科研之友
微信
新浪微博
Facebook
分享链接
摘要
爆破产生的爆堆大块率问题一直以来都影响着矿山的生产效益.利用机器学习机制中集成学习思想实现大块率预测.以满洲里乌山铜矿实际采集的36组实测数据为例，整理形成10种特征数据.通过给定参数循环训练调优，再用交叉验证网格搜索的方法进行模型二次调优，并对比调优实现后模型与随机森林法、XGBoost模型、LightGBM模型和CatBoost模型进行效果对比.结果表明，经过两轮调优后的CatBoost模型预测效果明显高于其他几种模型，R2准确度可达98.83%,证明了两轮调优后CatBoost模型具有较高的预测水平，验证了该方法在大块率预测研究中的可行性，为爆破参数设计和大块率优化分析提供了可靠的参考.
- 单位
