基于BP网络的某矿山充填料浆配比优化

张钦礼，李谢平，杨伟

(中南大学 资源与安全工程学院，湖南 长沙，410083)

摘 要：

残矿回采充填体质量所存在的问题，提出采用分级尾砂胶结充填的方案。分析分级尾砂的物化特性，得出分级尾砂作为充填骨料的可行性。通过配比试验，初步确定影响料浆质量的因素。为了得到最优配比，采用神经网络进行优化，以料浆浓度及各组分添加量作为输入因子，塌落度、7 d抗压强度及28 d抗压强度作为输出因子，并以配比实验数据为训练和检验样本来建立BP神经网络预测模型。对比隐含层节点数对模型训练过程及预测精度的影响，选取最佳预测模型结构为4-9-3。将配比参数细化输入到预测模型中，从而搜索出优选样本，得到最优配比为m(水泥):m(粉煤灰):m(尾砂)=1:3:8。优化结果表明：在保证强度的前提下，粉煤灰的添加可有效地降低充填成本，经济效益显著。

关键词：

胶结充填；物化分析；料浆配比；BP神经网络；优化选择；

中图分类号：TD853         文献标志码：A         文章编号：1672-7207(2013)07-2867-08

Optimization of filling slurry ratio in a mine based on back-propagation neural network

ZHANG Qinli, LI Xieping, YANG Wei

(School of Resources and Safety Engineering, Central South University, Changsha 410083, China)

Abstract: Aiming at the existing problems of backfill quality in stopping of residual ore in a mine, it was proposed to adopt classified tailings in cemented tailings backfill. The feasibility of considering classified sailings as filling aggregate was established by analyzing physical and chemical properties of tailings. Influencing factors of slurry quality were preliminarily identified by ratio test. To obtain the optimal ratio, the neural network was used to optimize, taking the density of slurry and addition amount in each group as input data, and slump, 7 d compressive strength as well as 28 d compressive strength as output data. Data from ratio test were used as samples of training and testing to build the prediction model for BP neural network. The optimal structure of prediction model was selected to be 4-9-3 by comparing the influences of hidden layer nodes on model training process and prediction accuracy. By means of entering the refined ratio parameters into prediction model, optimal samples are searched and the optimal ratio is 1:3:8 for cement-fly ash-tailing. The optimization indicates that adding fly ash can reduce filling cost effectively and increase economic benefit on the premise that the strength is maintained.

Key words: cemented tailings backfill; physical and chemical analysis; slurry ratio; back-propagation neural network; optimization

矿物是工业的重要基础材料，随着国民经济持续快速发展，矿产这种不可再生资源被加速消耗，易于开采的优质矿产资源日渐枯竭^[1-2]。为满足工业生产对原材料日益增长的需求，保持经济社会可持续发展，矿产资源开发除继续向地层深部推进外，还应充分回收残矿资源^[3-5]。某矿山目前正面临着储量消耗过大，保有储量日益减少的困境，如北矿保有储量仅有75万t，按现有生产能力，仅能维持2~3 a。为了维持矿山企业稳定生产，除加大深部和外围勘探力度，增加保有储量外，还应加大残矿资源回收力度。该矿经过100余年的开采，特别是前期受采矿技术的局限，残留了大量宝贵的锑矿资源，如北矿厚大矿体预留的矿柱和及顶板冒落压矿达10余万t，而南矿残矿量更高达1 297 160 t。如能将这部分残留资源充分加以回收，不仅能延长矿山服务年限，且可以提高矿山经济效益和社会效益。残留资源二次开发中，安全技术条件极为复杂。国内外残矿回收的工程实例研究表明：在保证回采作业安全的前提下，充填采矿法兼具提高矿石回收率和环境保护的作用，对矿山残矿回收有着良好的效用^[6-8]。残矿资源能否在确保安全的前提下，实现最大限度地回收，关键在于充填料浆质量，而充填料浆质量取决于充填材料和充填技术参数^[9-12]。充填料浆的质量包括料浆的流动性和固结后的强度，即料浆的管道输送性能和充填体的强度。且充填成本是矿山采出矿石成本中占用较高的一项，在控制充填总成本的前提下，选择合理的料浆配比，可以有效地保证充填体强度，满足回采工艺要求。因此，确定合理的充填料浆配比是保证安全、高效经济回采的重要前提。本文针对该矿残矿回采存在的充填料浆质量分数低、水泥消耗量高、采场充填脱水量大、充填体凝固时间长等问题，提出分级尾砂胶结充填方案。通过对尾砂的物理力学性能测试，对分级尾砂充填性能作出评价，以配比实验组为基础，使用神经网络进行配比优化，得出最佳配比方案。

