基于NSGA-Ⅱ算法的废石及尾砂混合充填料配比优化
1.
2.
Optimization of Proportioning of Waste Rock and Tailings Mixed Filling Materials Based on NSGA-II Algorithm
1.
2.
通讯作者:
收稿日期: 2021-07-29 修回日期: 2021-09-27
基金资助: |
|
Received: 2021-07-29 Revised: 2021-09-27
作者简介 About authors
高峰(1981-),男,湖南怀化人,博士,副教授,从事矿山开采、灾害机理与防治方面的研究工作
关键词:
Keywords:
本文引用格式
高峰, 艾浩泉, 梁耀东, 罗增武, 熊信, 周科平, 杨根.
GAO Feng, AI Haoquan, LIANG Yaodong, LUO Zengwu, XIONG Xin, ZHOU Keping, YANG Gen.
研究表明,采用合理的充填配比是保证充填体力学特性、料浆流动特性和控制充填成本的关键(吴浩等,2019)。早期充填料浆配比的确定采用全面试验法,试验次数多且较为繁琐。李一帆等(2005)将正交试验用于采空区的尾砂胶结充填配比研究,正交试验具有试验次数少和布点均衡等优点,但其获得的优选值只能是试验设计水平的某种组合,无法找到水平之间的最佳值。基于仿生学的遗传算法(陈寅聪,2017)、BP神经网络(张钦礼等,2013;肖文丰等,2019;张国胜等,2020)、粒子群算法(Qi et al.,2018;刘莉等,2020)和基于数学理论的模糊数学(王筱添等,2020;Hu et al.,2021)、回归分析(张盛友等,2020)、博弈论(李夕兵等,2015)、响应面法(尹升华等,2020)等方法为充填料浆的配比优化提供了新的思路,取得了一定的成果。但是对于充填体强度的预测和充填配比优化还存在一些问题,如:通过建立胶结充填料的线性回归模型并优化充填配比,实现了对充填体强度的预测,但是充填体强度和配比参数之间存在非线性关系,线性模型不具有广泛代表性。其次,许多配比优化只考虑单目标优化,忽略了其他目标优劣的问题,对于充填配比多目标优化问题,一些学者通过建立单指标满意度函数再利用加权方式转变成整体满意度函数,这种方法仍是将多目标优化问题转换成单目标优化问题,且权重选择受主观影响较大。
鉴于此,本文以广西高峰矿业有限责任公司(以下简称“高峰矿”)废石和尾砂混合充填(即块石胶结充填)材料为研究对象,采用NGSA-Ⅱ算法开展多目标优化研究(翟禹尧等,2021;Liu et al.,2019;Fu et al.,2019),获得满足工程要求且经济成本最低的最优充填料浆配比,从而指导矿山生产。
1 充填材料配比试验
1.1 充填材料物理化学性质
表1 废石和尾砂物理性质
Table 1
材料种类 | 真密度/(g·cm-3) | 松散密度/(g·cm-3) | 紧密密度/(g·cm-3) | 孔隙率/% | 堆积密实度 |
---|---|---|---|---|---|
废石 | 2.722 | 1.597 | 1.934 | 29.47 | 0.709 |
尾砂 | 3.091 | 1.313 | 1.760 | 43.06 | 0.569 |
图1
图2
1.2 正交试验方案设计
采用四因素四水平正交表L16 (44)进行设计,其中因素A是料浆浓度,因素B是灰砂比,即水泥/(废石+尾砂),因素C是废石与尾砂比,因素D是泵送剂添加量。正交试验因素水平见表2。
表2 正交试验因素水平
Table 2
水平 | 因素 | |||
---|---|---|---|---|
A(料浆浓度) | B(灰砂比) | C(废尾比) | D(泵送剂) | |
1 | 77% | 1∶4 | 3∶7 | 0% |
2 | 79% | 1∶5 | 4∶6 | 0.5% |
3 | 81% | 1∶6 | 5∶5 | 1.0% |
4 | 83% | 1∶7 | 6∶4 | 2.0% |
按照试验方案中的配比配制好料浆,然后倒入尺寸为70.7 mm×70.7 mm×70.7 mm的标准三联试模。脱模后的试块放入养护箱进行养护,养护温度设置为20 ℃,养护湿度为90%。试件的养护龄期为28 d,然后进行单轴抗压强度测定。
1.3 正交试验结果分析
表3 正交试验结果
Table 3
试验编号 | 因素 | 指标 | |||||
---|---|---|---|---|---|---|---|
料浆 浓度/% | 灰砂比 | 废尾比 | 泵送剂 /% | 28 d抗压 强度/MPa | 泌水率/% | 坍落度/cm | |
1 | 77 | 1∶4 | 3∶7 | 0 | 3.176 | 12.87 | 27.8 |
