)表示DMUj的生产活动.表1 地下开采金属矿山生产经济效益评价指标体系一级指标指标名称二级指标指标名称单位生产基础财力投入人力投入产出地质储量万t矿石生产规模万ta矿山总投资万元单位矿石投资元(ta)年成本费用万元a单位矿石成本元t在册职工人数人采矿工人数人选矿工人数人年销售收入万元a年利润总额万元a全投资内部收益率%全员劳动生产率万元(人a)根据参考文献1316,建立的对偶规划模型为(加入松弛变量s-及剩余变量s+以后):minnj=1Xjj+s-=X0nj=1Yjj-s+=Y0j0,j=1,2,n(5)模型的有关13、定理有:定理1 若0=1,则DMUj0为弱DEA有效;若0=1,并且s-0=0,s+0=0,则DMUj0为DEA有效.定理2 若nj=1j00=1,则DMUj0具有恰当的投入规模;若nj=1j001,则DMUj0的规模收益递减.41112 金属矿山生产经济效益评价指标体系的构建1)指标体系构建的基本原则为了对地下开采金属矿山扩建之后生产经济效益进行科学地评价,所构建的指标体系必须遵循科学性、合理531第12期地下开采金属矿山扩建合理规模智能化系统性、通用性、实用性、可操作性等原则.指标的选取必须以公认的科学理论为依据,要能反映金属矿山生产经济效益评价的内涵要求.2)评价指标体系的构建表2 样本14、分布情况金矿铁矿铜矿钼矿铅锌矿数量42423基于以上原则,设计了一套评价指标体系,见表1.41113 模型计算与综合评价收集到了15个地下开采金属矿山的扩建生产资料,金属矿山类型见表2.运用MSDSS计算软件进行计算,结果见表3.表3C2R计算结果金1金2金3金4铁1铁2铜1铜2铜3铜4钼1钼2铅锌1铅锌2铅锌30111110.8710.960.9310.760.8310.911从表3可以看出,有6个决策单元0 5(4,5(3,4(2,3(1,21CV65(5,10(10,15(15,20 20CV75(5,10(10,15(15,20 20CV8 93(89,93(85,89(81,858115、CV9100(100,150(150,200(200,250 250CV10 2000(1500,2000(1000,1500(500,1000500表6 不可控制变量样本数据初始化规则表10.90.80.70.60.50.40.30.20.1UV2很好好较好一般差UV3很好好较好一般差UV4 10000(5000,10000(3000,5000(1000,30001000UV5 10(6,10(2,6(1,21UV6很好好较好一般差UV7很好好较好一般差41213 输出数据的初始化处理原则为了使网络收敛速度较快,初始化以后的数据应尽可能在011019之间.输出数据初始化的基本方法是将实际值除16、以一个比例因子,而比例因子的获取应遵循的原则是找出某一项数据可能取的最大值,具体如下.扩建生产规模输入值=扩建生产规模实际值400;全部投资收益率输入值=全部投资收益率实际值60;动态投资回收期输入值=动态投资回收期实际值20.41214 神经网络训练数据利用表5、表6分别对可控制变量和不可控制变量样本数据进行初始化,得到表7的神经网络训练值.表7 可控制变量和不可控制变量神经网络训练值矿山1矿山2矿山3矿山4矿山5矿山6矿山7矿山8矿山9矿山10CV10.250.900.700.460.580.800.750.50.650.35CV20.900.70.50.70.70.70.70.90.9017、.3CV30.650.530.90.420.780.310.310.420.420.20CV40.60.40.60.810.60.40.60.80.6CV50.10.20.10.410.40.10.80.40.4CV60.80.40.60.60.610.610.80.8CV70.80.20.60.80.80.60.810.80.8CV80.80.20.810.60.80.20.210.6CV90.210.20.80.80.60.60.80.80.8CV10110.20.40.410.60.80.40.6UV10.80.90.80.70.70.80.90.80.80.8731第12期地下开采金属18、矿山扩建合理规模智能化系统矿山1矿山2矿山3矿山4矿山5矿山6矿山7矿山8矿山9矿山10UV20.40.60.80.40.60.40.60.20.40.4UV30.80.610.40.40.60.60.20.80.2UV40.20.40.20.410.60.40.80.40.8UV50.20.40.20.60.80.60.20.60.40.4UV60.80.60.80.810.80.810.81UV70.80.60.80.80.80.80.80.80.80.8利用输出数据的初始化处理原则将各个样本输出数据进行规格化,得到表8网络输出训练值.表8 网络输出训练值矿山1矿山2矿山3矿山4矿山5矿山19、6矿山7矿山8矿山9矿山10RS0.140.630.010.250.830.370.080.580.170.41IRR0.400.400.960.260.170.440.330.230.280.14TP0.420.260.150.430.490.320.330.570.380.6441215 神经网络子系统训练将神经网络训练数据输入到各个神经网络,对网络加以训练学习.