齊沖沖，楊星雨，李桂臣，陳秋松，孫元田

(1.中南大學(xué) 資源與安全工程學(xué)院，湖南 長(zhǎng)沙 410083; 2.中國(guó)礦業(yè)大學(xué) 礦業(yè)工程學(xué)院，江蘇 徐州 221116)

礦業(yè)對(duì)國(guó)家的工業(yè)化和國(guó)防的現(xiàn)代化起著至關(guān)重要的作用，極大地推動(dòng)了國(guó)民經(jīng)濟(jì)的快速發(fā)展[1]。但是隨著礦產(chǎn)資源的大規(guī)模開采，我國(guó)淺部礦產(chǎn)資源已趨于枯竭[2]，深部資源開采成為礦業(yè)發(fā)展的必然，是開拓金屬礦業(yè)的前沿領(lǐng)域[1]。國(guó)家高度重視深部資源開采，聚焦深部開采的科學(xué)技術(shù)問(wèn)題，力爭(zhēng)使我國(guó)的采礦科學(xué)技術(shù)走在世界礦業(yè)科技的前沿[1,3-6]。

充填采礦法是深部開采的主要采礦法之一，具有巨大的經(jīng)濟(jì)、技術(shù)和環(huán)境優(yōu)勢(shì)[1,7-17]。礦山充填是指將礦山廢料回填至采礦形成的采空區(qū)的作業(yè)過(guò)程，有利于從源頭上解決采空區(qū)采動(dòng)災(zāi)害和礦山廢料堆砌兩大安全和環(huán)境問(wèn)題，是推動(dòng)礦山可持續(xù)發(fā)展、礦產(chǎn)資源綠色開發(fā)以及推行資源循環(huán)經(jīng)濟(jì)戰(zhàn)略的重要途徑[18]。但目前礦山充填占采礦成本高，其中膏體充填可占總采礦成本的20%左右，嚴(yán)重制約了充填采礦法的應(yīng)用與推廣[18-19]。如何提高礦山充填設(shè)計(jì)，降低充填成本，已成為制約礦山充填發(fā)展的關(guān)鍵問(wèn)題之一。

當(dāng)今時(shí)代，以深度學(xué)習(xí)為核心的人工智能方法取得了重大突破，得到了國(guó)內(nèi)外學(xué)術(shù)界及工業(yè)界的廣泛重視。美國(guó)斯坦福大學(xué)尼爾遜教授對(duì)人工智能的定義如下:“人工智能是關(guān)于知識(shí)的學(xué)科——怎樣表示知識(shí)以及怎樣獲取知識(shí)并使用知識(shí)的科學(xué)”[20]。眾多學(xué)者對(duì)人工智能基本思想和基本內(nèi)容的探討，闡釋了人工智能是通過(guò)探討人類的智能活動(dòng)行為，研究如何應(yīng)用計(jì)算機(jī)軟硬件技術(shù)來(lái)模擬人類的某些智能行為(如學(xué)習(xí)、推理、規(guī)劃等)，構(gòu)造具有一定智能的人工系統(tǒng)的基本理論、方法與技術(shù)[21]。礦業(yè)作為傳統(tǒng)行業(yè)的支柱產(chǎn)業(yè)之一，也立足自身發(fā)展需要，結(jié)合新一代人工智能方法，展開了面向智能化革新的進(jìn)程。

綠色化與自動(dòng)化、工業(yè)化與智能化的加速融合，為礦業(yè)領(lǐng)域和礦山充填的發(fā)展帶來(lái)了新的挑戰(zhàn)和機(jī)遇[22]。一些發(fā)達(dá)國(guó)家和發(fā)展中國(guó)家目前加快礦山智能化的戰(zhàn)略規(guī)劃和布局，強(qiáng)化礦業(yè)創(chuàng)新，重塑礦業(yè)技術(shù)新優(yōu)勢(shì)。如加拿大提出Underground Mining 2.0計(jì)劃，著力建設(shè)全智能無(wú)人礦山;芬蘭啟動(dòng)智能礦山研究計(jì)劃;澳大利亞提出未來(lái)礦山計(jì)劃等。我國(guó)也把智能化作為傳統(tǒng)產(chǎn)業(yè)改造升級(jí)的最佳途徑以及實(shí)現(xiàn)技術(shù)跨越式發(fā)展的主攻方向和突破口[23]。國(guó)家相繼出臺(tái)《國(guó)家中長(zhǎng)期科學(xué)和技術(shù)發(fā)展規(guī)劃綱要(2006—2020年)》、《國(guó)家創(chuàng)新驅(qū)動(dòng)發(fā)展戰(zhàn)略綱要》、《“十三五”國(guó)家科技創(chuàng)新規(guī)劃》等政策，受到了礦業(yè)領(lǐng)域?qū)＜覍W(xué)者的積極響應(yīng)[24-26]。

只有與礦山充填的特點(diǎn)和目標(biāo)密切結(jié)合，充分利用人工智能、大數(shù)據(jù)、建模、優(yōu)化與決策等信息技術(shù)與礦山充填過(guò)程的物理資源緊密融合與協(xié)同，實(shí)現(xiàn)礦山充填設(shè)計(jì)智能優(yōu)化決策，才有利于推進(jìn)礦山充填的跨越式發(fā)展。近年來(lái)，新一代人工智能方法在礦山充填中研究與應(yīng)用備受關(guān)注，相關(guān)文獻(xiàn)逐漸增多。筆者率先提出“機(jī)器學(xué)習(xí)輔助充填設(shè)計(jì)”(Machine Learning-Aided Design for Cemented Paste Backfill)的理論框架，拉開了充填智能化的序幕[27]。但目前國(guó)內(nèi)外尚無(wú)對(duì)該方向整體研究現(xiàn)狀的總結(jié)性綜述文獻(xiàn)。筆者簡(jiǎn)要介紹了人工智能方法的基本概念，討論了人工智能方法在礦山充填中的應(yīng)用難點(diǎn)，對(duì)新一代人工智能在礦山充填中的應(yīng)用進(jìn)展進(jìn)行綜述，展望了其發(fā)展方向并提出了智能充填系統(tǒng)的構(gòu)想。

1 新一代人工智能方法簡(jiǎn)介

新一代人工智能的發(fā)展日新月異，根據(jù)所準(zhǔn)備數(shù)據(jù)集是否包含標(biāo)記信息，新一代人工智能方法可大體分為監(jiān)督式學(xué)習(xí)(包含樣本標(biāo)記信息)以及非監(jiān)督式學(xué)習(xí)。簡(jiǎn)單來(lái)說(shuō)，監(jiān)督式學(xué)習(xí)的目的是訓(xùn)練一個(gè)人工智能模型，使其預(yù)測(cè)結(jié)果盡可能符合先驗(yàn)知識(shí)且具有一定的泛化能力;非監(jiān)督式學(xué)習(xí)的主要目的是找到數(shù)據(jù)集中的潛在數(shù)據(jù)關(guān)聯(lián)。目前，人工智能方法在礦業(yè)工程領(lǐng)域的應(yīng)用以監(jiān)督式學(xué)習(xí)為主，對(duì)非監(jiān)督式學(xué)習(xí)的應(yīng)用研究較少。本節(jié)主要對(duì)常用監(jiān)督式學(xué)習(xí)及非監(jiān)督式學(xué)習(xí)的方法進(jìn)行簡(jiǎn)介。

