午啪啪夜福利无码亚洲,亚洲欧美suv精品,欧洲尺码日本尺码专线美国,老狼影院成年女人大片

1、2008年12月系統工程理論與實踐第12期 文章編號:100026788(2008)1220133207地下開采金屬礦山擴建合理規模智能化系統鄭明貴1,2,蔡嗣經1(11 北京科技大學,北京100083;21 江西理工大學,贛州341000)摘要:在分析金屬礦山擴建合理規模影響因素的基礎上,首先,詳細闡述了智能化系統的設計原理與結構;其次,對神經網絡子系統進行了介紹;第三,為保證對神經網絡進行訓練學習所選樣本的技術與規模有效性,利用DEA方法對訓練樣本進行了篩選.然后對智能化系統進行了訓練學習,結果表明,效果較理想.關鍵詞:金屬礦山;生產規模;擴建;人工神經網絡;數據包絡分析中圖分類號:TD82、52 文獻標志碼: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資助項目:國家自然科學基金(50374005)作者簡介:鄭明貴(1978-),男,安徽潁上人,講師,博士研究生,主要從事采礦系統工程、礦業經濟等方面的研究;蔡嗣經(1952-),男,江西南昌人,教授,博士生導師,主要從事礦床開采理論與技術、復雜性科學等方面的研究.地下開采金屬礦山擴建合理生產規模的確定,6、作為礦山優化設計中的一個重要課題,國內外礦山工作者曾做過大量的研究工作并已取得了一些成就14.但過去的研究方法基本上局限于應用靜態或動態的數值優化計算來確定5.由于在涉及因素中,很多因素都帶有一定的不確定性,因此很難用精確的數學語言來表達.針對這樣一些特點,人工智能綜合集成化方法應成為一種重要手段.1 金屬礦山擴建合理規模主要影響因素分析從地下開采金屬礦山擴建合理規模影響因素的可控制性出發,可將這些因素分成可控制變量和不可控制變量.所謂可控制變量是指在礦山擴建時可以人為加以控制的變量;不可控制變量是指這些變量現在或將來已經存在,難以人為加以控制的變量.111 可控制變量(CV)包含的主要決策變7、量包括:采礦方法(CV1)、開拓方式(CV2)、充填工藝(CV3)、選礦技術條件(CV4)、總投資(CV5)、開采損失率(CV6)、開采貧化率(CV7)、選礦回收率(CV8)、單位礦石成本(CV9)、定員(CV10).112 不可控制變量(UV)包含的主要決策變量包括:礦體特征(UV1)、礦石品質(UV2)、水文地質條件(UV3)、設計利用儲量(UV4)、礦山原有資產凈值(UV5)、市場需求(UV6)、國家產業政策(UV7).礦山合理生產規模為RS,則它們之間可以表示成如下的函數關系:RS=f(CV,UV)(1)2 智能化系統設計原理與結構智能化系統是神經網絡與專家系統的綜合集成,它不是利用兩8、者的性能在整個系統中實現某一部分功能,而是將兩者有機地結合在一起.整個系統應包括以下子系統6,7,系統的總體結構如圖1所示.圖1 智能化系統211 數據倉庫子系統主要用于存放系統運行所需要的各類原始數據和產生的所有數據信息以及系統性能指標等.同時,可以對可控制變量進行賦值.212 數據處理子系統主要是對數據倉庫子系統中的大量數據進行轉換,為神經網絡子系統提供訓練樣本.213 知識庫子系統對于系統所涉及的知識進行存儲,一部分以規則的形式存放精確知識,另一部分存放網絡的權重,用以表示不精確知識.214 神經網絡子系統用以確定礦山擴建合理規模.它是從數據處理子系統中獲取訓練樣本,通過不精確推理對知識9、進行學習,從而獲取知識.知識獲取和表示是知識推理的前提,知識獲取的內容包括8:1)確定神經網絡類型(有監督學習型、無監督學習型)、結構參數(網絡層數、輸入層節點數、隱含層節點數、節點作用函數).2)確定網絡學習參數(學習速率、動量因子、系統誤差要求、樣本誤差要求、網絡學習最大迭代步數).3)組織待訓練的學習樣本集.4)用網絡對樣本進行學習,得到所需權值分布,將樣本中蘊涵的專家經驗和知識分布到網絡的連接權矩陣和節點閾值向量上.215 管理子系統包括用戶界面和解釋機構.用戶界面為用戶提供系統的運行、操作和維護的友好界面.解釋機構負責回答用戶提出的問題,并提供相關解釋.3 神經網絡子系統人工神經網絡10、是由大規模神經元互連組成的高度非線性動力學系統,是從自然生理結構出發研究人的智能行為,模擬人腦的信息處理功能,它具有信息處理的并行性、存儲的分布性、連續時間非線性動力學、高度的容錯性、自組織性的自學習能力等特點,為解決復雜的礦業問題提供了強有力的工具9,10.311 神經網絡結構根據對地下開采金屬礦山擴建合理規模影響因素的分析,可以構造一個三層的多輸出神經網絡.1)輸入神經元為CV1、CV2、CV10,UV1、UV2、UV7.2)網絡輸出神經元為RS、全投資內部收益率(IRR)、動態投資回收期(TP).3)隱蔽層神經元數目的確定,基本原則是:一般隱含層的神經元數目大于輸入神經元和輸出神經元數411、31系統工程理論與實踐2008年12月目之和的一半,小于輸入神經元和輸出神經元數目之和.