初始学习速率=0101,训练过程中学习速率的变化按(4)式计算,其中=111,=019,误差平方和取01005.利用开发的智能化系统建立模型与训练,当网络运行7分31秒,循环18223次时,误差平方和为010049,网络收敛.最后20、,对训练好的系统进行测试,结果见表9,其中矿山10(待研究矿山)的实际值为设计院设计值.表9 网络测试结果分析表项目矿山1矿山2矿山3矿山4矿山5矿山6矿山7矿山8矿山9矿山10实际值0.140.630.010.250.830.370.080.580.170.41RS输出值0.1310.6310.0130.2550.7920.3720.1040.6150.1660.462相对误差%-6.40.230.02.0-4.60.530.06.0-2.412.7实际值0.400.400.960.260.170.440.330.230.280.14IRR输出值0.4060.4030.9450.2620.121、820.4330.3240.2410.2780.223相对误差%1.50.8-1.60.87.1-1.6-1.84.8-0.759.3实际值0.420.260.150.430.490.320.330.570.380.64TP输出值0.4160.2590.1560.4320.4780.3240.3360.5620.3830.511相对误差%-1.0-0.44.00.5-2.41.31.8-1.40.8-20.2由表9可以得出,训练好的智能化系统除了个别输出值偏差较大(如矿山3与矿山7扩建生产规模偏小)以外,其余均较好.因此,效果较理想.5 结论智能化系统输出矿山10扩建规模应该为18418万t 22、年(5600td),大于设计扩建规模165万t 年(5000td),因此,该矿山扩建生产规模还有进一步扩大的余地.而实际上,设计院在进行设计时,主要控制性工程留有发展到6500td规模的余地.智能化系统输出矿山10全投资内部收益率(IRR)为13138%、动态投资回收期(TP)为10122年,与设计值有一定的偏差,这主要是因为扩建规模、扩建方案等的不同所引起的,这两个指标值代表的是一种先进水平,在扩建生产规模确定后,依据所选择的扩建方案还需要重新计算有关经济评价指标并进行比较,因此,其对矿山扩建设计具有重要的参考价值.本文所建立的智能化系统能根据矿山自身特点确定扩建合理生产规模,对矿山设计具有23、一定的参考价值,尤其适用于地下开采金属矿山扩建合理规模的确定.对于露天开采金属矿山来说,只需在重新考虑扩建合理规模主要影响因素的基础之上建立模型即可,也就是说本文所构建的整套理论与方法框架对其也是适用的.831系统工程理论与实践2008年12月参考文献:1 徐强,曹瑞峰.长城铁矿最佳生产规模分析论证J.河北地质学院学报,1994,17(1):74-77.Xu Q,Cao R F.An analytical proof of the optimum scale of production of changcheng iron mineJ.Journal of Hebei College ofGe24、ology,1994,17(1):74-77.2 黄志安,陈广平.基于综合评价理论的矿山合理生产规模评价J.矿业研究与开发,2003,23(5):17-19.Huang Z A,Chen G P.Evaluation of reasonable mine productivity based on the comprehensive evaluation theoryJ.Journal ofMining R&D,2003,23(5):17-19.3 吴爱祥,郭立,刘湘平,等.矿业联合企业开采最优生产能力的确定J.有色金属,2003,55(2):101-104.Wu A X,Guo L,Liu 25、X P,et al.Determinationof optimum miningproduction capacity about mining2joint2venture firmJ.Journalof Nonferrous Metals,2003,55(2):101-104.4 宋卫东,匡忠祥,尹小鹏.大冶铁矿东露天转地下开采生产规模优化研究J.金属矿山,2004,(12):9-11,22.Song W D,Kuang Z X,Y in X P.Study on optimized production scale in transition from surface to undergr26、ound mining at eastopen2pit,Daye iron mineJ.Journal of Metal Mine,2004,(12):9-11,22.5 魏一鸣,童光煦.基于神经网络的矿山经济规模专家系统研究J.江西有色金属,1994,8(4):6-10.Wei YM,T ong G X.Study on expert system of mine economic scales based on ANNJ.Journal of Jiangxi Nonferrous Metals,1994,8(4):6-10.6 王文铭,颜培争.