新一代人工智能在礦山充填中的應用綜述與展望

齊沖沖，楊星雨，李桂臣，陳秋松，孫元田

(1.中南大學 資源與安全工程學院，湖南 長沙 410083; 2.中國礦業(yè)大學 礦業(yè)工程學院，江蘇 徐州 221116)

礦業(yè)對國家的工業(yè)化和國防的現代化起著至關重要的作用，極大地推動了國民經濟的快速發(fā)展[1]。但是隨著礦產資源的大規(guī)模開采，我國淺部礦產資源已趨于枯竭[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)的前沿領域[1]。國家高度重視深部資源開采，聚焦深部開采的科學技術問題，力爭使我國的采礦科學技術走在世界礦業(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，具有巨大的經濟、技術和環(huán)境優(yōu)勢[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)過程，有利于從源頭上解決采空區(qū)采動災害和礦山廢料堆砌兩大安全和環(huán)境問題，是推動礦山可持續(xù)發(fā)展、礦產資源綠色開發(fā)以及推行資源循環(huán)經濟戰(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，嚴重制約了充填采礦法的應用與推廣[18-19]。如何提高礦山充填設計，降低充填成本，已成為制約礦山充填發(fā)展的關鍵問題之一。

當今時代，以深度學習為核心的人工智能方法取得了重大突破，得到了國內外學術界及工業(yè)界的廣泛重視。美國斯坦福大學尼爾遜教授對人工智能的定義如下:“人工智能是關于知識的學科——怎樣表示知識以及怎樣獲取知識并使用知識的科學”[20]。眾多學者對人工智能基本思想和基本內容的探討，闡釋了人工智能是通過探討人類的智能活動行為，研究如何應用計算機軟硬件技術來模擬人類的某些智能行為(如學習、推理、規(guī)劃等)，構造具有一定智能的人工系統(tǒng)的基本理論、方法與技術[21]。礦業(yè)作為傳統(tǒng)行業(yè)的支柱產業(yè)之一，也立足自身發(fā)展需要，結合新一代人工智能方法，展開了面向智能化革新的進程。

綠色化與自動化、工業(yè)化與智能化的加速融合，為礦業(yè)領域和礦山充填的發(fā)展帶來了新的挑戰(zhàn)和機遇[22]。一些發(fā)達國家和發(fā)展中國家目前加快礦山智能化的戰(zhàn)略規(guī)劃和布局，強化礦業(yè)創(chuàng)新，重塑礦業(yè)技術新優(yōu)勢。如加拿大提出Underground Mining 2.0計劃，著力建設全智能無人礦山;芬蘭啟動智能礦山研究計劃;澳大利亞提出未來礦山計劃等。我國也把智能化作為傳統(tǒng)產業(yè)改造升級的最佳途徑以及實現技術跨越式發(fā)展的主攻方向和突破口[23]。國家相繼出臺《國家中長期科學和技術發(fā)展規(guī)劃綱要(2006—2020年)》、《國家創(chuàng)新驅動發(fā)展戰(zhàn)略綱要》、《“十三五”國家科技創(chuàng)新規(guī)劃》等政策，受到了礦業(yè)領域專家學者的積極響應[24-26]。

只有與礦山充填的特點和目標密切結合，充分利用人工智能、大數據、建模、優(yōu)化與決策等信息技術與礦山充填過程的物理資源緊密融合與協(xié)同，實現礦山充填設計智能優(yōu)化決策，才有利于推進礦山充填的跨越式發(fā)展。近年來，新一代人工智能方法在礦山充填中研究與應用備受關注，相關文獻逐漸增多。筆者率先提出“機器學習輔助充填設計”(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]。但目前國內外尚無對該方向整體研究現狀的總結性綜述文獻。筆者簡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用難點，對新一代人工智能在礦山充填中的應用進展進行綜述，展望了其發(fā)展方向并提出了智能充填系統(tǒng)的構想。