1  充填材料的选取及配比试验

1.1  分级尾砂充填性能评价

分级尾砂的物理力学性能，对充填体的力学性质，如充填体强度、渗滤水性能、管道输送特性等，有重要影响，因此准确测定主要充填料物理力学性能，并据此对充填料充填性能作出定性评价分析，是充填料浆配比研究的首要基础工作。

分级尾砂主要物理力学性质测定结果见表1，压缩系数与压缩模量见表2，沉降度(包括不同压力下的单位沉降量和孔隙比)测定结果见图1和图2，粒级组成及其组成曲线分别见表3和图3，尾砂样品主要化学成分测定结果见表4。

表1  分级尾砂的物理、力学性质

Table 1  Physical and mechanical properties of classified tailings

表2  分级尾砂压缩系数与压缩模量参数表

Table 2  Parameter table of compressibility and compression modulus of classified tailings

表3  分级尾砂不同粒径(mm)组成

Table 3  Composition of classified tailings with different diameters

表4  分级尾砂主要化学成分组成(质量分数)

Table 4  Main chemical constituents of classified tailings     %

分析表1~4和图1~3可见：

(1) 该矿分级尾砂的渗透系数较高(208.1 mm/h)，大于100 mm/h的要求，进入充填采场后具有良好的脱水性能，初凝速度快。

图1  分级尾砂的压力与单位沉降量关系曲线

Fig.1  Relation curve between pressure and unit settlement of classified tailings

图2  分级尾砂的压力与孔隙比关系曲线

Fig.2  Relation curve between pressure and void ratio of classified tailings

图3  分级尾砂的颗粒级配曲线

Fig.3  Grading curve of classified tailings

(2) 该矿分级尾砂单位沉降量随压力的增大而增大，但增幅逐步减小，表明分级尾砂具有一定的沉降量。

(3) 充填骨料的不均匀系数C_u大于5，表明其级配良好，充填料浆体的密实程度较好，有助于提高充填体的前期强度。

(4) 在尾砂中SiO₂的质量分数高达70.7%，Al₂O₃的质量分数也较高，具有一定的散体强度。

综上所述，仅从物理力学性质来看，该矿的分级尾砂是较为理想的充填骨料，但其充填体力学性能如何，需通过充填配比试验加以确定。

1.2  充填料浆配比试验

将分级尾砂作为充填骨料，商用水泥作为胶凝材料，同时在试验组的充填料中添加粉煤灰，以观察粉煤灰对充填体强度的影响。根据试验计划，将称量好的充填物料(水泥、尾砂、粉煤灰)倒入混合容器，充分搅拌均匀，根据质量分数要求，将所需的水倒入已混合均匀的充填物料中，强力搅拌形成均匀充填料浆。配置好不同配比和浓度的料浆，按照每组试验试块数要求，将搅拌好的料浆注入7.07 cm×7.07 cm×7.07 cm标准三联试模。模具浇注满后，让其自然沉降，待初凝后，将试块刮平，试块初步自立后，进行脱模处理。恒温下进行养护，并在7 d和28 d后测试充填体单轴抗压强度。料浆塌落度使用塌落度筒进行测试，塌落筒筒高300 mm，上口直径100 mm，下口直径200 mm，上、下口要保持平整光滑，以防止漏浆。试验时，将塌落筒放置在平整平面上，用力压紧，将搅拌好的充填料浆倒入筒中，灌满后将塌落度筒小心平稳地垂直向上提起，提离过程在5~10 s内完成。将筒放在试体一旁，量出塌落后试体最高点与筒的高度差(以mm为单位，读数精确至5 mm)，即为该料浆的塌落度S。

不同配比和浓度的料浆强度试验结果如表5所示。分析表5可见：

(1) 在相同灰砂比的条件下，料浆塌落度对料浆质量分数非常敏感，料浆质量分数由70%增加到76%时，塌落度减小很快。添加粉煤灰可以有效抑制尾砂沉淀而引起的充填物料离析现象，改善浆体流动性能，提高泵送充填可靠性，从而减小管道的磨损。

(2) 水泥对充填体强度影响显著，粉煤灰的添加对强度有一定的影响，而在水泥添加量不变的情况下，粉煤灰的添加可以提高充填体的强度及增加料浆的流动性。且粉煤灰的添加对7 d抗压强度影响不是很大， 但28 d强度显著提高，说明粉煤灰主要在于提高充填体的后期强度。