2 | 77 | 1∶5 | 4∶6 | 0.5 | 2.570 | 12.84 | 28.6 |
3 | 77 | 1∶6 | 5∶5 | 1.0 | 2.498 | 11.59 | 27.2 |
4 | 77 | 1∶7 | 6∶4 | 2.0 | 1.698 | 17.68 | 28.7 |
5 | 79 | 1∶4 | 4∶6 | 1.0 | 5.408 | 10.45 | 28.8 |
6 | 79 | 1∶5 | 3∶7 | 2.0 | 3.019 | 9.86 | 29.8 |
7 | 79 | 1∶6 | 6∶4 | 0 | 2.912 | 17.29 | 28.4 |
8 | 79 | 1∶7 | 5∶5 | 0.5 | 2.233 | 12.43 | 29.3 |
9 | 81 | 1∶4 | 5∶5 | 2.0 | 5.337 | 10.34 | 28.8 |
10 | 81 | 1∶5 | 6∶4 | 1.0 | 3.761 | 12.96 | 27.6 |
11 | 81 | 1∶6 | 3∶7 | 0.5 | 3.022 | 13.53 | 28.0 |
12 | 81 | 1∶7 | 4∶6 | 0 | 1.943 | 13.02 | 26.8 |
13 | 83 | 1∶4 | 6∶4 | 0.5 | 7.622 | 7.070 | 26.0 |
14 | 83 | 1∶5 | 5∶5 | 0 | 4.990 | 9.72 | 25.5 |
15 | 83 | 1∶6 | 4∶6 | 2.0 | 3.073 | 14.55 | 26.6 |
16 | 83 | 1∶7 | 3∶7 | 1.0 | 2.747 | 14.29 | 22.3 |
对试块的抗压强度,料浆的泌水率和坍落度进行极差分析,结果见表4。
表4 极差分析结果
Table 4
指标 | 因素 | A | B | C | D | 因素主次 |
---|---|---|---|---|---|---|
28 d抗压 强度/MPa | k1 | 2.486 | 5.386 | 2.991 | 3.255 | B>A>C>D |
k2 | 3.393 | 3.585 | 3.249 | 3.862 | ||
k3 | 3.516 | 2.876 | 3.765 | 3.604 | ||
k4 | 4.608 | 2.155 | 3.998 | 3.282 | ||
R | 2.122 | 3.231 | 1.007 | 0.607 | ||
泌水率/% | k1 | 13.75 | 10.18 | 12.64 | 13.23 | B>C>A>D |
k2 | 12.51 | 11.35 | 12.72 | 11.47 | ||
k3 | 12.46 | 14.24 | 11.02 | 12.32 | ||
k4 | 11.41 | 14.36 | 13.75 | 13.11 | ||
R | 2.34 | 4.18 | 2.73 | 1.76 | ||
坍落度/cm | k1 | 28.1 | 28.7 | 27.0 | 27.1 | A>D>B>C |
k2 | 29.1 | 27.9 | 27.7 | 28.9 | ||
k3 | 27.8 | 27.6 | 27.7 | 26.5 | ||
k4 | 25.1 | 26.8 | 27.6 | 28.5 | ||
R | 4.1 | 1.8 | 0.70 | 2.20 |
图3
图3
不同指标的敏感性因素分析图
Fig.3
Analysis diagram of sensitivity factors of different indexes
图4
图4
不同灰砂比下的充填体SEM图
Fig.4
SEM diagran of filling body with different cement-sand ratio
2 充填材料配比优化
2.1 多元回归分析
根据上述试验结果,将料浆浓度、灰砂比、废尾比和泵送剂添加量设置为自变量,分别记作
图5
图5
模型预测值与试验值相对误差绝对值
Fig.5
Absolute value of relative error between model predictive value and test value
充填体28 d抗压强度模型可表示为:
料浆泌水率模型可表示为
料浆坍落度模型可表示为
2.2 多目标优化
多目标优化问题是属于数学规划的一个重要内容,它是求多个目标函数在给定区域内的最优化问题。目标函数之间有时存在矛盾,如当一个目标函数值要增加时就需要以另一个目标函数值降低作为代价,而多目标优化算法就是找到这些Pareto最优解。