1 新一代人工智能方法簡介

新一代人工智能的發(fā)展日新月異，根據所準備數據集是否包含標記信息，新一代人工智能方法可大體分為監(jiān)督式學習(包含樣本標記信息)以及非監(jiān)督式學習。簡單來說，監(jiān)督式學習的目的是訓練一個人工智能模型，使其預測結果盡可能符合先驗知識且具有一定的泛化能力;非監(jiān)督式學習的主要目的是找到數據集中的潛在數據關聯(lián)。目前，人工智能方法在礦業(yè)工程領域的應用以監(jiān)督式學習為主，對非監(jiān)督式學習的應用研究較少。本節(jié)主要對常用監(jiān)督式學習及非監(jiān)督式學習的方法進行簡介。

1.1 監(jiān)督式學習

1.1.1人工神經網絡

人工神經網絡(Artificial Neural Network，簡稱ANN)是由大量處理單元互聯(lián)組成的非線性、自適應信息處理系統(tǒng)。神經網絡中最基本的處理單位為神經元(neuron)，每個神經元通過帶權重的連接(connection)與其他神經元連接，構成復雜的層狀結構。神經網絡的第1層為輸入層，最后1層為輸出層，中間層為隱含層。在神經網絡計算過程中，每個神經元接收來自前一層神經元傳遞過來的輸入信號，這些權重信號通過帶權重運算獲得總輸入值，該輸入值將與神經元的閾值(threshold)進行對比，最后通過激勵函數(activation function)處理產生該神經元的輸出。假設存在一組訓練樣本(x1,y1),(x2,y2),…,(xn,yn)其中xi∈Rn，yi∈R，那么從輸入到輸出的映射關系可以通過以下公式表示:

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為神經網絡模型第i層待學習參數；L為神經網絡層數;V為神經網絡模型待學習參數;g(z)為激勵函數。定義一個標志性的激活函數為ReLu函數如下:

g(z)=max(0,z)

(3)

目前，神經網絡在礦業(yè)工程中已經獲得了廣泛應用，如礦業(yè)組合優(yōu)化方法[28]及采礦工程優(yōu)化[29]等。神經網絡算法繁多，其他常見神經網絡方法包括徑向基函數(RBF)網絡，級聯(lián)相關網絡、Elman網絡等[30]。

1.1.2決策樹

決策樹(Decision Tree，簡稱DT)是一種簡單高效并且具有強解釋性的模型，廣泛應用于數據分析領域。決策樹通過構建一棵具有多個判斷結點的樹狀結構進行數據分析。一棵決策樹模型一般具有一個根結點(root node)、若干個內部結點以及若干個葉結點(leaf node);根結點包含樣本全集，葉結點對應決策結果而內部結點則對應一個屬性測試。決策樹主要通過構建一系列屬性測試，將樣本劃分至不同的結點，使得相同結點內樣本間“相似性”越來越高，進而達到學習及預測的目的。

決策樹學習的關鍵是如何選取最優(yōu)劃分屬性[30]。對于分類問題，通常使用信息熵(information entropy)或者基尼指數(Gini index)來選取劃分屬性;對于回歸問題，通常使用誤差平方和(Sum of Square Error,SSE)、均方誤差(Mean-Square Error,MSE)等來選取劃分屬性。在決策樹學習過程中，為了盡可能正確分類訓練樣本，會使得結點劃分不斷重復，有時會導致分支過多，造成“過擬合”，這時需要通過剪枝(pruning)處理，剔除不能帶來決策樹泛化性能提升的分支，進而降低過擬合的風險。

1.1.3隨機森林與梯度提升樹

近年來，基于決策樹的集成學習模型受到了國內外學者的廣泛關注。隨機森林(Random Forest，簡稱RF)是并行式集成學習Bagging的擴展變體。在Bagging中，訓練樣本集被隨機采樣T次生成T個采樣集，然后基于每個采樣集訓練出一個基學習器，最后將這些基學習器進行結合(通過averaging或者voting等)[31]。RF在Bagging的基礎上，進一步在決策樹訓練過程中引入隨機屬性選擇(Random Feature Selection，簡稱RFS)。具體來說，對于基決策樹的每個結點，先從該結點的全部屬性集合中(假設有d個屬性)隨機選擇k個屬性，然后從這個包含k個屬性的子集中選擇一個最優(yōu)屬性用于結點劃分。通過Bagging中的樣本擾動以及RFS中的屬性擾動，隨機森林的泛化能力顯著提高，被譽為“代表集成學習技術水平的方法”[30]。圖1為隨機森林示意圖。