即ni+no2nh 0(t+1)=(t)1E 0(t+1)=(t)1(4)式中:E為誤差平方和的變化量;、為比例因子.4 智能化系統的訓練學習411 基于DEA的神經網絡訓練學習樣本的選取在對神經網絡進行訓練學習時,很有必要對訓練樣本的選取做進一步的研究,以保證所選樣本的技術與規模有效性.選取C2R模型進行研究.41111C2R模型設有n個待比較地下開采金屬礦山,已經設立了其評價指標體系,評價指標體系中有m種投入,s種產出.第j個決策單元DMUj的投入向量為Xj=(x1j,x2j,xmj)T,產出向量為Yj12、=(y1j,y2j,ysj)T,j=1,2,n.于是可以用向量對(Xj,Yj)表示DMUj的生產活動.表1 地下開采金屬礦山生產經濟效益評價指標體系一級指標指標名稱二級指標指標名稱單位生產基礎財力投入人力投入產出地質儲量萬t礦石生產規模萬ta礦山總投資萬元單位礦石投資元(ta)年成本費用萬元a單位礦石成本元t在冊職工人數人采礦工人數人選礦工人數人年銷售收入萬元a年利潤總額萬元a全投資內部收益率%全員勞動生產率萬元(人a)根據參考文獻1316,建立的對偶規劃模型為(加入松弛變量s-及剩余變量s+以后):minnj=1Xjj+s-=X0nj=1Yjj-s+=Y0j0,j=1,2,n(5)模型的有關13、定理有:定理1 若0=1,則DMUj0為弱DEA有效;若0=1,并且s-0=0,s+0=0,則DMUj0為DEA有效.定理2 若nj=1j00=1,則DMUj0具有恰當的投入規模;若nj=1j001,則DMUj0的規模收益遞減.41112 金屬礦山生產經濟效益評價指標體系的構建1)指標體系構建的基本原則為了對地下開采金屬礦山擴建之后生產經濟效益進行科學地評價,所構建的指標體系必須遵循科學性、合理531第12期地下開采金屬礦山擴建合理規模智能化系統性、通用性、實用性、可操作性等原則.指標的選取必須以公認的科學理論為依據,要能反映金屬礦山生產經濟效益評價的內涵要求.2)評價指標體系的構建表2 樣本14、分布情況金礦鐵礦銅礦鉬礦鉛鋅礦數量42423基于以上原則,設計了一套評價指標體系,見表1.41113 模型計算與綜合評價收集到了15個地下開采金屬礦山的擴建生產資料,金屬礦山類型見表2.運用MSDSS計算軟件進行計算,結果見表3.表3C2R計算結果金1金2金3金4鐵1鐵2銅1銅2銅3銅4鉬1鉬2鉛鋅1鉛鋅2鉛鋅30111110.8710.960.9310.760.8310.911從表3可以看出,有6個決策單元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 不可控制變量樣本數據初始化規則表10.90.80.70.60.50.40.30.20.1UV2很好好較好一般差UV3很好好較好一般差UV4 10000(5000,10000(3000,5000(1000,30001000UV5 10(6,10(2,6(1,21UV6很好好較好一般差UV7很好好較好一般差41213 輸出數據的初始化處理原則為了使網絡收斂速度較快,初始化以后的數據應盡可能在011019之間.輸出數據初始化的基本方法是將實際值除16、以一個比例因子,而比例因子的獲取應遵循的原則是找出某一項數據可能取的最大值,具體如下.擴建生產規模輸入值=擴建生產規模實際值400;全部投資收益率輸入值=全部投資收益率實際值60;動態投資回收期輸入值=動態投資回收期實際值20.41214 神經網絡訓練數據利用表5、表6分別對可控制變量和不可控制變量樣本數據進行初始化,得到表7的神經網絡訓練值.表7 可控制變量和不可控制變量神經網絡訓練值礦山1礦山2礦山3礦山4礦山5礦山6礦山7礦山8礦山9礦山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期地下開采金屬18、礦山擴建合理規模智能化系統礦山1礦山2礦山3礦山4礦山5礦山6礦山7礦山8礦山9礦山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利用輸出數據的初始化處理原則將各個樣本輸出數據進行規格化,得到表8網絡輸出訓練值.表8 網絡輸出訓練值礦山1礦山2礦山3礦山4礦山5礦山19、6礦山7礦山8礦山9礦山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 神經網絡子系統訓練將神經網絡訓練數據輸入到各個神經網絡,對網絡加以訓練學習.初始學習速率=0101,訓練過程中學習速率的變化按(4)式計算,其中=111,=019,誤差平方和取01005.利用開發的智能化系統建立模型與訓練,當網絡運行7分31秒,循環18223次時,誤差平方和為010049,網絡收斂.最后20、,對訓練好的系統進行測試,結果見表9,其中礦山10(待研究礦山)的實際值為設計院設計值.