以矿山对于28 d充填体强度要求不低于7 MPa为目标,泌水率尽可能最小,坍落度在23.0~27.5 cm之间,多目标优化问题如下:
约束条件为
多目标优化算法有很多,其中NSGA-Ⅱ算法(带精英策略的快速非支配排序遗传算法)应用非常广泛,它是由Deb et al.(2002)在NSGA算法的基础上提出的,相比传统的算法更加优越,计算复杂度大大降低。MATLAB软件中提供的gamultiobj函数(Zhang et al.,2021)就是基于NSGA-Ⅱ改进的一种多目标算法。其算法步骤如图6所示。
图6
算法具体步骤如下:
(1)在MATLAB软件中编写目标函数的M文件;
(2)参数设置,这里设置最优前端系数为0.3,种群大小为100,遗传代数200,停止代数200,适应度函数偏差为1e-100。
(3)运行文件,得到一组Pareto最优解集,并得到相应的Pareto前沿图。
图7
表5 部分Pareto最优解集
Table 5
组号 | 料浆浓度/% | 灰砂比 | 废尾比 | 泵送剂/% | 28 d抗压强度/MPa | 泌水率/% | 坍落度/cm |
---|---|---|---|---|---|---|---|
1 | 82.988 | 0.248 | 1.371 | 1.087 | 7.185 | 6.517 | 26.72 |
2 | 82.988 | 0.250 | 1.130 | 0.807 | 7.888 | 6.512 | 27.35 |
3 | 82.991 | 0.246 | 1.307 | 0.645 | 7.508 | 6.653 | 26.66 |
4 | 82.990 | 0.250 | 1.072 | 1.044 | 7.824 | 6.468 | 27.50 |
5 | 82.993 | 0.248 | 1.298 | 0.737 | 7.575 | 6.523 | 26.75 |
6 | 82.989 | 0.240 | 1.419 | 0.537 | 7.066 | 6.897 | 26.16 |
7 | 82.990 | 0.242 | 1.412 | 0.499 | 7.213 | 6.891 | 26.19 |
8 | 82.999 | 0.245 | 1.412 | 0.458 | 7.365 | 6.896 | 26.21 |
9 | 82.995 | 0.247 | 1.221 | 0.524 | 7.651 | 6.845 | 26.89 |
10 | 82.990 | 0.250 | 1.187 | 0.994 | 7.694 | 6.367 | 27.26 |
表6 不同组号的材料成本预算
Table 6
组号 | 成本/(元/吨) | 组号 | 成本/(元/吨) |
---|---|---|---|
1 | 129.37 | 6 | 120.38 |
2 | 127.66 | 7 | 120.80 |
3 | 124.06 | 8 | 121.58 |
4 | 130.29 | 9 | 123.34 |
5 | 125.84 | 10 | 128.31 |
按照材料成本最低原则,从解集中选出最终配比。第6组配比的成本最低,为120.38元/吨,此时的配比为料浆浓度82.989%、灰砂比0.240、废尾比1.419、泵送剂添加量0.537%,且各项指标符合要求,28 d抗压强度7.066 MPa、坍落度26.16 cm、泌水率6.897%,对于正交试验得到的配比为料浆浓度83%、灰砂比0.25、废尾比1.5、泵送剂添加量0.5%,料浆成本为123.85元/吨。优化后的配比成本比原来的配比成本降低3.47元/吨,成本下降了2.9%。
3 结论
(1)灰砂比对充填料浆的泌水率和充填体抗压强度的影响最大,料浆浓度对充填料浆的坍落度具有明显的控制作用。充填体的抗压强度随着料浆浓度的增加而增大,随着灰砂比的降低而降低,随着废尾比的增加而增大;料浆泌水率随着料浆浓度和灰砂比的增加而降低;料浆坍落度随着料浆浓度和废尾比的增加先增大后降低,随着灰砂比的减少而降低。
(2)根据正交试验结果,第13组配比满足矿山要求,料浆浓度为83%,灰砂比为0.25,废尾比为1.5,泵送剂添加量为0.5%,其中28 d充填体强度大于7 MPa,泌水率较小,坍落度值满足自流输送的条件。
(3)结合16组配比试验结果,建立了28 d抗压强度、泌水率和坍落度的多元回归模型,将模型的预测值与试验值进行对比,得到预测值和试验值的差异在12%以内,表明各个模型的拟合效果好。采用基于NSGA-Ⅱ算法的gamultiobj函数对废石和尾砂混合充填材料配比进行多目标优化,得到优化后的配比为料浆浓度82.989%、灰砂比0.240、废尾比1.419和泵送剂添加量0.537%。优化后的配比成本为120.38元/吨,相比正交试验得到的第13组配比方案成本降低3.47元/吨,成本下降了2.9%。