圖1 隨機森林示意Fig.1 Random forest diagram

梯度提升樹(Gradient Boosting Tree，簡稱GBT)是boosting算法的典型代表。Boosting算法的主要思路為考慮現有基學習器的表現，通過不斷迭代降低誤差。具體來說，boosting先從初始訓練集中訓練出一個基學習器，根據此基學習器的表現對訓練樣本的分布進行調整，使得訓練集中尚未得到很好預測的樣本在后續(xù)的基學習器訓練中受到更多關注，然后基于調整后的樣本分布訓練下一個基學習器;如此重復迭代，直至基學習器數目達到設定值。Adaboost及gradient boosting為boosting的兩種典型算法，其中Adaboost通過調整樣本的權重值改變樣本分布而gradient boosting通過改變損失函數的梯度達到類似的效果[32-33]。

1.1.4支持向量機

支持向量機(Support Vector Machine，簡稱SVM)的基本思路為在特征空間上求解能夠正確劃分訓練集且?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來描述，其中，w為法向量，b為位移項，分別決定了超平面的方向和超平面與原點之間的距離。距離超平面最近的訓練樣本點稱為“支持向量”(support vector)，2個異類支持向量到超平面的距離之和稱為“間隔”，SVM的學習策略即為找到某一超平面，使其間隔最大化[30]。

對于非線性分類及回歸問題，SVM引入核函數(kernel function)，將樣本從原始空間映射到一個高維空間，進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。核函數的選取決定了特征空間的映射，進而在很大程度上決定了支持向量機的性能。常見的核函數有線性核、多項式核、高斯核、拉普拉斯核、Sigmoid核以及常見核函數的組合等。

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

其他常用監(jiān)督式學習方法包括嶺回歸(Ridge Regression)，貝葉斯分類器(Bayesian Classification)，隨機梯度下降(Stochastic Gradient Descent)，高斯過程回歸(Gaussian Process Regression)及樸素貝葉斯(Naive Bayes)等。因上述監(jiān)督式學習方法在礦業(yè)領域的應用較少，同時考慮本文篇幅限制，故不詳細介紹，具體可參考文獻[30,34-36]進行學習。

1.2 非監(jiān)督式學習

如上所述，非監(jiān)督式學習主要針對初始訓練集中不含有樣本標記信息，其主要目的為挖掘樣本間的內在聯(lián)系，揭示數據的內在規(guī)律。聚類分析(Clustering)是非監(jiān)督式學習研究最多、應用最廣的算法之一。

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]。聚類分析試圖將數據集樣本劃分為若干不相交子集，每個子集稱為一個“簇”(cluster)。經過聚類分析的劃分，有利于對相同子集內樣本內在結構進行分析，推動知識發(fā)現。經過多年發(fā)展，聚類分析常用方法包括K-均值聚類，學習向量量化法(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。目前聚類分析已經陸續(xù)被用于礦業(yè)工程領域，如煤巖分界圖像識別[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，簡稱SOM)網絡以及自適應諧振理論(Adaptive Resonance Theory，簡稱ART)網絡作為神經網絡模型的典型算法，也可用于聚類分析。其中SOM作為一種競爭學習型無監(jiān)督神經網絡，可在保留數據拓撲結構的同時，將高維數據映射至低維空間[40]。因此，SOM不僅被用于聚類分析，也常常用來做數據降維。ART是一種自組織神經網絡結構，通過輸出神經元相互競爭，可自組織地產生對環(huán)境認識編碼的神經網絡理論模型[30]。

生成對抗網絡(Generative Adversarial Network，GAN)作為時下熱門的非監(jiān)督式學習算法，通過引入對抗訓練的方式使得GAN生成的樣本服從真實數據分布。GAN由生成器和判別器構成，其中生成器盡量生成判別器無法區(qū)分來源的樣本，而判別器則盡量準確地判斷樣本來源(真實數據或者生成器生成)。通過不斷交替訓練，在達到納什均衡時，GAN生成器可以準確地恢復真實數據分布[41]。目前，GAN被廣泛應用于圖像生成、修復、語義轉化等領域，在礦業(yè)領域的應用有待繼續(xù)研究。

