采礦工程是壹個國家的重要產業，直接關系到國家資源和能源的正常供應和使用安全。以下是專門收集的采礦工程畢業設計論文，供大家參考！
采礦工程方法優化研究
采礦工程中的很多方法都是可以優化的，比如采礦工程中的開拓系統和采礦方法。這些方法的優化問題是復雜的、非線性的，因為決策變量很多，不同的情況起不同的作用。而且變量之間的關系有時很難用精確的數學模型或數學表達式來表達。因此，考慮到可以利用計算機技術和人工智能技術實現采礦工程方法的優化，如遺傳算法、神經網絡等，本文結合實例從上述技術角度對采礦工程方法的優化進行了探討。
采礦工程；優化；采礦方法
采礦工程中許多問題的決策和方法優化都是多決策變量。以往處理這壹問題的方法是單變量法，即固定其他變量使其值保持不變，通過改變壹個變量來探究這個變量對目標函數或目標問題結果的影響，從而找到最優解。這種方法雖然大大簡化了這種多變量問題的求解，但它忽略了變量之間的關系及其相互作用對最終結果的影響，所以得到的結果並不是真正的最優值。為了得到真正的最優解，需要同時改變所有的決策變量，探索它們在這種情況下與目標的關系以及對目標結果的影響，從而找出綜合最優值。
1，優化方法
1.1遺傳算法的定義
遺傳算法是壹種自適應優化方法。該方法基於生物進化原理，模擬生物進化的步驟，在算法中引入繁殖、雜交、變異、競爭和選擇的概念。【1】通過對壹組可行解的維護和重組，在多決策變量decision variables)的情況下，改進了可行解的運動軌跡曲線，最終趨於最優解。該方法是壹種全局優化算法，模擬了生物適應外界環境的遺傳變異機制，克服了傳統的單壹決策變量方法容易導致局部極值的缺點。
1.2神經網絡的定義
人腦思維方式的壹個特點是，它能通過多個神經元之間的同時互動，動態地完成信息處理。人工神經網絡是模擬人腦思維的方式。壹個非線性動態系統由計算機完成，可以實現信息的分布式存儲和並行協同處理。
1.3遺傳算法與神經網絡的協同優化
由於采礦工程問題很難用顯式的方式表達，我們可以利用人工神經網絡強大的非線性映射能力，建立決策變量與目標函數之間的關系來實現顯式的問題，然後用遺傳算法來搜索和優化這個目標函數的決策變量。搜索後我們會輸入之前已經建模好的神經網絡，網絡會自動學習匹配，這樣就可以計算出目標函數對這組決策變量的適應度，然後根據適應度進行遺傳變異操作，反復多次就可以找到。
2.優化示例
2.1遺傳算法在礦石品位優化中的應用
遺傳算法是從原始數據中模擬優勝劣汰，通過反復叠代獲得最優解。在這種情況下，它本質上是隨機生成壹組礦石品位，利用自適應技術調整品位，通過反復叠代逐步逼近最優解。
(1)編碼:遺傳中用定長字符表示基因，這裏表示某個等級。編碼順序為截止品位、最低工業品位、原礦品位和精礦品位。[2]
(2)初始種群:每次叠代的初始種群由前壹次叠代產生，第壹次叠代的初始種群隨機產生，確定每個種群包含的個體數量。
(3)適應性:自然界的適應性是個體對自然的適應性。適應性越大，其生存的可能性就越大。同樣，這裏的適應度是壹個衡量個體優劣的指標，可以驅動遺傳算法的優化。在這種情況下，適合度取不同品位礦石所能得到的凈現值。
(4)復制與交換:根據達爾文進化論，適應能力強的個體容易生存，因此優點被保留，同樣的缺點被淘汰。適應性強的個體會與其後代有較高的相似度，在遺傳算法中可以用復制來表示；交換是指將上壹代多個個體的部分基因進行替換，產生新的個體。
(5)變異:遺傳算法中產生新個體的另壹種手段，通過補碼運算完成。
(6)終止條件:遺傳算法是壹種叠代操作，在滿足壹定要求時停止，壹般在種群平均適應度或最大適應度平滑變化時結束。
2.2采礦工程優化實例
本文以山東萊蕪鐵礦建設過程中充填材料剛度和采場結構參數的優化為例，說明了神經網絡和遺傳算法的具體應用。
山東萊蕪鐵礦顧家臺礦區礦體產於大理巖與閃長巖的接觸帶，上部被第四系和第三系覆蓋，均為隱伏礦體，礦脈地理結構十分復雜。[3]上方有壹條河在流。河流與礦帶之間雖有第三紀紅色板巖，但由於局部天窗的分布，水層與第四系礫石層、灰巖層接觸，防水效果不好。由於石灰巖的含水量，這部分成為承壓含水層。復雜的地質背景給采礦帶來了很大的困難。為實現不改河、不排水、不搬遷、不塌陷、不回水的“五不”方針，最終開采方案為礦體頂板附近註漿大理巖措施與階段空場嗣後膠結充填采礦法相結合的綜合治水方案。制約該方案順利實施的兩個重要因素是充填材料剛度和采場結構參數的優化。
礦房寬度為Bf，充填體剛度為EC，бt為上壁最大拉應力。從安全角度推斷，礦房寬度Bf越小，充填體剛度EC越大，上壁拉應力越小，施工越可靠；從經濟角度看，礦房寬度越大，充填剛度越小，越經濟。可見兩者是相對的，要在兩者之間找到壹個最優的匹配值。上壁的拉伸應力小於但接近大理石的拉伸強度。
首先通過神經網絡建立決策變量Bf，EC與目標бt之間的映射關系，然後通過遺傳算法搜索最佳匹配，得到結果為Bf=21.256m，EC=396.6MPa，б t =-1.9297mpa，最後驗證結果的合理性，表明結果令人滿意。
3.結論
作為目前先進的計算智能和人工智能技術，遺傳算法和神經網絡側重於通過叠代算法和非線性映射尋找問題的最優解。由於大多數礦山條件復雜，采礦工程中許多問題和方法的決策都存在許多決策變量，而且大多數變量與目標量之間的關系是非線性的。這些特點使得現代先進的智能技術如遺傳算法和神經網絡可以很好地應用於采礦工程的優化。通過研究和實例，證明了遺傳算法和神經網絡在采礦工程優化中能起到很好的作用。隨著這些技術的進步，它們將為采礦工程的優化提供更有力的幫助。
參考
[1]劉蕓，劉基。神經網絡和主成分分析在采礦工程中的應用[J].中南林業科技大學學報，2010，30 (6): 140-146。
章雷，柴海富。論人工神經網絡在采礦工程中的應用[J].學術討論，2008，(6): 172。
[3]劉家棟，陸文，。論采礦方法的優化選擇[J].IM & amp；p化學礦物與加工，2009，(1): 25: 27。
；