Современное состояние открытой добычи полезных ископаемых на данном этапе развития открытой геотехнологии характеризуется увеличением глубины карьеров, повышением коэффициента вскрыши и чаще всего снижением содержания полезных компонентов.
Буровзрывные работы (БВР) – это основа горного передела. БВР на карьерах проводятся с целью отбойки и дробления горной массы до требуемой кусковатости. Качество выполнения БВР определяет затраты на механическое дробление и измельчение, которые, как известно, являются наиболее энергозатратными операциями горно-обогатительного производства. В настоящее время усредненная доля затрат для горнодобывающих предприятий РФ, приходящихся на отбойку горной массы, в зависимости от крепости горных пород находится в пределах 20–35%, причем каждое предприятие устанавливает свои собственные требования к кондиционному куску и к размеру негабарита.
На эту величину оказывают влияние следующие факторы: тип применяемого горного и дробильного оборудования (по габаритам технологического оборудования), используемое ВВ, тип и физико-механические свойства полезного ископаемого и т. д. При увеличении объемов взрывных работ нередко происходит рост выхода негабаритной фракции. Это может обусловливаться ухудшением горно-геологических условий по мере увеличения глубины отработки, некорректно подобранными параметрами БВР, что вызвано желанием сократить производственные затраты, и т. д. Данное явление приводит к неконтролируемому росту дополнительных издержек на вспомогательные операции, что в целом негативно сказывается на экономической эффективности горнодобывающего предприятия.
Для оценки влияния качества подготовки забоя на эксплуатационные показатели и техническое состояние металлоконструкций экскаваторов на одном из геодинамических полигонов был проведен производственный эксперимент по определению параметров кусковатости взорванной горной массы, а также контролировалось появление трещин. В качестве аппаратно-программного сопровождения экспериментальных исследований использовано отечественное оборудование компании «Давтех».
В аппаратно-программном комплексе реализован способ, который заключается в том, что посредством стереоскопической камеры получают стереоизображение развала горной породы. Далее на основе полученного стереоизображения развала строят объемный рельеф поверхности развала, представляющий собой набор дальностей от матрицы стереоскопической камеры до поверхности выбранных участков развала горной породы и соответствующих им координат на изображении.
В процессе функционирования нейронной сети осуществляется преобразование данных, конкретный вид которого определяется весами межнейронных связей, видом активационной функции нейронов, архитектурой и конфигурацией сети. Нейронные сети представляют собой модели, основанные на машинном обучении, т. е. приобретают необходимые свойства в процессе обучения, который заключается в итеративной подстройке весов сети по некоторому правилу, называемому алгоритмом обучения.
В качестве дополнительного исследовательского инструментария специалистами компании «Давтех» прорабатывался вопрос возможности использования для предварительного анализа развала горной массы сверточной нейронной сети. Она позволяет получать признаки искомых объектов автоматически и классифицировать пиксели с учетом окружающей их области, т. е. учитываются непосредственно свойства самого объекта. Структура модели сверточной нейронной сети параллельна, что делает идеальным применение графических процессоров (GPU) для их обучения.
В работе использована архитектура нейронной сети U-Net, показавшая свою эффективность в решении задачи сегментации медицинских изображений. Сеть U-Net показала свою эффективность и в автоматической сегментации спутниковых изображений при малом количестве обучающих данных. Оригинальная U-Net состоит из двух частей: кодировщика и декодировщика.
Кодировщик представляет собой сверточную нейронную сеть, состоящую из пяти блоков. Каждый такой блок состоит из двух сверточных слоев с фильтрами 3 × 3 с функцией активации ReLU и batch normalization, применяемой к каждому из них, а также слоя понижения дискретизации с окном 2 × 2.
Декодировщик имеет такое же количество блоков, что и кодировщик. Каждый блок декодировщика состоит из слоя повышения дискретизации с окном 2 × 2, слияния с соответствующим набором признаков из кодировщика, двух сверточных слоев с фильтрами 3 × 3 и функцией активации ReLU, примененной к 42 каждому из них.
Последний слой использует сигмоидную функцию активации признаков для классификации на уровне пикселей. В части собственных разработок создание искусственной нейронной сети (ИНС) для решения задач прогнозирования методами нейросетевого анализа предлагается проводить согласно следующей последовательности:
- Физическая постановка задачи с целью построения обучающих выборок. Основой для создания обучающих выборок могут быть базы данных, содержащие аналитическую информацию по гранулометрическому составу пород на различных месторождениях твердых полезных ископаемых с различными физико-механическими характеристиками пород.
- Выбор архитектуры, топологии сети, а также выбор алгоритма ее обучения. Предварительная обработка данных и построение обучающих выборок.
- Обучение, тестирование и возможное «дообучение» сети.
- Анализ полученных результатов.
В результате проведенных исследований установлено и доказано, что гранулометрический состав горных пород – это один из основных показателей, влияющих на экономику последующих операций. Комплексные исследования по установлению фактического распределения размеров кусков в развале с использованием технологий нейронных сетей, при условии обеспечения качества дробления взорванной горной массы в забое, определяемого содержанием негабаритного куска не более 3%, позволит разработать рекомендации по рациональным режимам управления карьерным экскаватором.
текст: В. С. Великанов, А. В. Дремин, С. А. Чернухин, Н. В. Ломовцева, фото: davtech.ru