1.1 監(jiān)督式學(xué)習(xí)

1.1.1人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，簡(jiǎn)稱ANN)是由大量處理單元互聯(lián)組成的非線性、自適應(yīng)信息處理系統(tǒng)。神經(jīng)網(wǎng)絡(luò)中最基本的處理單位為神經(jīng)元(neuron)，每個(gè)神經(jīng)元通過(guò)帶權(quán)重的連接(connection)與其他神經(jīng)元連接，構(gòu)成復(fù)雜的層狀結(jié)構(gòu)。神經(jīng)網(wǎng)絡(luò)的第1層為輸入層，最后1層為輸出層，中間層為隱含層。在神經(jīng)網(wǎng)絡(luò)計(jì)算過(guò)程中，每個(gè)神經(jīng)元接收來(lái)自前一層神經(jīng)元傳遞過(guò)來(lái)的輸入信號(hào)，這些權(quán)重信號(hào)通過(guò)帶權(quán)重運(yùn)算獲得總輸入值，該輸入值將與神經(jīng)元的閾值(threshold)進(jìn)行對(duì)比，最后通過(guò)激勵(lì)函數(shù)(activation function)處理產(chǎn)生該神經(jīng)元的輸出。假設(shè)存在一組訓(xùn)練樣本(x1,y1),(x2,y2),…,(xn,yn)其中xi∈Rn，yi∈R，那么從輸入到輸出的映射關(guān)系可以通過(guò)以下公式表示:

hi=g(0,Wihi-1+bi)

for 1≤i≤L,andh0=x

(1)

y=g(0,VhL)

(2)

其中，hi為第i層輸出；Wi，bi為神經(jīng)網(wǎng)絡(luò)模型第i層待學(xué)習(xí)參數(shù)；L為神經(jīng)網(wǎng)絡(luò)層數(shù);V為神經(jīng)網(wǎng)絡(luò)模型待學(xué)習(xí)參數(shù);g(z)為激勵(lì)函數(shù)。定義一個(gè)標(biāo)志性的激活函數(shù)為ReLu函數(shù)如下:

g(z)=max(0,z)

(3)

目前，神經(jīng)網(wǎng)絡(luò)在礦業(yè)工程中已經(jīng)獲得了廣泛應(yīng)用，如礦業(yè)組合優(yōu)化方法[28]及采礦工程優(yōu)化[29]等。神經(jīng)網(wǎng)絡(luò)算法繁多，其他常見(jiàn)神經(jīng)網(wǎng)絡(luò)方法包括徑向基函數(shù)(RBF)網(wǎng)絡(luò)，級(jí)聯(lián)相關(guān)網(wǎng)絡(luò)、Elman網(wǎng)絡(luò)等[30]。

1.1.2決策樹

決策樹(Decision Tree，簡(jiǎn)稱DT)是一種簡(jiǎn)單高效并且具有強(qiáng)解釋性的模型，廣泛應(yīng)用于數(shù)據(jù)分析領(lǐng)域。決策樹通過(guò)構(gòu)建一棵具有多個(gè)判斷結(jié)點(diǎn)的樹狀結(jié)構(gòu)進(jìn)行數(shù)據(jù)分析。一棵決策樹模型一般具有一個(gè)根結(jié)點(diǎn)(root node)、若干個(gè)內(nèi)部結(jié)點(diǎn)以及若干個(gè)葉結(jié)點(diǎn)(leaf node);根結(jié)點(diǎn)包含樣本全集，葉結(jié)點(diǎn)對(duì)應(yīng)決策結(jié)果而內(nèi)部結(jié)點(diǎn)則對(duì)應(yīng)一個(gè)屬性測(cè)試。決策樹主要通過(guò)構(gòu)建一系列屬性測(cè)試，將樣本劃分至不同的結(jié)點(diǎn)，使得相同結(jié)點(diǎn)內(nèi)樣本間“相似性”越來(lái)越高，進(jìn)而達(dá)到學(xué)習(xí)及預(yù)測(cè)的目的。

決策樹學(xué)習(xí)的關(guān)鍵是如何選取最優(yōu)劃分屬性[30]。對(duì)于分類問(wèn)題，通常使用信息熵(information entropy)或者基尼指數(shù)(Gini index)來(lái)選取劃分屬性;對(duì)于回歸問(wèn)題，通常使用誤差平方和(Sum of Square Error,SSE)、均方誤差(Mean-Square Error,MSE)等來(lái)選取劃分屬性。在決策樹學(xué)習(xí)過(guò)程中，為了盡可能正確分類訓(xùn)練樣本，會(huì)使得結(jié)點(diǎn)劃分不斷重復(fù)，有時(shí)會(huì)導(dǎo)致分支過(guò)多，造成“過(guò)擬合”，這時(shí)需要通過(guò)剪枝(pruning)處理，剔除不能帶來(lái)決策樹泛化性能提升的分支，進(jìn)而降低過(guò)擬合的風(fēng)險(xiǎn)。

1.1.3隨機(jī)森林與梯度提升樹

近年來(lái)，基于決策樹的集成學(xué)習(xí)模型受到了國(guó)內(nèi)外學(xué)者的廣泛關(guān)注。隨機(jī)森林(Random Forest，簡(jiǎn)稱RF)是并行式集成學(xué)習(xí)Bagging的擴(kuò)展變體。在Bagging中，訓(xùn)練樣本集被隨機(jī)采樣T次生成T個(gè)采樣集，然后基于每個(gè)采樣集訓(xùn)練出一個(gè)基學(xué)習(xí)器，最后將這些基學(xué)習(xí)器進(jìn)行結(jié)合(通過(guò)averaging或者voting等)[31]。RF在Bagging的基礎(chǔ)上，進(jìn)一步在決策樹訓(xùn)練過(guò)程中引入隨機(jī)屬性選擇(Random Feature Selection，簡(jiǎn)稱RFS)。具體來(lái)說(shuō)，對(duì)于基決策樹的每個(gè)結(jié)點(diǎn)，先從該結(jié)點(diǎn)的全部屬性集合中(假設(shè)有d個(gè)屬性)隨機(jī)選擇k個(gè)屬性，然后從這個(gè)包含k個(gè)屬性的子集中選擇一個(gè)最優(yōu)屬性用于結(jié)點(diǎn)劃分。通過(guò)Bagging中的樣本擾動(dòng)以及RFS中的屬性擾動(dòng)，隨機(jī)森林的泛化能力顯著提高，被譽(yù)為“代表集成學(xué)習(xí)技術(shù)水平的方法”[30]。圖1為隨機(jī)森林示意圖。