2 新一代人工智能在礦山充填中應用難點

2.1 多源異構數據處理

礦山充填是一項系統(tǒng)工程，其優(yōu)化設計不可避免地涉及到多源異構數據的處理與分析。礦山在開采和充填過程中，資源賦存條件、圍巖狀態(tài)、應力環(huán)境等生產要素處于不斷地動態(tài)變化中，直接影響到所需充填材料的力學和流變性能。隨著當今設備感知和測量技術的進步，礦山數據的來源及結構日趨多樣化。同時，監(jiān)測過程中必然會引入對研究不起作用的非有效信息點，即噪聲點，數據類型不同，噪聲點也各具特征。這些均為數據的清洗、轉換、多源異構數據特征提取以及數據融合提出了新的挑戰(zhàn)，為礦山充填對工況變化的智能感知增加了難度。

同時，礦山充填設計本身具有不同設計環(huán)節(jié)，各設計環(huán)節(jié)具有獨特的影響因素及性能參數。如充填養(yǎng)護時間對充填配比設計至關重要而充填流變性能及管道輸送則更多的關注于充填料漿。因此，目前礦山充填設計主要集中于單一環(huán)節(jié)設計，對多環(huán)節(jié)協(xié)同下礦山集成設計系統(tǒng)的研究較少。此現狀一方面因為目前國內外學者對環(huán)節(jié)間的關聯(lián)耦合的探索處于起步階段，對多環(huán)節(jié)交互協(xié)同機制的揭示不足[42];另一方面則是因為各環(huán)節(jié)數據類型及結構特點各不相同，極大提高了多環(huán)節(jié)集成設計的難度。

2.2 作用機理復雜

礦山充填各環(huán)節(jié)影響因素對性能參數作用機理復雜，對人工智能方法的應用提出了新的調整。目前，礦山工況變化對充填材料的力學和流變性能的影響研究較少，作用機理尚不明確。在力學性能方面，LI[43]提出了一種改進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度要求。CHEN等[44]開展相似實驗，模擬采場中充填體強度的分布特征，為室內膏體配比提供實驗支撐。在流變性能方面，LIU等[45]研究了管道輸送過程中充填料漿的流動情況，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)管實驗，研究了不同管線、不同尾砂在管道輸送過程中的沿程阻力。上述研究雖充分認識到礦山工況的變化對充填材料力學和流變性能的影響，但作用機理尚不清楚，影響了人工智能方法的應用(如特征選取等)。

充填設計各環(huán)節(jié)內部作用機理各異。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理、水泥水化機理及多相流動機理的影響。同時，各機理目前在學術界仍處于探索階段，缺少統(tǒng)一的理解與認識[17]。環(huán)節(jié)間耦合作用機理的研究更是處于起步階段，導致人工智能模型的構建缺少理論知識的指導，不利于理論模型與算法模型的精準配合，促進精度提升。

2.3 模型需求難以兼顧

礦山充填各環(huán)節(jié)性能參數不同，且性能參數間可能存在矛盾。通常情況下，充填材料的強度與其流變性、水泥基充填材料強度與其經濟性呈負相關。在充填材料優(yōu)化設計過程中，往往需要兼顧多個優(yōu)化目標(如強度、流變性等)，導致人工智能模型的建立與優(yōu)化非常復雜、困難。同時，礦山充填設計對人工智能模型提出了準確性、可靠性、實時性、動態(tài)性等多樣性需求，在數據集不足的情況下往往難以兼顧。最后，充填設計涉及多個環(huán)節(jié)，各個環(huán)節(jié)對本環(huán)節(jié)數據集依賴程度較高，集成智能模型的構建易造成環(huán)節(jié)間誤差累積，影響人工智能模型最終的準確率及魯棒性。

3 新一代人工智能在礦山充填中的應用綜述

新一代人工智能方法在礦山充填中的應用一般是將研究問題轉化為分類或回歸問題，非監(jiān)督式學習在礦山充填中的應用較少。本文按照礦山充填不同環(huán)節(jié)和研究方向，對新一代人工智能方法在礦山充填中的應用進行了詳細的綜述。

