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。

纳米比亚湖山铀矿载铀矿物研究

纳米比亚湖山铀矿是世界第三大铀矿,与著名的罗辛铀矿床相隔不足十公里,作为白岗岩型铀矿最具代表性的两个矿床,二者皆位于达马拉(Damara)造山带南部中央带,除了这两个世界级铀矿之外,该带还分布着:瓦伦比亚铀矿床、Etango铀矿床以及Ida Dome铀矿床(已并入湖山项目)。

基于DataMine的自动化品位控制建模软件功效及应用——以纳米比亚湖山铀矿为例

纳米比亚湖山铀矿的矿体结构复杂,分支复合较为常见,矿岩界线随上下岩性组合多变,采矿生产对品位控制模型的依赖较大。传统品位控制模型的构建步骤较为复杂且耗时较长,对操作人员的技术能力要求较高,明显制约采矿生产的降本增效。针对湖山铀矿的矿体和工程特征,在DataMine矿业软件平台上利用JavaScript语言开发了自动构建品位控制模型的插件。该插件通过调用DataMine内部函数,按照既定的建模技术流程和估值参数方案一键完成基础数据导入、钻孔组合、特高品位处理和样品等长组合等全部工作流程,运用最近距离法划分矿化域的功能,替代传统手工圈定矿体,可实现自动调取估值参数构建品位控制模型的功能。该插件不但简化建模步骤,显著缩短建模耗时,而且匹配矿山日常生产的实际情况和操作习惯,经过生产检验满足生产需求。

基于品位控制模型的露天铀矿爆破流程优化

湖山铀矿矿体形态复杂、厚度不稳定且有用组分分布不均,采用露天开采方法,利用地质资源模型进行爆区的爆破设计时,受限于模型精度低,矿、废石界线不够准确,时常达不到预期的爆破效果,导致采矿贫化率和损失率偏高。品位控制模型是基于单个爆区的炮孔品位数据进行创建,模型精度较高,可较为准确地反映该爆区矿、废石的实际分布情况,可为爆破设计提供可靠依据。由于炮孔品位数据仅在钻孔、测井之后获得,故需对传统的爆破流程进行优化。在爆区矿、废石界线清晰,且各自分布相对集中的情况下,可通过改变爆破装药量、装药结构以及连线方式等手段,有助于实现矿、废石爆破分离,进一步降低采矿贫化率和损失率。从品位控制模型研究入手,对传统爆破流程进行了优化,并选择合适的爆区进行了分离爆破试验,结果显示:爆破流程优化后可有效降低爆区的贫化率。研究表明:基于品位控制模型对湖山铀矿进行爆破设计流程优化,可有效改善采矿质量和效率,基本满足现代矿山精细化管理的要求。