露天煤矿抛掷爆破有效抛掷率预测

金属矿山 ›› 2014, Vol. 43 ›› Issue (04): 65-69.

露天煤矿抛掷爆破有效抛掷率预测

刘干^1,2，李克民^1,2，肖双双^1,2，马力^1,2

1.中国矿业大学矿业工程学院，江苏徐州 221116；2.煤炭资源与安全开采国家重点实验室，江苏徐州 221116

出版日期:2014-04-15 发布日期:2014-09-05
基金资助:
* 国家高技术研究发展计划(863计划)项目（编号：2012AA062002），国家自然科学基金重点项目（编号：51034005）。

Prediction of Effective Stripping Ratio of Casting Blast in Surface Coal Mines

Liu Gan^1,2，Li Kemin^1,2，Xiao Shuangshuang^1,2，Ma Li^1,2

1.School of Mines，China University of Mining & Technology，Xuzhou 221116，China；2.State Key Laboratory of Coal Resources and Safe Mining，Xuzhou 221116，China

Online:2014-04-15 Published:2014-09-05

摘要/Abstract

摘要： 有效抛掷率是评价抛掷爆破效果最重要的指标之一，预测有效抛掷率可以指导露天煤矿准确制定生产计划。在分析了抛掷爆破有效抛掷率影响因素的基础上，选取抛掷爆破台阶高度、炸药单耗、底盘抵抗线、孔距、排距、煤层厚度等6个指标作为广义回归神经网络的网络输入，以有效抛掷率为网络的输出，建立了有效抛掷率预测模型，并通过MATLAB编程来实现了网络的训练和预测。实例结果表明：广义回归神经网络能够较准确地预测有效抛掷率，预测误差一般在5%左右，预测结果能够满足工程要求。

关键词: 抛掷爆破, 有效抛掷率, 可靠性, 广义回归神经网络

Abstract: The effective stripping ratio is one of the most important indicators to evaluate the effect of casting blast，and the prediction of effective stripping ratio can guide the technical personnel to make accurate production planning.Based on analyzing the factors of effective stripping ratio，the bench height，explosive consumption，bottom burden，hole spacing，row spacing，thickness of coal seam were taken as the network input of generalized regression neural network (GRNN)，the effective stripping ratio was set as network output.The prediction model of effective stripping ratio was built，and network training and prediction were achieved through MATLAB programming.The results showed that the GRNN could predict the effective stripping ratio accurately with the forecast error normally around 5%，and the prediction results can meet the project requirements.

Key words: Casting blast, Effective stripping ratio, Reliability, Generalized regression neural network

刘干, 李克民1, 肖双双, 马力. 露天煤矿抛掷爆破有效抛掷率预测[J]. 金属矿山, 2014, 43(04): 65-69.

LIU Gan, LI Ke-Min-1, XIAO Shuang-Shuang, MA Li. Prediction of Effective Stripping Ratio of Casting Blast in Surface Coal Mines[J]. Metal Mine, 2014, 43(04): 65-69.

[1]	高鹏 , 常来山, 姜元美. 风水沟尾矿砂力学特性试验与尾矿坝可靠性分析[J]. 金属矿山, 2022, 51(08): 228-231.
[2]	胡斌, 贾雅兰, 李京, 魏二剑, 马利遥. 矿山滑坡危岩体定向拆除抛掷爆破应急排险方法[J]. 金属矿山, 2022, 51(07): 89-96.
[3]	赵海宾张宁. 基于蒙特卡洛法的矿用车辆减震器支座可靠性分析[J]. 金属矿山, 2021, 50(09): 177-183.
[4]	白晓平, 赵建. 采矿连续运输系统中矿仓容量的动态优化控制研究[J]. 金属矿山, 2020, 49(12): 173-177.
[5]	田立勤, 马亚楠. 基于物联网的煤矿实时监测的拓扑可靠性设计与优化分析[J]. 金属矿山, 2017, 46(10): 63-66.
[6]	潘鹏飞, 沙成满, 孙厚广, 韩忠和, 毛亚纯. 鞍千矿排石（土）场土石复杂边坡可靠性分析[J]. 金属矿山, 2016, 45(08): 129-133.
[7]	杨永盛, 卿黎, 梁志强. 地下难采矿体回采工艺系统可靠性研究[J]. 金属矿山, 2016, 45(04): 26-31.
[8]	任富强, 常远, 常来山, 陈东伟. 岩体强度空间变异性与边坡可靠性研究[J]. 金属矿山, 2015, 44(10): 152-155.
[9]	王雨波, 杨永生. 基于折线滑动的岩质边坡非概率可靠性分析[J]. 金属矿山, 2014, 43(12): 185-187.
[10]	刘加冬, 路洪斌, 王雨波, 徐中秋. 蒙特卡罗法在露天矿边坡可靠性分析中的应用[J]. 金属矿山, 2013, 42(08): 147-149.
[11]	邵必林, 吴琼. 矿山井下排水系统可靠性分析[J]. 金属矿山, 2013, 42(07): 159-161+165.
[12]	王鹏宇, 冯光明, 戚洋, 贾凯军, 赵建国. 新型高水材料巷旁充填系统可靠性分析[J]. 金属矿山, 2012, 41(04): 27-31.
[13]	马力, 李克民, 丁小华, 李涛, 常治国. 黑岱沟露天矿抛掷爆破效果的模糊综合评价[J]. 金属矿山, 2011, 40(09): 58-60+64.
[14]	杨月平, 李长山. 非电起爆网路可靠性模糊综合评价[J]. 金属矿山, 2010, 39(06): 60-62.
[15]	侯晓东, 蒋仲安. 矿井防尘管网多目标优化研究[J]. 金属矿山, 2008, 38(11): 144-147.

扫码分享