圖1 隨機(jī)森林示意Fig.1 Random forest diagram

梯度提升樹(Gradient Boosting Tree，簡(jiǎn)稱GBT)是boosting算法的典型代表。Boosting算法的主要思路為考慮現(xiàn)有基學(xué)習(xí)器的表現(xiàn)，通過(guò)不斷迭代降低誤差。具體來(lái)說(shuō)，boosting先從初始訓(xùn)練集中訓(xùn)練出一個(gè)基學(xué)習(xí)器，根據(jù)此基學(xué)習(xí)器的表現(xiàn)對(duì)訓(xùn)練樣本的分布進(jìn)行調(diào)整，使得訓(xùn)練集中尚未得到很好預(yù)測(cè)的樣本在后續(xù)的基學(xué)習(xí)器訓(xùn)練中受到更多關(guān)注，然后基于調(diào)整后的樣本分布訓(xùn)練下一個(gè)基學(xué)習(xí)器;如此重復(fù)迭代，直至基學(xué)習(xí)器數(shù)目達(dá)到設(shè)定值。Adaboost及gradient boosting為boosting的兩種典型算法，其中Adaboost通過(guò)調(diào)整樣本的權(quán)重值改變樣本分布而gradient boosting通過(guò)改變損失函數(shù)的梯度達(dá)到類似的效果[32-33]。

1.1.4支持向量機(jī)

支持向量機(jī)(Support Vector Machine，簡(jiǎn)稱SVM)的基本思路為在特征空間上求解能夠正確劃分訓(xùn)練集且?guī)缀伍g隔最大的超平面。在樣本空間中，超平面可由wTx+b=0來(lái)描述，其中，w為法向量，b為位移項(xiàng)，分別決定了超平面的方向和超平面與原點(diǎn)之間的距離。距離超平面最近的訓(xùn)練樣本點(diǎn)稱為“支持向量”(support vector)，2個(gè)異類支持向量到超平面的距離之和稱為“間隔”，SVM的學(xué)習(xí)策略即為找到某一超平面，使其間隔最大化[30]。

對(duì)于非線性分類及回歸問(wèn)題，SVM引入核函數(shù)(kernel function)，將樣本從原始空間映射到一個(gè)高維空間，進(jìn)而在高維空間尋找超平面。如圖2所示為特征空間映射示意圖，其中，ξ為松弛變量；ε為劃分邊界;φ為特征空間映射。核函數(shù)的選取決定了特征空間的映射，進(jìn)而在很大程度上決定了支持向量機(jī)的性能。常見(jiàn)的核函數(shù)有線性核、多項(xiàng)式核、高斯核、拉普拉斯核、Sigmoid核以及常見(jiàn)核函數(shù)的組合等。

圖2 特征空間映射示意Fig.2 Mapping diagram between feature spaces

其他常用監(jiān)督式學(xué)習(xí)方法包括嶺回歸(Ridge Regression)，貝葉斯分類器(Bayesian Classification)，隨機(jī)梯度下降(Stochastic Gradient Descent)，高斯過(guò)程回歸(Gaussian Process Regression)及樸素貝葉斯(Naive Bayes)等。因上述監(jiān)督式學(xué)習(xí)方法在礦業(yè)領(lǐng)域的應(yīng)用較少，同時(shí)考慮本文篇幅限制，故不詳細(xì)介紹，具體可參考文獻(xiàn)[30,34-36]進(jìn)行學(xué)習(xí)。

1.2 非監(jiān)督式學(xué)習(xí)

如上所述，非監(jiān)督式學(xué)習(xí)主要針對(duì)初始訓(xùn)練集中不含有樣本標(biāo)記信息，其主要目的為挖掘樣本間的內(nèi)在聯(lián)系，揭示數(shù)據(jù)的內(nèi)在規(guī)律。聚類分析(Clustering)是非監(jiān)督式學(xué)習(xí)研究最多、應(yīng)用最廣的算法之一。

聚類分析的研究起源于1955年K-means算法的提出，并于1957年發(fā)展成為K-均值聚類算法(K-means Clustering Algorithms)[37]。聚類分析試圖將數(shù)據(jù)集樣本劃分為若干不相交子集，每個(gè)子集稱為一個(gè)“簇”(cluster)。經(jīng)過(guò)聚類分析的劃分，有利于對(duì)相同子集內(nèi)樣本內(nèi)在結(jié)構(gòu)進(jìn)行分析，推動(dòng)知識(shí)發(fā)現(xiàn)。經(jīng)過(guò)多年發(fā)展，聚類分析常用方法包括K-均值聚類，學(xué)習(xí)向量量化法(Learning Vector Quantization)，高斯混合聚類(Mixture-of-Gaussian)，密度聚類(Density-based Clustering)以及層次聚類(Hierarchical Clustering)等。目前聚類分析已經(jīng)陸續(xù)被用于礦業(yè)工程領(lǐng)域，如煤巖分界圖像識(shí)別[38]及鐵礦資源勘查開發(fā)基地劃分[39]等。

自組織映射(Self-Organizing Map，簡(jiǎn)稱SOM)網(wǎng)絡(luò)以及自適應(yīng)諧振理論(Adaptive Resonance Theory，簡(jiǎn)稱ART)網(wǎng)絡(luò)作為神經(jīng)網(wǎng)絡(luò)模型的典型算法，也可用于聚類分析。其中SOM作為一種競(jìng)爭(zhēng)學(xué)習(xí)型無(wú)監(jiān)督神經(jīng)網(wǎng)絡(luò)，可在保留數(shù)據(jù)拓?fù)浣Y(jié)構(gòu)的同時(shí)，將高維數(shù)據(jù)映射至低維空間[40]。因此，SOM不僅被用于聚類分析，也常常用來(lái)做數(shù)據(jù)降維。ART是一種自組織神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，通過(guò)輸出神經(jīng)元相互競(jìng)爭(zhēng)，可自組織地產(chǎn)生對(duì)環(huán)境認(rèn)識(shí)編碼的神經(jīng)網(wǎng)絡(luò)理論模型[30]。

生成對(duì)抗網(wǎng)絡(luò)(Generative Adversarial Network，GAN)作為時(shí)下熱門的非監(jiān)督式學(xué)習(xí)算法，通過(guò)引入對(duì)抗訓(xùn)練的方式使得GAN生成的樣本服從真實(shí)數(shù)據(jù)分布。GAN由生成器和判別器構(gòu)成，其中生成器盡量生成判別器無(wú)法區(qū)分來(lái)源的樣本，而判別器則盡量準(zhǔn)確地判斷樣本來(lái)源(真實(shí)數(shù)據(jù)或者生成器生成)。通過(guò)不斷交替訓(xùn)練，在達(dá)到納什均衡時(shí)，GAN生成器可以準(zhǔn)確地恢復(fù)真實(shí)數(shù)據(jù)分布[41]。目前，GAN被廣泛應(yīng)用于圖像生成、修復(fù)、語(yǔ)義轉(zhuǎn)化等領(lǐng)域，在礦業(yè)領(lǐng)域的應(yīng)用有待繼續(xù)研究。