表9 網絡測試結果分析表項目礦山1礦山2礦山3礦山4礦山5礦山6礦山7礦山8礦山9礦山10實際值0.140.630.010.250.830.370.080.580.170.41RS輸出值0.1310.6310.0130.2550.7920.3720.1040.6150.1660.462相對誤差%-6.40.230.02.0-4.60.530.06.0-2.412.7實際值0.400.400.960.260.170.440.330.230.280.14IRR輸出值0.4060.4030.9450.2620.121、820.4330.3240.2410.2780.223相對誤差%1.50.8-1.60.87.1-1.6-1.84.8-0.759.3實際值0.420.260.150.430.490.320.330.570.380.64TP輸出值0.4160.2590.1560.4320.4780.3240.3360.5620.3830.511相對誤差%-1.0-0.44.00.5-2.41.31.8-1.40.8-20.2由表9可以得出,訓練好的智能化系統除了個別輸出值偏差較大(如礦山3與礦山7擴建生產規模偏小)以外,其余均較好.因此,效果較理想.5 結論智能化系統輸出礦山10擴建規模應該為18418萬t 22、年(5600td),大于設計擴建規模165萬t 年(5000td),因此,該礦山擴建生產規模還有進一步擴大的余地.而實際上,設計院在進行設計時,主要控制性工程留有發展到6500td規模的余地.智能化系統輸出礦山10全投資內部收益率(IRR)為13138%、動態投資回收期(TP)為10122年,與設計值有一定的偏差,這主要是因為擴建規模、擴建方案等的不同所引起的,這兩個指標值代表的是一種先進水平,在擴建生產規模確定后,依據所選擇的擴建方案還需要重新計算有關經濟評價指標并進行比較,因此,其對礦山擴建設計具有重要的參考價值.本文所建立的智能化系統能根據礦山自身特點確定擴建合理生產規模,對礦山設計具有23、一定的參考價值,尤其適用于地下開采金屬礦山擴建合理規模的確定.對于露天開采金屬礦山來說,只需在重新考慮擴建合理規模主要影響因素的基礎之上建立模型即可,也就是說本文所構建的整套理論與方法框架對其也是適用的.831系統工程理論與實踐2008年12月參考文獻:1 徐強,曹瑞峰.長城鐵礦最佳生產規模分析論證J.河北地質學院學報,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 黃志安,陳廣平.基于綜合評價理論的礦山合理生產規模評價J.礦業研究與開發,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 吳愛祥,郭立,劉湘平,等.礦業聯合企業開采最優生產能力的確定J.有色金屬,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 宋衛東,匡忠祥,尹小鵬.大冶鐵礦東露天轉地下開采生產規模優化研究J.金屬礦山,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 魏一鳴,童光煦.基于神經網絡的礦山經濟規模專家系統研究J.江西有色金屬,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 王文銘,顏培爭.基于神經網絡的礦山企業智能診斷專家系統J.中國27、礦業,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 陳孝華,魏一鳴,葉家冕,等.地下礦山采掘計劃神經網絡專家系統研究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 張幼蒂,李新春,韓萬林,等.綜合集成化人工智能技術及其礦業應用M.徐州:中國礦業大學出版社,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,葉斌,劉玉彬.基于神經網絡的綜采工作面技術經濟指標預測J.系統工程理論與實踐,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,朱學愚,文成玉,等.基于遺傳學習算法和BP算法的神經網絡在礦坑涌水量計算中的應30、用J.水利學報,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.人工神經網絡算法研究及應用M.北京:北京理工大學出版社,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 魏權齡,岳明.DEA概論與C2R模型 數據包絡分析(一)J.系統工程理論與實踐,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 魏權齡,崔宇剛.評價相對有效性的幾個重要DEA模型 數據包絡分析(二)J.系統工程理論與實踐,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 鄭明貴.數據包絡分析模型及其應用研究J.南方冶金學院學報,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期地下開采金屬礦山擴建合理規模智能化系統