摘要： 胶结强度的主要影响因素有：级配、胶结剂含量、胶结料浆浓度等。神经网络具有大规模并行处理，分布式信息储存以及很强的学习能力，是解决数据间非线性映射关系的有力工具。因此，在一定实验基础下，利用神经网络建立级配、胶结剂含量、胶结料浆浓度与胶结强度4者的神经网络模型，可以有效地模拟预测胶结强度，为矿山充填胶结强度的计算提供指导作用。

　　Abstract： The main factors affecting cementing strength include gradation， cement content， concentration of cement slurry. The neural network which have the storage ability of massively parallel processing and distributed information storage is a powerful tool to deal with the nonlinear relationship. As a result， based on certain experimental basis， use neural network can build a prediction model of cementing strength which can effectively simulate or predicted cementing strength. It also can provide guidance for calculation of mine filling.

　　关键词： 神经网络；胶结强度；预测模型

　　Key words： neural network；cementing strength；prediction model

　　中图分类号：TD803 文献标识码：A 文章编号：1006-4311（2016）03-0092-03

　　0 引言

　　矿山普遍使用废石和尾砂的混合料进行充填。[1]由于指导充填料级配的理论不完善，矿山大多用经验法选择充填料，易造成粗细骨料的配合比不合理，胶结强度达不到最优。因此作者通过统计大红山铁矿的大量资料，采用神经网络这种非线性计算方法对大红山铁矿的胶结强度建立模型。

　　1 影响胶结强度的因素

　　大量的研究和实验表明影响胶结充填的主要因素有：充填料级配，胶结剂添加量，以及充填料浆浓度等。[2]

　　本文实验中所使用的废石及尾砂均由大红山铁矿提供，实验中选用42.5MPa普通硅酸盐水泥作为胶结剂。

　　表1为大红山铁矿废石与尾砂粒径分布表，从表可以看出大红山铁矿尾砂较细，尾砂最细粒径达到0.003mm，并且细粒径所占的频度较高。废石平均粒径为3.92mm，尾砂的平均粒径为0.073mm。

　　不同级配的粒径分布一般用混合料的堆积密实度来表示，大红山铁矿不同废石含量堆积密实度见表2。

　　目前大多数研究结果表明，胶结强度是多种因素共同作用的结果。在相同胶结剂使用量的情况下，级配在胶结强度中起着至关重要的作用。

　　水灰比（胶结剂含量）同样也是影响胶结强度的主要因素之一，图1为不同凝期胶结强度与水灰比关系散点图。

　　对于水灰比与胶结强度的关系，很多学者做了深刻详细的研究，通过大量的实验分析得出，统一凝期的情况下，胶结强度与水灰比呈负幂指数关系。

　　图2为相同凝期（7天）体积浓度与胶结强度关系散点图。

　　由图2可知，统一凝期与胶结剂含量的情况下，胶结强度与体积浓度呈指数关系。随着体积浓度的增加，胶结强度也增加。因为体积浓度是质量浓度的反映，随着质量浓度增加，颗粒分布更加均匀，可以改善胶结强度然而胶结强度是水灰比，体积浓度，级配。等相互独立的多种因素共同作用的结果，只有同时多种因素进行考量才能预测胶结强度的值。神经网络的出现无疑对胶结强度的预测提供了宝贵的工具。

　　2 充填体强度的神经网络模型

　　2.1 神经网络模型的建立

　　人工神经网络（neural network，NN）是对人脑若干基本特征的抽象和模拟，具有大规模并行处理、分布式信息储存以及很强的学习能力，是解决数据间非线性映射关系的有力工具[3-4]。因此作者采用人工神经网络模型研究并建立胶结充填料级配的堆积密实度、水灰比、体积浓度三者的模型。

　　作者对大红山铁矿的胶结强度数据进行统计与分析。分别计算出矿山级配的堆积密实度，以及相对应的水灰比x1，体积浓度x2，做出相应的试件并分别用三轴私服液压力机实验该充填料在凝期3天，7天以及28天的强度值P。共得到1881组数据。用矿山级配的堆积密实度s，水灰比x1，体积浓度x2作为输入变量，充填体强度P作为输出变量，建立神经网络模型。该神经网络的输入神经元为3，输出神经元为1。隐藏神经为5[5-7]。

　　2.2 神经网络拟合结果

　　从非线性的原始数据中随机选取90%的数据作为训练数据，10%的数据（未参与训练）作为预测数据，用以测试网络拟合的性能。

　　根据凝期不同分别建立3天，7天，28天强度的神经网络，并测试输出误差。

　　图3，图4为神经网络拟合的3天凝期的胶结强度，相关系数平均为0.90235，预测数据的平均误差为14%。从图中可以看出，该模型拟合度很高，强度的分布趋势与期望结果很接近。说明该模型可以用于凝期为3天的胶结强度的拟合。

　　图5，图6为神经网络拟合7 天凝期的胶结强度，相关系数平均为0.90482预测数据的平均误差为16%。该模型拟合度很高，强度的分布趋势与期望结果很接近。

　　图7，图8为神经网络拟合28 d凝期的胶结强度，其相关系数平均为0.94677预测数据的平均误差为10%。从图7，图8中可以看出，该模型拟合度很高，强度的分布趋势与期望结果很接近。

　　3 结论

　　通过对大红山铁矿胶结强度实验数据的对比分析，建立了堆积密实度、水灰比、体积浓度、充填体强度四者的神经网络模型。模型相关系数高，误差分布合理，能比较准确的预测充填体的强度，以达到节约成本的目的。应用该模型亦可以根据充填料的分形情况预测其在不同水灰比（胶结剂添加量），体积浓度下的强度，指导充填设计。

　　参考文献：

　　[1]黄志伟，古德生。我国矿山无废开采的现状[J].矿业研究与开发，2002，22（4）：9-10，32.

　　[2]崔明义，孙恒虎。基于MATLAB的胶结充填材料线性回归研究[J].矿冶工程，2002，22（3）：11-12，16.

　　[3]刘志祥，周士霖。充填体强度设计知识库模型[J].湖南科技大学学报（自然科学版），2012，27（2）：7-12.

　　[4]李雨欣。人工神经网络技术研究的哲学思考[D].武汉科技大学，2007.

　　[5]殷勇，邱明。一种基于高斯核的RBF神经网络学习算法[J].计算机工程与应用，2002，38（21）：118-119，178.

　　[6]刘志祥，李夕兵。尾砂级配的混沌优化[J].中南大学学报（自然科学版），2005，36（4）：683-688.

　　[7]崔明义，孙恒虎。基于MATLAB的胶结充填材料BP神经网络质量模型[J].有色金属，2003，55（1）：121-123.