2 新一代人工智能在礦山充填中應(yīng)用難點(diǎn)

2.1 多源異構(gòu)數(shù)據(jù)處理

礦山充填是一項(xiàng)系統(tǒng)工程，其優(yōu)化設(shè)計(jì)不可避免地涉及到多源異構(gòu)數(shù)據(jù)的處理與分析。礦山在開采和充填過(guò)程中，資源賦存條件、圍巖狀態(tài)、應(yīng)力環(huán)境等生產(chǎn)要素處于不斷地動(dòng)態(tài)變化中，直接影響到所需充填材料的力學(xué)和流變性能。隨著當(dāng)今設(shè)備感知和測(cè)量技術(shù)的進(jìn)步，礦山數(shù)據(jù)的來(lái)源及結(jié)構(gòu)日趨多樣化。同時(shí)，監(jiān)測(cè)過(guò)程中必然會(huì)引入對(duì)研究不起作用的非有效信息點(diǎn)，即噪聲點(diǎn)，數(shù)據(jù)類型不同，噪聲點(diǎn)也各具特征。這些均為數(shù)據(jù)的清洗、轉(zhuǎn)換、多源異構(gòu)數(shù)據(jù)特征提取以及數(shù)據(jù)融合提出了新的挑戰(zhàn)，為礦山充填對(duì)工況變化的智能感知增加了難度。

同時(shí)，礦山充填設(shè)計(jì)本身具有不同設(shè)計(jì)環(huán)節(jié)，各設(shè)計(jì)環(huán)節(jié)具有獨(dú)特的影響因素及性能參數(shù)。如充填養(yǎng)護(hù)時(shí)間對(duì)充填配比設(shè)計(jì)至關(guān)重要而充填流變性能及管道輸送則更多的關(guān)注于充填料漿。因此，目前礦山充填設(shè)計(jì)主要集中于單一環(huán)節(jié)設(shè)計(jì)，對(duì)多環(huán)節(jié)協(xié)同下礦山集成設(shè)計(jì)系統(tǒng)的研究較少。此現(xiàn)狀一方面因?yàn)槟壳皣?guó)內(nèi)外學(xué)者對(duì)環(huán)節(jié)間的關(guān)聯(lián)耦合的探索處于起步階段，對(duì)多環(huán)節(jié)交互協(xié)同機(jī)制的揭示不足[42];另一方面則是因?yàn)楦鳝h(huán)節(jié)數(shù)據(jù)類型及結(jié)構(gòu)特點(diǎn)各不相同，極大提高了多環(huán)節(jié)集成設(shè)計(jì)的難度。

2.2 作用機(jī)理復(fù)雜

礦山充填各環(huán)節(jié)影響因素對(duì)性能參數(shù)作用機(jī)理復(fù)雜，對(duì)人工智能方法的應(yīng)用提出了新的調(diào)整。目前，礦山工況變化對(duì)充填材料的力學(xué)和流變性能的影響研究較少，作用機(jī)理尚不明確。在力學(xué)性能方面，LI[43]提出了一種改進(jìn)的理論解算法以確定不同圍巖與開采情況下充填體最低強(qiáng)度要求。CHEN等[44]開展相似實(shí)驗(yàn)，模擬采場(chǎng)中充填體強(qiáng)度的分布特征，為室內(nèi)膏體配比提供實(shí)驗(yàn)支撐。在流變性能方面，LIU等[45]研究了管道輸送過(guò)程中充填料漿的流動(dòng)情況，為不同工況下管道輸送研究做了初期探索。筆者等[46]開展環(huán)管實(shí)驗(yàn)，研究了不同管線、不同尾砂在管道輸送過(guò)程中的沿程阻力。上述研究雖充分認(rèn)識(shí)到礦山工況的變化對(duì)充填材料力學(xué)和流變性能的影響，但作用機(jī)理尚不清楚，影響了人工智能方法的應(yīng)用(如特征選取等)。

充填設(shè)計(jì)各環(huán)節(jié)內(nèi)部作用機(jī)理各異。如全尾砂絮凝沉降、充填配比、管道輸送分別受到絮凝沉降機(jī)理、水泥水化機(jī)理及多相流動(dòng)機(jī)理的影響。同時(shí)，各機(jī)理目前在學(xué)術(shù)界仍處于探索階段，缺少統(tǒng)一的理解與認(rèn)識(shí)[17]。環(huán)節(jié)間耦合作用機(jī)理的研究更是處于起步階段，導(dǎo)致人工智能模型的構(gòu)建缺少理論知識(shí)的指導(dǎo)，不利于理論模型與算法模型的精準(zhǔn)配合，促進(jìn)精度提升。

2.3 模型需求難以兼顧

礦山充填各環(huán)節(jié)性能參數(shù)不同，且性能參數(shù)間可能存在矛盾。通常情況下，充填材料的強(qiáng)度與其流變性、水泥基充填材料強(qiáng)度與其經(jīng)濟(jì)性呈負(fù)相關(guān)。在充填材料優(yōu)化設(shè)計(jì)過(guò)程中，往往需要兼顧多個(gè)優(yōu)化目標(biāo)(如強(qiáng)度、流變性等)，導(dǎo)致人工智能模型的建立與優(yōu)化非常復(fù)雜、困難。同時(shí)，礦山充填設(shè)計(jì)對(duì)人工智能模型提出了準(zhǔn)確性、可靠性、實(shí)時(shí)性、動(dòng)態(tài)性等多樣性需求，在數(shù)據(jù)集不足的情況下往往難以兼顧。最后，充填設(shè)計(jì)涉及多個(gè)環(huán)節(jié)，各個(gè)環(huán)節(jié)對(duì)本環(huán)節(jié)數(shù)據(jù)集依賴程度較高，集成智能模型的構(gòu)建易造成環(huán)節(jié)間誤差累積，影響人工智能模型最終的準(zhǔn)確率及魯棒性。

3 新一代人工智能在礦山充填中的應(yīng)用綜述

新一代人工智能方法在礦山充填中的應(yīng)用一般是將研究問(wèn)題轉(zhuǎn)化為分類或回歸問(wèn)題，非監(jiān)督式學(xué)習(xí)在礦山充填中的應(yīng)用較少。本文按照礦山充填不同環(huán)節(jié)和研究方向，對(duì)新一代人工智能方法在礦山充填中的應(yīng)用進(jìn)行了詳細(xì)的綜述。