3.1 全尾砂絮凝沉降

選礦后排除的全尾砂漿質量分數一般在10%～25%，無法滿足膠結充填或膏體充填對充填料漿質量分數的要求(70%左右)，因此需要對全尾砂漿進行濃密。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計[47]。針對傳統(tǒng)濃密方式存在的問題，絮凝沉降技術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(如底流質量濃度、初始沉降速度等)。近年來，新一代人工智能方法已初步應用于全尾砂絮凝沉降過程，為絮凝沉降研究提供了新思路。

王新民等[48]基于室內試驗結果，使用ANN建立了絮凝劑單耗、料漿質量濃度及絮凝劑質量濃度到沉降速度和極限濃度的智能模型。結果表明，ANN智能模型對絮凝沉降結果的預測誤差可控制在5%左右，精度較高，且訓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]針對全尾砂絮凝沉降，建立了遺傳算法(Genetic Algorithm，簡稱GA)與SVM的雜化模型，其中SVM用于學習供砂濃度、絮凝劑單耗和絮凝劑添加濃度到沉降速度的映射關系，GA用于優(yōu)化SVM模型參數，提高SVM在絮凝沉降數據集上表現。

上述研究主要針對某種特定尾砂和絮凝劑進行人工智能建模，導致所構建智能模型應用受限，不能直接用于其他尾砂和絮凝劑的預測分析。針對以上問題，筆者等[50]在國內金屬礦山收集了27種尾砂，使用4種絮凝劑進行大量絮凝沉降實驗，并對實驗結果進行了分析。同時，基于絮凝沉降實驗結果，構建螢火蟲算法(Firefly Algorithm，簡稱FA)-GBT雜化模型。結果表明FA-GBT對多尾砂、多絮凝劑共同影響下初始沉降速度實現了較好的預測(測試集實驗與預測結果相關系數達到0.841)。

為進一步提升預測精度，促進人工智能方法在絮凝沉降中的應用，筆者等[51]進一步完善人工智能預測方法，使用主成分分析法(Principle Component Analysis，簡稱PCA)降低輸入參數維度，使用粒子群算法(Particle Swarm Optimisation，簡稱PSO)-自適應模糊神經推理系統(tǒng)(Adaptive Neuro-Fuzzy Inference System，簡稱ANFIS)進行初始沉降速度預測，并使用蒙特卡洛方法檢驗預測的收斂性。結果表明人工智能方法在絮凝沉降中的預測精度進一步提升。

3.2 充填強度設計

根據礦山充填的功能及地下采場環(huán)境不同，充填材料需要具有一定的強度及力學性能。一般來說，充填材料單軸抗壓強度需要達到150～300 kPa以降低早期充填料漿的液化風險;在特定情況下，充填材料單軸抗壓強度需要大于4 MPa以用于頂板支護[17]。充填材料的強度主要受灰砂比、養(yǎng)護時間、質量分數等因素的影響。目前，部分學者對充填材料強度的人工智能預測已進行了初步探索，典型研究成果見表1。

表1 人工智能方法預測充填材料強度匯總Table 1 Summary table of artificial intelligence method to predict the strength of backfilling materials

由表1可知，目前充填材料的強度預測集中于單一尾砂充填材料強度預測。在單一尾砂充填材料強度預測方面，人工智能方法以ANN為主，近年來陸續(xù)出現群智優(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責非線性回歸而群智優(yōu)化算法負責人工智能超參數調整。根據研究對象不同，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、質量或體積分數、養(yǎng)護時間為主。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度的預測雖研究成果較多，但所構建智能模型僅限于特定尾砂，應用受限，不能直接用于其他尾砂的預測分析。

在筆者、陳秋松及其合作者的共同努力下[52-55]，充填材料強度預測從單一尾砂逐漸向多尾砂發(fā)展。筆者等[55]通過遺傳編程，闡述了人工智能模型對全新尾砂的強泛化能力，提高了科研及礦山工作者對人工智能預測的信息，證明了人工智能模型的潛在應用價值?；谏鲜鲅芯砍晒?，陸翔等[56]進一步使用集成學習，提高了人工智能模型的預測精度。

