[發(fā)明專(zhuān)利]一種基于cart樹(shù)回歸算法的爆破塊度預(yù)測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201811039099.0
• 申請(qǐng)日: 2018-09-06
• 公開(kāi)（公告）號(hào): CN109146195A
• 公開(kāi)（公告）日: 2019-01-04
• 發(fā)明（設(shè)計(jì)）人: 李澤華;李順波;佟彥軍;王清華;楊鵬飛;趙強(qiáng);黃其沖;張昭;楊寧
• 申請(qǐng)（專(zhuān)利權(quán)）人: 北方爆破科技有限公司
• 主分類(lèi)號(hào): G06Q10/04
• 分類(lèi)號(hào): G06Q10/04;G06F17/18
• 代理公司: 北京輕創(chuàng)知識(shí)產(chǎn)權(quán)代理有限公司 11212
• 代理人: 談杰

本發(fā)明公開(kāi)了一種基于cart樹(shù)回歸算法的爆破塊度預(yù)測(cè)方法，利用已有的歷史巖石塊度相關(guān)參數(shù)作為樣本屬性采用CLS算法構(gòu)建CART決策樹(shù)模型并進(jìn)行訓(xùn)練，收集新的石塊度相關(guān)參數(shù)，利用訓(xùn)練好的CART決策樹(shù)模型進(jìn)行預(yù)測(cè)。與現(xiàn)有技術(shù)相比，本發(fā)明首先通過(guò)已有的歷史巖石塊度相關(guān)參數(shù)構(gòu)建CART決策樹(shù)模型并進(jìn)行訓(xùn)練，然后即可以利用訓(xùn)練好的CART決策樹(shù)模型進(jìn)行爆破塊度的預(yù)測(cè)，本發(fā)明從根源上預(yù)防爆破塊度事故發(fā)生，降低爆破過(guò)程中產(chǎn)生的大塊率，降低二次破碎，提高生產(chǎn)效率，節(jié)約爆破成本。

技術(shù)領(lǐng)域

本發(fā)明涉及工程爆破技術(shù)領(lǐng)域，特別是一種基于cart樹(shù)回歸算法的爆破塊度預(yù)測(cè)方法。

背景技術(shù)

影響礦石爆破塊度分布的因素包括:炸藥參數(shù)、爆破參數(shù)、巖體結(jié)構(gòu)及其力學(xué)特征等各種不同類(lèi)型的因素。礦石爆破后的塊度大小及組成不僅是反映爆破設(shè)計(jì)與作業(yè)水平的主要信息，而且還影響著后續(xù)諸如鏟裝、破碎、運(yùn)輸、消除根底、礦物加工等生產(chǎn)工藝，從而影響著礦山生產(chǎn)成本和效率。爆破礦石塊度較大則需要二次爆破，爆破礦石塊度較小則爆破成本增加。

發(fā)明內(nèi)容

本發(fā)明的目的是要提供一種基于cart樹(shù)回歸算法的爆破塊度預(yù)測(cè)方法，從根源上預(yù)防爆破塊度事故發(fā)生，降低爆破過(guò)程中產(chǎn)生的大塊率，降低二次破碎，提高生產(chǎn)效率，節(jié)約爆破成本。

為達(dá)到上述目的，本發(fā)明是按照以下技術(shù)方案實(shí)施的：

一種基于cart樹(shù)回歸算法的爆破塊度預(yù)測(cè)方法，包括以下步驟：

步驟一、利用已有的歷史巖石塊度相關(guān)參數(shù)作為樣本屬性構(gòu)建CART決策樹(shù)模型，根據(jù)訓(xùn)練數(shù)據(jù)集,從根節(jié)點(diǎn)開(kāi)始，遞歸地對(duì)每個(gè)節(jié)點(diǎn)進(jìn)行以下操作，構(gòu)建二叉決策樹(shù)：

(1)設(shè)節(jié)點(diǎn)的訓(xùn)練集為D,計(jì)算現(xiàn)有的特征對(duì)該數(shù)據(jù)集的基尼指數(shù)，此時(shí)，對(duì)每一個(gè)特征A,對(duì)其可能的每個(gè)取值a,根據(jù)樣本點(diǎn)對(duì)A＝a的測(cè)試為“是”或“否”將D分割成D₁和D₂兩部分,計(jì)算A＝a時(shí)的基尼指數(shù)；

(2)在所有可能的特征A以及所有可能的切分點(diǎn)a中,選擇基尼指數(shù)最小的特征及其對(duì)應(yīng)的切分點(diǎn)作為最優(yōu)特征與最優(yōu)切分點(diǎn),依最優(yōu)特征與最優(yōu)切分點(diǎn),從現(xiàn)切分點(diǎn)生成兩個(gè)子節(jié)點(diǎn),將訓(xùn)練數(shù)據(jù)集依特征分配到兩個(gè)子節(jié)點(diǎn)中去；

(3)對(duì)兩個(gè)子節(jié)點(diǎn)遞歸地調(diào)用(1),(2),直至滿足樣本集的基尼指數(shù)小于預(yù)定閾值。

(4)生成CART決策樹(shù)。

步驟二、收集新的石塊度相關(guān)參數(shù)，利用訓(xùn)練好的CART決策樹(shù)模型進(jìn)行預(yù)測(cè)。

與現(xiàn)有技術(shù)相比，本發(fā)明首先通過(guò)已有的歷史巖石塊度相關(guān)參數(shù)構(gòu)建CART決策樹(shù)模型并進(jìn)行訓(xùn)練，然后即可以利用訓(xùn)練好的CART決策樹(shù)模型進(jìn)行爆破塊度的預(yù)測(cè)，本發(fā)明從根源上預(yù)防爆破塊度事故發(fā)生，降低爆破過(guò)程中產(chǎn)生的大塊率，降低二次破碎，提高生產(chǎn)效率，節(jié)約爆破成本。

附圖說(shuō)明

圖1為本發(fā)明實(shí)施例構(gòu)建的CART決策樹(shù)。

圖2為本發(fā)明實(shí)施例構(gòu)建的CART決策樹(shù)構(gòu)造過(guò)程圖。

具體實(shí)施方式

下面結(jié)合具體實(shí)施例對(duì)本發(fā)明作進(jìn)一步描述，在此發(fā)明的示意性實(shí)施例以及說(shuō)明用來(lái)解釋本發(fā)明，但并不作為對(duì)本發(fā)明的限定。

如圖1、圖2所示，本實(shí)施例的一種基于cart樹(shù)回歸算法的爆破塊度預(yù)測(cè)方法，包括以下步驟：

步驟一、利用已有的歷史巖石塊度相關(guān)參數(shù)作為樣本屬性(參加表1)構(gòu)建CART決策樹(shù)模型，具體為：

決策樹(shù)算法模型采用的是二叉樹(shù)形式，利用二分遞歸將數(shù)據(jù)空間不斷劃分為不同子集。同樣的，每一個(gè)葉節(jié)點(diǎn)都有著與之相關(guān)的分類(lèi)規(guī)則，對(duì)應(yīng)了不同的數(shù)據(jù)集劃分；