基于深度学习的露天铀矿可爆性智能分级模型研究

湖山铀矿属于特大型露天铀矿山,目前矿山爆破生产为“一次设计,长期使用”,故存在爆破参数缺乏动态调整、炸药单耗高、爆破效果不理想的问题,对此,可通过对爆破区块进行动态可爆性分级管理并反馈调控爆破设计来解决。本研究利用该矿爆破区块的生产历史大数据,提出了采用钻孔率(α)、炸药单耗(β)和块度指标(γ)计算区块爆破性指数K的方法,并根据爆破性指数K的值对历史爆破区块的可爆性进行分级;再以爆破区块的单轴抗压强度(UCS)、矿石的质量指标(RQD)和矿体的地质强度指标(GSI)作为可爆性指标,建立了可爆性指标与可爆性等级相对应的数据集;然后构建了深度学习神经网络模型,并以可爆性指标作为输入,以可爆性等级作为输出对构建的深度学习神经网络模型进行了训练;最后通过现场试验验证了训练后的模型对可爆性等级预测的可靠性和准确性,同时优化了爆破设计和爆破效果。研究结果表明:建立的深度学习神经网络模型可用于爆破区块的可爆性分级与爆破效果优化。