表5  充填料浆配比试验结果

Table 5  Rest results of filling slurry ratios

(3) 添加粉煤灰后，充填体固水性能明显提高，泌水率仅为2%~4%，与普通胶结充填(泌水率一般为4%~9%)相比，降低50%左右。

2  料浆配比优化

根据该矿所使用的采矿方法，并结合回采条件，为保证残矿回收作业的安全进行，充填体7 d抗压强度应达到0.5 MPa以上，28 d强度达到1.5 MPa以上。在充填体强度达到安全回采要求的情况下，通过优化充填料浆配比，调整各种充填材料的添加量，可以有效降低回采成本，提高矿山的经济效益。

2.1  BP神经网络模型

BP神经网络具有很强的多层次、非线性映射能力，能较好地解决少数据、贫信息和不确定性问题，且不受非线性模型的限制^[13-15]，可用于充填质量的预测。而最优的输入、输出因子以及学习、训练样本是建立合理、高效的BP神经网络预测模型的前提^[16-17]。以料浆浓度(质量分数，%)、尾砂添加量(质量分数，%)、水泥添加量(质量分数，%)、粉煤灰添加量(质量分数，%)作为输入因子，塌落度(cm)、7 d抗压强度(MPa)和28 d抗压强度(MPa)作为输出因子来建立BP网络模型。隐含层的节点数参考如下公式进行选择：

式中：n为输入层节点数；l为隐含层节点数；m为输出层节点数；a为0~10之间的常数^[18]。根据以上公式，隐含层的合理节点数为2~12。建立模型时，再根据网络收敛速度和预测误差进行比较，确定最佳隐含层节点数。

为避免输入输出数据数量级别相差较大而造成网络预测误差较大，需要对样本数据进行归一化处理，把所有的数据都转化为[0, 1]之间的数，以消除各维数据间数量级差别。归一化采用的函数为，输出预测结果时，对数据进行反归一化。网络模型隐含层的神经元激励函数采用：“S”型正切函数tansig，输出层激励函数采用线性函数purelin。

充填料浆质量预测模型的训练及检验流程如图4所示。

图4  BP神经网络预测模型算法流程图

Fig.4  Flow chart of arithmetic in prediction model of BP neural network

2.2  预测和优化

根据所确定的神经网络模型结构，建立BP神经网络预测模型。首先对网络调试，确定最佳隐含层节点数。以表5中的序号1~20为训练样本数据，20~24为检验样本，分别检查隐含层节点数为7，9和12时的网络性能，得出网络模型训练误差、预测结果相对误差曲线图，结果如图5~7所示。由图5~7可见：当隐含层节点数为7，9和12时，分别经23，9和6步运算达到精度要求，后者的收敛速度高于前两者，而三者预测结果的最大相对误差分别为0.094，0.061和0.134。可见：当隐含层节点数为9时，网络的预测误差较其他两者相对较小。因此，经综合考虑，取隐含层节点数为9，预测网络模型的收敛速度快，误差相对较小。

为了搜索出最优的料浆配比，对料浆浓度及配比进一步细化，将参数输入到训练好的网络模型中进行预测，并以此为优选样本，部分结果见表6。预测及优选结果表明：

(1) 隐含层是BP神经网络的重要结构之一。节点数太少，网络不能很好地学习，需要增加训练次数，训练的精度也受影响；节点数太多，网络容易过拟合，导致容错性差，且误差不一定最小，不能识别以前没有看到的样本。合理的隐含层节点数是保证BP网络高速度、高精度预测、优化的必备条件；建立多种隐含层结构(隐含层节点数目)，并对网络性能进行对比，是获得最优BP网络结构的有效途径。

图5  BP神经网络性能曲线(隐含层节点数为7)

Fig.5  Capability curves of BP neural network (Hidden layer node number is 7)

图6  BP神经网络性能曲线(隐含层节点数9)

Fig.6  Capability curves of BP neural network (Hidden layer node number is 9)

图7  BP神经网络性能曲线(隐含层节点数12)

Fig.7  Capability curves of BP neural network (Hidden layer node number is 12)

(2) 预测结果表明：所建立的模型具有较强的预测能力，能根据输入参数较精确的预测出塌落度、7 d抗压强度、28 d抗压强度等目标值。本研究以配比试验为依据，所选取的输入因子水平较合理，输出因子也满足工程精度要求。

(3) 用训练好的BP神经网络对多水平输入因子进行搜索，可以得出输出因子。由表6中的搜索结果知：在水泥添加量不变的情况下，通过调节粉煤灰和尾砂的添加比例可以提高充填体的强度达到料浆配比优化的目的。

