基于图神经网络的最优装矿溜井选择模型

作     者：乔海清 吕潇 张元生 李若熙 王贤龙 QIAO Haiqing;LÜXiao;ZHANG Yuansheng;LI Ruoxi;WANG Xianlong

作者机构：矿冶科技集团北京102628 金属矿山智能开采技术北京市重点实验室北京102628 矿冶过程智能优化制造全国重点实验室北京102628 北京北矿智能科技有限公司北京102628 

基　　金：国家重点研发计划资助项目(2022YFC2904105) 矿冶科技集团青年科技创新基金(04-2302) 

出 版 物：《工程科学学报》 (Chinese Journal of Engineering)

年 卷 期：2024年第46卷第12期

页      码：2169-2180页

摘      要：针对金属矿山井下选择装矿溜井时过度依赖人工经验,常导致决策不合理的问题,建立能够科学选择最优装矿溜井的预测模型,优化溜井选择决策以提升有轨运输效率.以安徽白象山铁矿–495水平为研究对象,采集该水平溜井、巷道信息及矿石采装、运输等数据.将数据预处理成能描述该水平路网结构的拓扑矩阵,与包含路段/溜井基础信息、路段/溜井轨迹信息、溜井时序料位信息的特征向量,用作模型训练与验证.结合拆分时序特征、优化池化输出、编码边特征的模型改进设计,构建并训练能兼顾溜井属性、路段属性、路网拓扑的时序图神经网络模型Time-series transformer graph convolutional network(T-TransGCN),将预测结果作为最优装矿溜井选择结果.验证结果显示:(1) T-TransGCN能兼顾节点属性与拓扑信息,相较时序人工神经网络Time-series multi-layer perceptron (T-MLP)与时序基准图模型Time-series graph convolutional network (TGCN),T-TransGCN稳定且有较强的拟合能力;(2)时序料位特征有助于T-TransGCN理解溜井近期动态,轨迹特征能动态反映不同溜井的重要程度,同时帮助模型理解相邻节点相似、岔路节点相似等信息.两类新特征的引入均能有效提升TTransGCN泛化能力;(3)引入边特征、优化T-TransGCN池化层输出、拆分时序料位特征,能进一步提升T-TransGCN拟合能力、泛化能力与稳定性.

主 题 词：溜井 图神经网络 拓扑结构 时序料位 轨迹特征 

学科分类：081901[081901] 0819[工学-海洋工程类] 08[工学] 

核心收录：

D　O　I：10.13374/j.issn2095-9389.2024.01.17.003

馆 藏 号：203145512...