基于集成学习CatBoost优化模型的爆堆大块率预测 |
| |
引用本文: | 金长宇,于佳强,王强,陈立军.基于集成学习CatBoost优化模型的爆堆大块率预测[J].东北大学学报(自然科学版),2023(12):1743-1750. |
| |
作者姓名: | 金长宇 于佳强 王强 陈立军 |
| |
作者单位: | 东北大学深部金属矿山安全开采教育部重点实验室 |
| |
基金项目: | 岩土力学与工程国家重点实验室开放基金资助项目(Z020017);;中央高校基本科研业务费专项资金资助项目(N2101041); |
| |
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.
|
关 键 词: | 大块率预测 机器学习 集成学习 爆破 CatBoost模型 |
|
|