3.1 全尾砂絮凝沉降

選礦后排除的全尾砂漿質(zhì)量分?jǐn)?shù)一般在10%～25%，無(wú)法滿足膠結(jié)充填或膏體充填對(duì)充填料漿質(zhì)量分?jǐn)?shù)的要求(70%左右)，因此需要對(duì)全尾砂漿進(jìn)行濃密。傳統(tǒng)的濃密方式(如自然沉降等)沉降緩慢，溢流水渾濁，且沉降濃度低，直接影響到全尾砂充填度設(shè)計(jì)[47]。針對(duì)傳統(tǒng)濃密方式存在的問(wèn)題，絮凝沉降技術(shù)因其便攜性和可操作性，成為了礦山濃密的重要研究方向[17]。全尾砂絮凝沉降需要考慮多因素耦合影響下(如絮凝劑類型、添加量等)的絮凝沉降特性(如底流質(zhì)量濃度、初始沉降速度等)。近年來(lái)，新一代人工智能方法已初步應(yīng)用于全尾砂絮凝沉降過(guò)程，為絮凝沉降研究提供了新思路。

王新民等[48]基于室內(nèi)試驗(yàn)結(jié)果，使用ANN建立了絮凝劑單耗、料漿質(zhì)量濃度及絮凝劑質(zhì)量濃度到沉降速度和極限濃度的智能模型。結(jié)果表明，ANN智能模型對(duì)絮凝沉降結(jié)果的預(yù)測(cè)誤差可控制在5%左右，精度較高，且訓(xùn)練好的智能模型可用于絮凝沉降方案的快速優(yōu)選。

張欽禮等[49]針對(duì)全尾砂絮凝沉降，建立了遺傳算法(Genetic Algorithm，簡(jiǎn)稱GA)與SVM的雜化模型，其中SVM用于學(xué)習(xí)供砂濃度、絮凝劑單耗和絮凝劑添加濃度到沉降速度的映射關(guān)系，GA用于優(yōu)化SVM模型參數(shù)，提高SVM在絮凝沉降數(shù)據(jù)集上表現(xiàn)。

上述研究主要針對(duì)某種特定尾砂和絮凝劑進(jìn)行人工智能建模，導(dǎo)致所構(gòu)建智能模型應(yīng)用受限，不能直接用于其他尾砂和絮凝劑的預(yù)測(cè)分析。針對(duì)以上問(wèn)題，筆者等[50]在國(guó)內(nèi)金屬礦山收集了27種尾砂，使用4種絮凝劑進(jìn)行大量絮凝沉降實(shí)驗(yàn)，并對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行了分析。同時(shí)，基于絮凝沉降實(shí)驗(yàn)結(jié)果，構(gòu)建螢火蟲算法(Firefly Algorithm，簡(jiǎn)稱FA)-GBT雜化模型。結(jié)果表明FA-GBT對(duì)多尾砂、多絮凝劑共同影響下初始沉降速度實(shí)現(xiàn)了較好的預(yù)測(cè)(測(cè)試集實(shí)驗(yàn)與預(yù)測(cè)結(jié)果相關(guān)系數(shù)達(dá)到0.841)。

為進(jìn)一步提升預(yù)測(cè)精度，促進(jìn)人工智能方法在絮凝沉降中的應(yīng)用，筆者等[51]進(jìn)一步完善人工智能預(yù)測(cè)方法，使用主成分分析法(Principle Component Analysis，簡(jiǎn)稱PCA)降低輸入?yún)?shù)維度，使用粒子群算法(Particle Swarm Optimisation，簡(jiǎn)稱PSO)-自適應(yīng)模糊神經(jīng)推理系統(tǒng)(Adaptive Neuro-Fuzzy Inference System，簡(jiǎn)稱ANFIS)進(jìn)行初始沉降速度預(yù)測(cè)，并使用蒙特卡洛方法檢驗(yàn)預(yù)測(cè)的收斂性。結(jié)果表明人工智能方法在絮凝沉降中的預(yù)測(cè)精度進(jìn)一步提升。

3.2 充填強(qiáng)度設(shè)計(jì)

根據(jù)礦山充填的功能及地下采場(chǎng)環(huán)境不同，充填材料需要具有一定的強(qiáng)度及力學(xué)性能。一般來(lái)說(shuō)，充填材料單軸抗壓強(qiáng)度需要達(dá)到150～300 kPa以降低早期充填料漿的液化風(fēng)險(xiǎn);在特定情況下，充填材料單軸抗壓強(qiáng)度需要大于4 MPa以用于頂板支護(hù)[17]。充填材料的強(qiáng)度主要受灰砂比、養(yǎng)護(hù)時(shí)間、質(zhì)量分?jǐn)?shù)等因素的影響。目前，部分學(xué)者對(duì)充填材料強(qiáng)度的人工智能預(yù)測(cè)已進(jìn)行了初步探索，典型研究成果見(jiàn)表1。

表1 人工智能方法預(yù)測(cè)充填材料強(qiáng)度匯總Table 1 Summary table of artificial intelligence method to predict the strength of backfilling materials

由表1可知，目前充填材料的強(qiáng)度預(yù)測(cè)集中于單一尾砂充填材料強(qiáng)度預(yù)測(cè)。在單一尾砂充填材料強(qiáng)度預(yù)測(cè)方面，人工智能方法以ANN為主，近年來(lái)陸續(xù)出現(xiàn)群智優(yōu)化算法與人工智能算法的雜化方法，其中人工智能方法負(fù)責(zé)非線性回歸而群智優(yōu)化算法負(fù)責(zé)人工智能超參數(shù)調(diào)整。根據(jù)研究對(duì)象不同，人工智能方法的輸入變量存在些許區(qū)別，但主要以水泥含量、質(zhì)量或體積分?jǐn)?shù)、養(yǎng)護(hù)時(shí)間為主。輸出以28 d UCS為主，3,7,14 d UCS也多有涉及，其他齡期的UCS較少。單一尾砂充填材料強(qiáng)度的預(yù)測(cè)雖研究成果較多，但所構(gòu)建智能模型僅限于特定尾砂，應(yīng)用受限，不能直接用于其他尾砂的預(yù)測(cè)分析。

在筆者、陳秋松及其合作者的共同努力下[52-55]，充填材料強(qiáng)度預(yù)測(cè)從單一尾砂逐漸向多尾砂發(fā)展。筆者等[55]通過(guò)遺傳編程，闡述了人工智能模型對(duì)全新尾砂的強(qiáng)泛化能力，提高了科研及礦山工作者對(duì)人工智能預(yù)測(cè)的信息，證明了人工智能模型的潛在應(yīng)用價(jià)值?；谏鲜鲅芯砍晒?，陸翔等[56]進(jìn)一步使用集成學(xué)習(xí)，提高了人工智能模型的預(yù)測(cè)精度。