综合以上分析：选取该矿山的料浆配比m(水泥)：m(粉煤灰)：m(尾砂)为1:3:8，质量分数为74%~76%。系统运行一段时间，积累了经验之后，如果粉煤灰供应存在问题，在保证泵送可靠性的前提下，也可逐渐降低粉煤灰添加比例，直至取消粉煤灰，此时备选配比为m(水泥):m(尾砂)=1:6，质量分数为70%~74%。

表6  配比优选搜索结果

Table 6  Search results of slurry ratio optimization

按水泥350元/t，粉煤灰70元/t，尾砂运输1元/t，水0.8元/t计算，则m(水泥):m(粉煤灰):m(分级尾砂)比例为1:3:8，质量分数为76%的充填料浆材料成本为65.07元/m³或36.15元/t。若采用1:6灰砂比的配比(不添加粉煤灰)，则质量分数为74%的材料成本为69.63元/m³或37.84元/t。充填采矿法推广后，残矿回收率可达到60%。按矿山保有残矿储量129万t计算，可回收77.4万t锑矿石，若采出矿石的品位为3%，将回采出锑金属2.322万t，经济效益显著。且尾砂充入井下，减少了尾砂地面堆放带来的占地、尾矿库管理、环境污染等问题，具有较高的间接经济效益和显著的社会效益与环境效益。

3  结论

(1) 充填体强度影响因素的排序为：水泥、粉煤灰和尾砂，即水泥是充填体强度的决定性影响因素，尾砂对充填体强度影响最小，粉煤灰可在一定程度上提高充填体强度，其主要作用在于增加后期的强度和充填料浆的流动性。

(2) 设计配比试验，产生理想的训练、检验样本；通过对3种隐含层神经元的网络性能进行对比，选用隐含层神经元数为9的模型；输入多水平因子，使用训练好的网络搜索出优选样本，确定最优配比为m(水泥):m(粉煤灰):m(尾砂)=1:3:8，在确保残矿安全回采的前提下，降低了充填成本。

(3) BP神经网络作为一种输入―输出的高度非线性映射，通过对作用函数的多次复合，实现了充填质量预测中输入输出之间的非线性映射；预测过程中不需要建立数学方程，具有自适应性，学习能力及容错性较强。可避免传统的充填料浆配比研究只能从现有实验组中找出相对较优者的缺点，具有广阔的应用前景。

参考文献：

[1] 钱鸣高, 缪协兴, 许家林. 资源与环境协调(绿色)开采[J]. 煤炭学报, 2007, 32(1): 1-7.

QIAN Minggao, MIAO Xiexing, XU Jialin. Green mining of coal resources harmonizing with environment[J]. Journal of China Coal Society, 2007, 32(1): 1-7.

[2] 张修志, 周霞, 刘朝马. 我国资源枯竭矿山企业发展对策探讨[J]. 矿业快报, 2003, 19(9):1-3.

ZHANG Xiuzhi, ZHOU Xia, LIU Chaoma. Discussion on the development countermeasures for resources exhausted mines in China[J]. Express Information of Mining Industry, 2003, 19(9): 1-3.

[3] 叶义成, 许梦国, 伍佑伦, 等. 大广山矿残留矿柱回收工程可行性分析[J]. 金属矿山, 2002, 12: 23-25, 52.

YE Yichen, XU Mengguo, WU Youlun, et al. Feasibility analysis of the project of recoverying residual pillars in Daguangshan mine[J]. Metal Mine, 2002, 12: 23-25, 52.

[4] MIN Hong, DENG Jianhui, WEI Jinbing, et al. Slope safety control during mining below a landslide[J]. Science in China, Series E: Technological Sciences, 2005, 48(Suppl): 47-52.

[5] 苏锡安, 褚军凯. 五矿邯邢矿业公司残矿回收综合措施[J]. 金属矿山, 2012(11): 26-31.

SU Xi’an, CHU Junkai. The practice of remnant ore recovery comprehensive measures in the minmetals Han Xing Mining[J]. Metal Mine, 2012(11): 26-31.

[6] Potgieter J H, Potgieter S S. Mining backfill formulations from various cementitious and waste materials[J]. Indian Concrete Journal, 2003, 77(5): 1071-1075.

[7] 周爱民, 古德生. 基于工业生态学的矿山充填模式[J]. 中南大学学报: 自然科学版, 2004, 35(3): 468-472.

ZHOU Aimin, GU Desheng. Mine-filling model based on industrial ecology[J]. Journal of Central South University: Science and Technology, 2004, 35(3): 468-472.