基于神经网络的矿山企业智能诊断专家系统J.中国27、矿业,2004,13(8):65-67,73.Wang W M,Yan P Z.Research of intelligent diagnosis expert system of mine enterprise based on neural networkJ.Journal ofChina Mining,2004,13(8):65-67,73.7 陈孝华,魏一鸣,叶家冕,等.地下矿山采掘计划神经网络专家系统研究J.云南冶金,2002,31(5):1-4,9.Chen X H,Wei YM,Ye J M,et al.Expert system of neural network for mi28、ning scheduling of underground mineJ.Journal ofYunnan Metallurgy,2002,31(5):1-4,9.8 张幼蒂,李新春,韩万林,等.综合集成化人工智能技术及其矿业应用M.徐州:中国矿业大学出版社,2004.Zhang YD,Li X C,Han WL,et al.Meta2synthesisof Artificial Intelligence Technique and Its Application in Mineral EngineeringM.Xuzhou:China University of Mining and Tec29、hnology Press,2004.9 王小汀,叶斌,刘玉彬.基于神经网络的综采工作面技术经济指标预测J.系统工程理论与实践,2001,21(7):129-144.Wang X T,Ye B,Liu YB.Prediction of technical and economic norm of the fully mechanized face based on neural networkJ.Systems Engineering-Theory&Practice,2001,21(7):129-144.10 周翔,朱学愚,文成玉,等.基于遗传学习算法和BP算法的神经网络在矿坑涌水量计算中的应30、用J.水利学报,2000,(12):59-63.Zhou X,Zhu X Y,Wen C Y,et al.Applicationof ANN to predict the drainage in mineJ.Journal of Shuili Xuebao,2000,(12):59-63.11Rumelhart D B,Hinton G E,Williams RJ.Learning internal representations by error propagation in parallel distributed processing:Explorations in microstruc31、ture of cognitionR.MA:MIT Press,1986.12 田景文,高美娟.人工神经网络算法研究及应用M.北京:北京理工大学出版社,2006.Tian J W,Gao MJ.ANN Arithmetic and Its ApplicationM.Beijing:Beijing University of Science and Technology Press,2006.13Charnes A,Cooper W W,Rhodes E.Measuring the efficiency of decision making unitsJ.European Journal of 32、OperationalResearch,1978,(2):429-444.14 魏权龄,岳明.DEA概论与C2R模型 数据包络分析(一)J.系统工程理论与实践,1989,9(1):58-69.Wei Q L,Yue M.DEA conspectus and C2R model-DEA()J.Systems Engineering-Theory&Practice,1989,9(1):58-69.15 魏权龄,崔宇刚.评价相对有效性的几个重要DEA模型 数据包络分析(二)J.系统工程理论与实践,1989,9(2):55-68.Wei Q L,Cui Y G.Several important DE33、A models for evaluating relative efficiency-DEA()J.Systems Engineering-Theory&Practice,1989,9(2):55-68.16 郑明贵.数据包络分析模型及其应用研究J.南方冶金学院学报,2004,25(4):62-66.Zheng M G.Study on data envelopment analysis model and its applicationJ.Journal of Southern Institute of Metallurgy,2004,25(4):62-66.931第12期地下开采金属矿山扩建合理规模智能化系统