人工智能方法在充填材料強(qiáng)度方面的應(yīng)用正日益增加。秦學(xué)斌等[68-69]使用人工智能方法，提出了通過(guò)充填材料的孔隙特征預(yù)測(cè)充填材料強(qiáng)度的新方法;QIU等[70]通過(guò)grid search optimizer以及RF，構(gòu)建了泡沐充填材料強(qiáng)度預(yù)測(cè)模型;LI等[71]基于室內(nèi)試驗(yàn)結(jié)果，使用slap swarm algorithm-SVM雜化模型預(yù)測(cè)纖維增強(qiáng)性充填材料強(qiáng)度;張欽禮等[72]通過(guò)GA-SVM模型，研究了減水劑對(duì)充填體強(qiáng)度的影響;王志會(huì)等[73]使用PSO-ANN建立了膠結(jié)劑含量、養(yǎng)護(hù)溫度、養(yǎng)護(hù)時(shí)間及剪切面方向壓力到界面抗剪強(qiáng)度的智能預(yù)測(cè)模型;白春紅[74]及周士霖[75]采用ANN,SVM等人工智能方法，建立了采場(chǎng)穩(wěn)定性與充填體強(qiáng)度的智能模型。

3.3 充填料漿流變及管道輸送

在實(shí)際生產(chǎn)中，充填料漿通常在礦區(qū)地表制備，而后通過(guò)管道輸送至地下采場(chǎng)或露天礦坑。充填料漿的管道輸送與其流變性能密切相關(guān)，對(duì)充填系統(tǒng)的穩(wěn)定性至關(guān)重要。

LIU等[76]基于流變實(shí)驗(yàn)，以砂漿質(zhì)量分?jǐn)?shù)、砂灰比、砂漿重度、坍落度為輸入變量，屈服應(yīng)力和黏度為輸出變量，使用PCA-ANN建立了人工智能預(yù)測(cè)模型。研究表明PCA可以在盡可能保持輸入?yún)⒘康挠行畔⒌耐瑫r(shí)降低輸入?yún)⒘康木S度。PCA-ANN模型可以實(shí)現(xiàn)充填料漿流變參數(shù)的準(zhǔn)確預(yù)測(cè)(預(yù)測(cè)結(jié)果與實(shí)驗(yàn)結(jié)果的誤差在5%以內(nèi))。

張欽禮等[77]選用PCA和改進(jìn)的ANN對(duì)充填膏體流變參數(shù)進(jìn)行優(yōu)化預(yù)測(cè)研究。首先使用PCA對(duì)流變性能影響因素進(jìn)行預(yù)處理，再利用改進(jìn)ANN建立影響因素到流變性能的智能預(yù)測(cè)模型。結(jié)果表明主成分分析法可以有效提高流變參數(shù)的預(yù)測(cè)精度(屈服應(yīng)力預(yù)測(cè)相對(duì)誤差降低0.48%～7.29%，黏度相對(duì)誤差降低1.67%～6.20%)。

2389 在△ABC中，a,b,c；ta,tb,tc；R，r分別表示三邊長(zhǎng)，內(nèi)角平分線長(zhǎng)，外接圓半徑和內(nèi)切圓半徑， 則有

Lü等[78]使用混沌優(yōu)化(Chaos Optimization，簡(jiǎn)稱CO)和ANN構(gòu)建充填料漿坍落度的智能預(yù)測(cè)模型。坍落度的影響因素選為煤矸石含量、粉煤灰含量以及料漿質(zhì)量分?jǐn)?shù)。實(shí)驗(yàn)結(jié)果表明CO-ANN雜化模型對(duì)充填料漿的坍落度具有很好的預(yù)測(cè)效果。

筆者等[79]采用環(huán)管實(shí)驗(yàn)研究，探討了質(zhì)量分?jǐn)?shù)、灰砂比、入管壓力及管道形狀對(duì)充填料漿環(huán)管壓降的影響，并使用FA-GBT構(gòu)建智能預(yù)測(cè)模型。結(jié)果顯示實(shí)驗(yàn)與預(yù)測(cè)環(huán)管壓降的相關(guān)系數(shù)>0.99，表明FA-GBT可以有效地預(yù)測(cè)充填料漿環(huán)管壓降。

筆者等[80]在前期研究基礎(chǔ)上，進(jìn)一步探討了不同尾砂對(duì)充填料漿直管壓降的影響，并構(gòu)建了PSO-DTR智能預(yù)測(cè)模型。如圖3所示為決策樹深度對(duì)其測(cè)試集表現(xiàn)的影響。由圖3可知，決策樹深度顯著影響其預(yù)測(cè)表現(xiàn);當(dāng)決策樹深度≥5時(shí)，預(yù)測(cè)與實(shí)驗(yàn)直管壓降的相關(guān)系數(shù)約等于0.9，預(yù)測(cè)效果較好。

圖3 決策樹深度對(duì)其測(cè)試集表現(xiàn)的關(guān)系Fig.3 Relationship of decision tree depth to its testing set performance

駱正山等[81]以國(guó)內(nèi)某礦山為例，建立了基于粗糙集(RS)和正余弦(SCA)算法優(yōu)化投影尋蹤回歸(PPR)的充填管道失效風(fēng)險(xiǎn)預(yù)測(cè)模型。首先選取了10項(xiàng)影響因素，通過(guò)RS屬性約簡(jiǎn)原理提取5項(xiàng)核心因素，再利用PPR對(duì)充填管道失效風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè)，并采用SCA對(duì)模型參數(shù)進(jìn)行優(yōu)化。結(jié)果表明RS可有效去除冗余信息，簡(jiǎn)化計(jì)算，SCA-PPR具有預(yù)測(cè)精度高、模型性能好的優(yōu)點(diǎn)。

3.4 充填集成設(shè)計(jì)及多目標(biāo)優(yōu)化

上述人工智能在礦山充填中的應(yīng)用主要以特定環(huán)節(jié)為主，而礦山充填包含多個(gè)工藝環(huán)節(jié)，且環(huán)節(jié)間關(guān)聯(lián)耦合復(fù)雜。為了實(shí)現(xiàn)膏體充填的整體優(yōu)化，必須考慮各環(huán)節(jié)的交互協(xié)同機(jī)制，建立膏體充填集成設(shè)計(jì)系統(tǒng)。目前，國(guó)內(nèi)外學(xué)者對(duì)環(huán)節(jié)間的關(guān)聯(lián)耦合進(jìn)行了初步探索，其研究成果為多環(huán)節(jié)交互協(xié)同機(jī)制的揭示做出了巨大貢獻(xiàn)。如REID等[42]總結(jié)歸納了絮凝劑添加對(duì)尾砂土工性能的影響，論述了絮凝劑添加對(duì)尾砂固結(jié)速率、臨界狀態(tài)線、不排水剪切強(qiáng)度等的重要作用。然而，人工智能方法在充填集成設(shè)計(jì)的應(yīng)用研究較少，仍處于起步階段。