人工智能方法在充填材料強度方面的應用正日益增加。秦學斌等[68-69]使用人工智能方法，提出了通過充填材料的孔隙特征預測充填材料強度的新方法;QIU等[70]通過grid search optimizer以及RF，構建了泡沐充填材料強度預測模型;LI等[71]基于室內試驗結果，使用slap swarm algorithm-SVM雜化模型預測纖維增強性充填材料強度;張欽禮等[72]通過GA-SVM模型，研究了減水劑對充填體強度的影響;王志會等[73]使用PSO-ANN建立了膠結劑含量、養(yǎng)護溫度、養(yǎng)護時間及剪切面方向壓力到界面抗剪強度的智能預測模型;白春紅[74]及周士霖[75]采用ANN,SVM等人工智能方法，建立了采場穩(wěn)定性與充填體強度的智能模型。

3.3 充填料漿流變及管道輸送

在實際生產中，充填料漿通常在礦區(qū)地表制備，而后通過管道輸送至地下采場或露天礦坑。充填料漿的管道輸送與其流變性能密切相關，對充填系統(tǒng)的穩(wěn)定性至關重要。

LIU等[76]基于流變實驗，以砂漿質量分數、砂灰比、砂漿重度、坍落度為輸入變量，屈服應力和黏度為輸出變量，使用PCA-ANN建立了人工智能預測模型。研究表明PCA可以在盡可能保持輸入參量的有效信息的同時降低輸入參量的維度。PCA-ANN模型可以實現充填料漿流變參數的準確預測(預測結果與實驗結果的誤差在5%以內)。

張欽禮等[77]選用PCA和改進的ANN對充填膏體流變參數進行優(yōu)化預測研究。首先使用PCA對流變性能影響因素進行預處理，再利用改進ANN建立影響因素到流變性能的智能預測模型。結果表明主成分分析法可以有效提高流變參數的預測精度(屈服應力預測相對誤差降低0.48%～7.29%，黏度相對誤差降低1.67%～6.20%)。

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

Lü等[78]使用混沌優(yōu)化(Chaos Optimization，簡稱CO)和ANN構建充填料漿坍落度的智能預測模型。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量分數。實驗結果表明CO-ANN雜化模型對充填料漿的坍落度具有很好的預測效果。

筆者等[79]采用環(huán)管實驗研究，探討了質量分數、灰砂比、入管壓力及管道形狀對充填料漿環(huán)管壓降的影響，并使用FA-GBT構建智能預測模型。結果顯示實驗與預測環(huán)管壓降的相關系數>0.99，表明FA-GBT可以有效地預測充填料漿環(huán)管壓降。

筆者等[80]在前期研究基礎上，進一步探討了不同尾砂對充填料漿直管壓降的影響，并構建了PSO-DTR智能預測模型。如圖3所示為決策樹深度對其測試集表現的影響。由圖3可知，決策樹深度顯著影響其預測表現;當決策樹深度≥5時，預測與實驗直管壓降的相關系數約等于0.9，預測效果較好。

圖3 決策樹深度對其測試集表現的關系Fig.3 Relationship of decision tree depth to its testing set performance

駱正山等[81]以國內某礦山為例，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)的充填管道失效風險預測模型。首先選取了10項影響因素，通過RS屬性約簡原理提取5項核心因素，再利用PPR對充填管道失效風險進行預測，并采用SCA對模型參數進行優(yōu)化。結果表明RS可有效去除冗余信息，簡化計算，SCA-PPR具有預測精度高、模型性能好的優(yōu)點。