[8] 孙光华, 李青山. 采空区充填技术研究[J]. 矿业研究与开发, 2011, 5: 16-17, 65.

SUN Guanghua, LI Qingshan. Study on the technology of filling goaf[J]. Mining Research and Development, 2011, 5: 16-17, 65.

[9] 刘志祥, 李夕兵. 尾砂级配的混沌优化[J]. 中南大学学报: 自然科学版, 2005, 36(4): 683-688.

LIU Zhixiang, LI Xibing. Chaotic optimization of tailings gradation[J]. Journal of Central South University: Science and Technology, 2005, 36(4): 683-688.

[10] 张钦礼, 谢盛青, 郑晶晶, 等. 充填料浆沉降规律研究及输送可行性分析[J]. 重庆大学学报: 自然科学版, 2011, 34(1): 105-109.

ZHANG Qinli, XIE Shengqing, ZHENG Jingjing, et al. Sedimentation law research and transportation feasibility study of backfilling slurry[J]. Journal of Chongqing University: Natural Science Edition, 2011, 34(1): 105-109.

[11] ZHANG Qinli, HU Guanyu, WANG Xinmin, et al. Hydraulic calculation of gravity transportation pipeline system for backfill slurry[J]. Journal of Central South University of Technology, 2008, 15(5): 645-649.

[12] WANG Xinmin, ZHAO Bin, ZHANG Qinli, et al. Cemented backfilling technology with unclassified tailings based on vertical sand silo[J]. Journal of Central South University of Technology, 2008, 15(6): 801-807.

[13] 赵彬, 王新民, 史良贵, 等. 基于BP神经网络的爆破参数优选[J]. 矿冶工程, 2009, 29(4): 24-27.

ZHAO Bin, WANG Xinmin, SHI Lianggui, et al. Optimization of blasting parameters based on back-propagation neural network[J]. Mining and Metallurgical Engineering, 2009, 29(4): 24-27.

[14] Zhang L P, Yu H J, Hu S X. Optimal choice of parameters for particle swarm optimization[J]. Journal of Zhejiang University Science, 2005, 6(6): 528-534.

[15] Deng X, Mirzalan A. Competitive robot mapping homogeneous markers[J]. IEEE Trans on Robotics Automation, 1996, 12(4): 532-542.

[16] Rimon E, Koditschek D E. Exact robot navigation using artificial potential fields[J]. IEEE Trans on Robotics and Automation, 1992, 8(5): 501-518.

[17] 宁齐元, 刘祖德, 游曦鸣, 等. 基于BP神经网络煤与瓦斯突出强度预测模型[J]. 煤矿开采, 2011, 16(6): 19-21, 62.

NING Qiyuan, LIU Zude, YOU Ximing, et al. Prediction model of coal and methane bursting intensity based on BP neural network[J]. Coal Mining Technology, 2011, 16(6): 19-21, 62.

[18] 郑晶晶, 张钦礼, 王新民, 等. 基于BP神经网络的充填钻孔使用寿命预测[J]. 湘潭师范学院学报: 自然科学版, 2008, 30(4): 40-44.

ZHENG Jingjing, ZHANG Qinli, WANG Xinmin, et al. The prediction of backfilling drill-hole’s life based on BP neutral networks[J]. Journal of Xiangtan Normal University: Natural Science Edition, 2008, 30(4): 40-44.

(编辑  何运斌)

收稿日期：2012-03-29；修回日期：2012-06-11

基金项目：“十一五”国家科技支撑计划(2008BAB32B03)

通信作者：张钦礼(1964-)，男，山东临朐人，教授，博士生导师，从事采矿、充填及安全等技术研究；电话：18373177242；E-mail: zhangqinlicn@126.com

摘要：针对目前某矿山残矿回采充填体质量所存在的问题，提出采用分级尾砂胶结充填的方案。分析分级尾砂的物化特性，得出分级尾砂作为充填骨料的可行性。通过配比试验，初步确定影响料浆质量的因素。为了得到最优配比，采用神经网络进行优化，以料浆浓度及各组分添加量作为输入因子，塌落度、7 d抗压强度及28 d抗压强度作为输出因子，并以配比实验数据为训练和检验样本来建立BP神经网络预测模型。对比隐含层节点数对模型训练过程及预测精度的影响，选取最佳预测模型结构为4-9-3。将配比参数细化输入到预测模型中，从而搜索出优选样本，得到最优配比为m(水泥):m(粉煤灰):m(尾砂)=1:3:8。优化结果表明：在保证强度的前提下，粉煤灰的添加可有效地降低充填成本，经济效益显著。