齊沖沖等[82]綜合考慮膏體充填的強(qiáng)度及流動(dòng)性能，建立了充填材料單軸抗壓強(qiáng)度和塌落度的PSO-GBRT集成智能預(yù)測(cè)模型，分析其預(yù)測(cè)性能及泛化能力，探究了強(qiáng)度及坍落度與其影響因素的響應(yīng)關(guān)系。作者進(jìn)一步融合線性回歸和多目標(biāo)優(yōu)化NSGA-II算法，探討了膏體充填強(qiáng)度和塌落度的協(xié)同優(yōu)化，遍歷不同尾砂及水泥類型情況下的Pareto點(diǎn)，并結(jié)合實(shí)際情況提出了方案優(yōu)化策略。如圖4所示。

圖 4 塌落度與28 d強(qiáng)度多目標(biāo)優(yōu)化與方案選取Fig.4 Multi-objective optimization and scheme selection for slump and 28 d strength

3.5 其 他

新一代人工智能方法不僅被用于礦山充填主要設(shè)計(jì)環(huán)節(jié)，同時(shí)還被陸續(xù)應(yīng)用于礦山充填各個(gè)方面，且應(yīng)用范圍不斷豐富、拓展。張欽禮等[83-84]構(gòu)建GA_SVM和ANN模型，對(duì)礦山充填鉆孔使用壽命進(jìn)行預(yù)測(cè)，結(jié)果表明人工智能模型最大預(yù)測(cè)相對(duì)誤差可保持在10%以內(nèi)，平均相對(duì)誤差約5%，為充填鉆孔壽命分析提供了新思路;在礦山充填設(shè)備方面，梁興國(guó)[85]研究了TDS智能干選機(jī)在井下排矸充填技術(shù)中的應(yīng)用;崔曉慶等[86]對(duì)礦山充填的智能儀表及智能控制方法進(jìn)行了初步探索;在礦山充填系統(tǒng)方面，趙望達(dá)等[87]介紹了智能故障診斷、學(xué)習(xí)控制等智能控制方法，并總結(jié)了礦山充填具體應(yīng)用案例;張吉雄等[88]系統(tǒng)闡述深部煤礦井下智能化分選及就地充填技術(shù)總體框架,詳細(xì)介紹了目前取得的最新進(jìn)展;劉曉俊等[89]介紹了中鋼劉塘坊礦業(yè)公司尾砂充填智能控制系統(tǒng)的實(shí)施和運(yùn)行情況，為相關(guān)應(yīng)用提供參考。

4 新一代人工智能在礦山充填的發(fā)展方向

4.1 性能提升

新一代人工智能方法的預(yù)測(cè)精度提升一直是礦山充填應(yīng)用的關(guān)鍵問(wèn)題。目前，在單一尾砂學(xué)習(xí)及預(yù)測(cè)中，人工智能模型的預(yù)測(cè)誤差可以控制在5%左右，但基于單一尾砂構(gòu)建的智能模型無(wú)法應(yīng)用于其他礦山尾砂，因此，多尾砂數(shù)據(jù)庫(kù)建立及模型構(gòu)建是目前新一代人工智能方法在礦山充填應(yīng)用的趨勢(shì)?，F(xiàn)今多尾砂智能模型的預(yù)測(cè)精度可達(dá)R≈0.9，此預(yù)測(cè)精度雖在絕大多數(shù)情況下可以接受(文獻(xiàn)中一般認(rèn)為R>0.8預(yù)測(cè)精度較好[90-91])，但特定礦山充填應(yīng)用環(huán)節(jié)的精度要求更高，因此新一代人工智能方法的性能提升至關(guān)重要。

在人工智能方法的性能提升方面，可以考慮數(shù)據(jù)集提升及智能方法提升兩種途徑。數(shù)據(jù)集提升包括樣本質(zhì)量提升，有效的參數(shù)工程(Feature Engineering)以及數(shù)據(jù)集規(guī)模擴(kuò)大等方面。在人工智能方法提升方面，一般從人工智能算法的改進(jìn)、雜化模型的建立、高效的超參數(shù)調(diào)整、智能算法的優(yōu)選等方面進(jìn)行研究與探索。

4.2 小數(shù)據(jù)集問(wèn)題

新一代人工智能方法在礦山充填中的應(yīng)用極大受限于數(shù)據(jù)集問(wèn)題。首先，新一代人工智能方法對(duì)數(shù)據(jù)集樣本的規(guī)模研究較高。其次，礦山充填領(lǐng)域的數(shù)據(jù)收集較為復(fù)雜。目前，新一代人工智能方法在礦山充填的應(yīng)用主要基于實(shí)驗(yàn)數(shù)據(jù)集，其實(shí)驗(yàn)過(guò)程繁瑣，人力、財(cái)力、物力消耗大，時(shí)間成本高，造成數(shù)據(jù)集一般較小，難以有力證明所構(gòu)建智能模型的精度，體現(xiàn)其應(yīng)用前景。但從另一個(gè)角度思考，目前國(guó)內(nèi)外針對(duì)不同礦山、不同尾砂已經(jīng)進(jìn)行了大量實(shí)驗(yàn)研究，積累了豐富可靠的實(shí)驗(yàn)數(shù)據(jù)。目前，對(duì)已積累數(shù)據(jù)缺乏統(tǒng)一的梳理與匯總，造成已積累數(shù)據(jù)利用率低，無(wú)法進(jìn)行深度數(shù)據(jù)分析與挖掘，影響共性規(guī)律的探討。推進(jìn)礦山充填方面的國(guó)際數(shù)據(jù)集建設(shè)是解決當(dāng)前小數(shù)據(jù)集問(wèn)題的有效途徑之一[27,92]。解決小數(shù)據(jù)集問(wèn)題的另一個(gè)方法為拓展數(shù)據(jù)來(lái)源，從室內(nèi)試驗(yàn)數(shù)據(jù)向多源數(shù)據(jù)轉(zhuǎn)換。其中，多源數(shù)據(jù)包括室內(nèi)試驗(yàn)數(shù)據(jù)、地下采場(chǎng)-充填體位移及應(yīng)力監(jiān)測(cè)數(shù)據(jù)、環(huán)管輸送的實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)等。