3.4 充填集成設計及多目標優(yōu)化

上述人工智能在礦山充填中的應用主要以特定環(huán)節(jié)為主，而礦山充填包含多個工藝環(huán)節(jié)，且環(huán)節(jié)間關聯(lián)耦合復雜。為了實現膏體充填的整體優(yōu)化，必須考慮各環(huán)節(jié)的交互協(xié)同機制，建立膏體充填集成設計系統(tǒng)。目前，國內外學者對環(huán)節(jié)間的關聯(lián)耦合進行了初步探索，其研究成果為多環(huán)節(jié)交互協(xié)同機制的揭示做出了巨大貢獻。如REID等[42]總結歸納了絮凝劑添加對尾砂土工性能的影響，論述了絮凝劑添加對尾砂固結速率、臨界狀態(tài)線、不排水剪切強度等的重要作用。然而，人工智能方法在充填集成設計的應用研究較少，仍處于起步階段。

齊沖沖等[82]綜合考慮膏體充填的強度及流動性能，建立了充填材料單軸抗壓強度和塌落度的PSO-GBRT集成智能預測模型，分析其預測性能及泛化能力，探究了強度及坍落度與其影響因素的響應關系。作者進一步融合線性回歸和多目標優(yōu)化NSGA-II算法，探討了膏體充填強度和塌落度的協(xié)同優(yōu)化，遍歷不同尾砂及水泥類型情況下的Pareto點，并結合實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強度多目標優(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計環(huán)節(jié)，同時還被陸續(xù)應用于礦山充填各個方面，且應用范圍不斷豐富、拓展。張欽禮等[83-84]構建GA_SVM和ANN模型，對礦山充填鉆孔使用壽命進行預測，結果表明人工智能模型最大預測相對誤差可保持在10%以內，平均相對誤差約5%，為充填鉆孔壽命分析提供了新思路;在礦山充填設備方面，梁興國[85]研究了TDS智能干選機在井下排矸充填技術中的應用;崔曉慶等[86]對礦山充填的智能儀表及智能控制方法進行了初步探索;在礦山充填系統(tǒng)方面，趙望達等[87]介紹了智能故障診斷、學習控制等智能控制方法，并總結了礦山充填具體應用案例;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總體框架,詳細介紹了目前取得的最新進展;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)的實施和運行情況，為相關應用提供參考。

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測精度提升一直是礦山充填應用的關鍵問題。目前，在單一尾砂學習及預測中，人工智能模型的預測誤差可以控制在5%左右，但基于單一尾砂構建的智能模型無法應用于其他礦山尾砂，因此，多尾砂數據庫建立及模型構建是目前新一代人工智能方法在礦山充填應用的趨勢。現今多尾砂智能模型的預測精度可達R≈0.9，此預測精度雖在絕大多數情況下可以接受(文獻中一般認為R>0.8預測精度較好[90-91])，但特定礦山充填應用環(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重要。

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

4.2 小數據集問題

新一代人工智能方法在礦山充填中的應用極大受限于數據集問題。首先，新一代人工智能方法對數據集樣本的規(guī)模研究較高。其次，礦山充填領域的數據收集較為復雜。目前，新一代人工智能方法在礦山充填的應用主要基于實驗數據集，其實驗過程繁瑣，人力、財力、物力消耗大，時間成本高，造成數據集一般較小，難以有力證明所構建智能模型的精度，體現其應用前景。但從另一個角度思考，目前國內外針對不同礦山、不同尾砂已經進行了大量實驗研究，積累了豐富可靠的實驗數據。目前，對已積累數據缺乏統(tǒng)一的梳理與匯總，造成已積累數據利用率低，無法進行深度數據分析與挖掘，影響共性規(guī)律的探討。推進礦山充填方面的國際數據集建設是解決當前小數據集問題的有效途徑之一[27,92]。解決小數據集問題的另一個方法為拓展數據來源，從室內試驗數據向多源數據轉換。其中，多源數據包括室內試驗數據、地下采場-充填體位移及應力監(jiān)測數據、環(huán)管輸送的實時監(jiān)測數據等。