4.3 應(yīng)用思路擴(kuò)展

應(yīng)用思路拓展是新一代人工智能技術(shù)在礦山充填中的應(yīng)用必須考慮的問(wèn)題。目前，人工智能模型在礦山充填的應(yīng)用之所以受到懷疑，一方面是因?yàn)轭A(yù)測(cè)精度，另一方面因?yàn)轭A(yù)測(cè)的必要性不突出。如預(yù)測(cè)塌落度或靜態(tài)絮凝沉降初始沉降速度，實(shí)驗(yàn)并不復(fù)雜且周期較短，因此礦山更傾向于進(jìn)行部分實(shí)驗(yàn)研究而非智能模型預(yù)測(cè)。但動(dòng)態(tài)絮凝沉降、環(huán)管輸送的壓降、屈服應(yīng)力以及56 d UCS等實(shí)驗(yàn)，嚴(yán)重依賴實(shí)驗(yàn)設(shè)備或周期較長(zhǎng)，礦山無(wú)法通過(guò)實(shí)驗(yàn)快速測(cè)定，是否可以通過(guò)人工智能方法提供解決途徑？如使用尾砂物化性質(zhì)、配比方案、結(jié)合3 d UCS，直接對(duì)7 d UCS,28 d UCS甚至56 d UCS進(jìn)行精準(zhǔn)預(yù)測(cè)，節(jié)省實(shí)驗(yàn)時(shí)間;或通過(guò)尾砂物化性質(zhì)、配比方案及塌落度，對(duì)充填料漿的屈服應(yīng)力和環(huán)管壓降進(jìn)行預(yù)測(cè)分析等。上述研究思路對(duì)礦山充填的設(shè)計(jì)優(yōu)化更具價(jià)值，因此在新一代人工智能的應(yīng)用方面一定要拓展應(yīng)用思路，結(jié)合礦山實(shí)際。另一個(gè)推進(jìn)人工智能方法在礦山充填中的應(yīng)用思路為推進(jìn)軟件開發(fā)。礦山充填從業(yè)者缺乏新一代人工智能方法的基礎(chǔ)知識(shí)及編程技能，無(wú)法有效利用所構(gòu)建智能模型，因此友好的可視化界面及簡(jiǎn)易的操作方式對(duì)人工智能方法的推廣至關(guān)重要。筆者等[52]通過(guò)大量力學(xué)性能數(shù)據(jù)集，構(gòu)建充填材料UCS、屈服強(qiáng)度、楊氏模量及抗拉強(qiáng)度的智能模型，并開發(fā)預(yù)測(cè)軟件。

5 智能礦山充填系統(tǒng)構(gòu)建

新一代人工智能方法在礦山充填中的應(yīng)用最終目標(biāo)為構(gòu)建智能充填系統(tǒng)，實(shí)現(xiàn)礦山充填的智能化與現(xiàn)代化，促進(jìn)礦山充填技術(shù)的推廣。本節(jié)對(duì)智能礦山充填系統(tǒng)的概念和主要內(nèi)容進(jìn)行簡(jiǎn)要介紹。

5.1 智能礦山充填系統(tǒng)概念

參照國(guó)內(nèi)外文獻(xiàn)及國(guó)家各部委(如國(guó)家工業(yè)和信息化部)對(duì)各行業(yè)智能系統(tǒng)的定義，筆者對(duì)智能礦山充填系統(tǒng)的定義如下:搭載先進(jìn)的過(guò)程監(jiān)測(cè)傳感器(位移、應(yīng)力、環(huán)管壓降等)、控制器、執(zhí)行器等裝置，融合現(xiàn)代通訊及人工智能技術(shù)，推進(jìn)礦山工況、充填各環(huán)節(jié)、礦山從業(yè)者等智能信息的交換與共享，具備復(fù)雜環(huán)境感知、智能分析、動(dòng)態(tài)優(yōu)化決策、協(xié)同控制等功能，進(jìn)而實(shí)現(xiàn)礦山充填的安全化、高效化、精細(xì)化及智能化，并最終可實(shí)現(xiàn)代替專家來(lái)決策控制的新一代充填系統(tǒng)。

5.2 智能礦山充填系統(tǒng)主要內(nèi)容

智能礦山充填系統(tǒng)的構(gòu)建有賴于以下環(huán)節(jié)的實(shí)現(xiàn):① 礦山工況及充填各環(huán)節(jié)的全過(guò)程監(jiān)測(cè)及控制;② 礦山工況變化的智能感知與實(shí)時(shí)反饋;③ 礦山充填各環(huán)節(jié)影響因素到性能參數(shù)的智能替代模型;④ 集成性能預(yù)測(cè)模型構(gòu)建;⑤ 多目標(biāo)、多方案、復(fù)雜約束條件下動(dòng)態(tài)、整體優(yōu)化決策。通過(guò)上述環(huán)節(jié)，智能礦山充填系統(tǒng)可以根據(jù)礦山工況變化實(shí)時(shí)、動(dòng)態(tài)調(diào)整礦山充填設(shè)計(jì)，實(shí)現(xiàn)礦山工況變化、充填優(yōu)化決策與充填現(xiàn)場(chǎng)實(shí)施的閉環(huán)協(xié)同。

6 結(jié) 論

(1)充填采礦法可從源頭上解決采空區(qū)采動(dòng)災(zāi)害和礦山廢料堆砌兩大安全和環(huán)境問(wèn)題，具有巨大的經(jīng)濟(jì)，技術(shù)和環(huán)境優(yōu)勢(shì)，已發(fā)展為深部開采的主要采礦法之一。

(2)礦山充填占采礦成本高，嚴(yán)重限制了充填采礦法的推廣，新一代人工智能方法的發(fā)展為礦山充填帶來(lái)了新的機(jī)遇與挑戰(zhàn)。

(3)目前新一代人工智能技術(shù)在礦山充填中的應(yīng)用以監(jiān)督式學(xué)習(xí)為主(ANN,DT,RF,GBT,SVM為常用監(jiān)督式算法)，非監(jiān)督式學(xué)習(xí)(包括Clustering,GAN等)在礦山充填中的應(yīng)用較少。

(4)新一代人工智能方法在礦山充填中的應(yīng)用主要受到多源異構(gòu)數(shù)據(jù)處理、作用機(jī)理復(fù)雜以及模型需求難以兼顧的問(wèn)題，未來(lái)的主要發(fā)展方向?yàn)樾阅芴嵘?、小?shù)據(jù)集問(wèn)題以及應(yīng)用思路擴(kuò)展。

(5)新一代人工智能方法在全尾砂絮凝沉降、強(qiáng)度設(shè)計(jì)、流變及管道流動(dòng)、集成設(shè)計(jì)及多目標(biāo)優(yōu)化等方向已有初步探索，面向多尾砂、多環(huán)節(jié)的智能集成模型構(gòu)建是當(dāng)前主要研究方向。

(6)新一代人工智能方法在礦山充填中的應(yīng)用最終目標(biāo)為構(gòu)建智能充填系統(tǒng)，可以根據(jù)礦山工況變化實(shí)時(shí)、動(dòng)態(tài)調(diào)整礦山充填設(shè)計(jì)，實(shí)現(xiàn)礦山工況變化、充填優(yōu)化決策與充填現(xiàn)場(chǎng)實(shí)施的閉環(huán)協(xié)同。