4.3 應用思路擴展

應用思路拓展是新一代人工智能技術在礦山充填中的應用必須考慮的問題。目前，人工智能模型在礦山充填的應用之所以受到懷疑，一方面是因為預測精度，另一方面因為預測的必要性不突出。如預測塌落度或靜態(tài)絮凝沉降初始沉降速度，實驗并不復雜且周期較短，因此礦山更傾向于進行部分實驗研究而非智能模型預測。但動態(tài)絮凝沉降、環(huán)管輸送的壓降、屈服應力以及56 d UCS等實驗，嚴重依賴實驗設備或周期較長，礦山無法通過實驗快速測定，是否可以通過人工智能方法提供解決途徑？如使用尾砂物化性質、配比方案、結合3 d UCS，直接對7 d UCS,28 d UCS甚至56 d UCS進行精準預測，節(jié)省實驗時間;或通過尾砂物化性質、配比方案及塌落度，對充填料漿的屈服應力和環(huán)管壓降進行預測分析等。上述研究思路對礦山充填的設計優(yōu)化更具價值，因此在新一代人工智能的應用方面一定要拓展應用思路，結合礦山實際。另一個推進人工智能方法在礦山充填中的應用思路為推進軟件開發(fā)。礦山充填從業(yè)者缺乏新一代人工智能方法的基礎知識及編程技能，無法有效利用所構建智能模型，因此友好的可視化界面及簡易的操作方式對人工智能方法的推廣至關重要。筆者等[52]通過大量力學性能數據集，構建充填材料UCS、屈服強度、楊氏模量及抗拉強度的智能模型，并開發(fā)預測軟件。

5 智能礦山充填系統(tǒng)構建

新一代人工智能方法在礦山充填中的應用最終目標為構建智能充填系統(tǒng)，實現礦山充填的智能化與現代化，促進礦山充填技術的推廣。本節(jié)對智能礦山充填系統(tǒng)的概念和主要內容進行簡要介紹。

5.1 智能礦山充填系統(tǒng)概念

參照國內外文獻及國家各部委(如國家工業(yè)和信息化部)對各行業(yè)智能系統(tǒng)的定義，筆者對智能礦山充填系統(tǒng)的定義如下:搭載先進的過程監(jiān)測傳感器(位移、應力、環(huán)管壓降等)、控制器、執(zhí)行器等裝置，融合現代通訊及人工智能技術，推進礦山工況、充填各環(huán)節(jié)、礦山從業(yè)者等智能信息的交換與共享，具備復雜環(huán)境感知、智能分析、動態(tài)優(yōu)化決策、協(xié)同控制等功能，進而實現礦山充填的安全化、高效化、精細化及智能化，并最終可實現代替專家來決策控制的新一代充填系統(tǒng)。

5.2 智能礦山充填系統(tǒng)主要內容

智能礦山充填系統(tǒng)的構建有賴于以下環(huán)節(jié)的實現:① 礦山工況及充填各環(huán)節(jié)的全過程監(jiān)測及控制;② 礦山工況變化的智能感知與實時反饋;③ 礦山充填各環(huán)節(jié)影響因素到性能參數的智能替代模型;④ 集成性能預測模型構建;⑤ 多目標、多方案、復雜約束條件下動態(tài)、整體優(yōu)化決策。通過上述環(huán)節(jié)，智能礦山充填系統(tǒng)可以根據礦山工況變化實時、動態(tài)調整礦山充填設計，實現礦山工況變化、充填優(yōu)化決策與充填現場實施的閉環(huán)協(xié)同。

6 結 論

(1)充填采礦法可從源頭上解決采空區(qū)采動災害和礦山廢料堆砌兩大安全和環(huán)境問題，具有巨大的經濟，技術和環(huán)境優(yōu)勢，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)展為礦山充填帶來了新的機遇與挑戰(zhàn)。

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

(4)新一代人工智能方法在礦山充填中的應用主要受到多源異構數據處理、作用機理復雜以及模型需求難以兼顧的問題，未來的主要發(fā)展方向為性能提升、小數據集問題以及應用思路擴展。

(5)新一代人工智能方法在全尾砂絮凝沉降、強度設計、流變及管道流動、集成設計及多目標優(yōu)化等方向已有初步探索，面向多尾砂、多環(huán)節(jié)的智能集成模型構建是當前主要研究方向。

(6)新一代人工智能方法在礦山充填中的應用最終目標為構建智能充填系統(tǒng)，可以根據礦山工況變化實時、動態(tài)調整礦山充填設計，實現礦山工況變化、充填優(yōu)化決策與充填現場實施的閉環(huán)協(xié)同。