http://www.goldsci.ac.cn/article/2022/1005-2518/1005-2518-2022-30-1-46.shtml
参考文献
Optimization Design Method and Application of Filling Material Proportion Based on Neural Network and Genetic Algorithm
[D].
A fast and elitist multiobjective genetic algorithm:NSGA-II
[J].
A multi-objective optimization model based on non-dominated sorting genetic algorithm
[J].
Fuzzy mathematics comprehensive forecasting analysis of metal mine rockburst based on multiple criteriahere
[J].
The trend and direction of green development of the mining industry in China
[J].
Evaluation of phosphogypsum filling water quality using game theory and matter-element analysis theory
[J].
Experimental study on strength characteristics of tailings cement backfilling at deep-seated mined-out area
[J].
Local energy supply ratio optimization method based on particle swarm optimization
[J].
Optimal siting and sizing of distributed generation based on improved nondominated sorting genetic algorithm II
[J].
A strength prediction model using artificial intelligence for recycling waste tailings as cemented paste backfill
[J].
Research on Green Development of China’s Mining Economy
[D].
A method for determining the ratio of similar materials with cement and plaster as bonding agents
[J].
Research on dual-index quality evaluation method of filling proportion based on fuzzy mathematics
[J].
Optimization of mix proportioning of mine filling materials using RSM-DF experiments design method
[J].
Optimization of multi-objective filling slurry ratio based on neural network and genetic algorithm
[J].
Research on strength regression and slurry optimization of cemented backfill based on response surface method
[J].
Multi-objective test optimization selection based on NSGA-Ⅱ under unreliable test conditions
[J].
Resear-ch on mixing proportions of a new backfilling cementitious material based on artificial intelligence neural network
[J].
Optimization of filling slurry ratio in a mine based on back-propagation neural network
[J].
Strength influ-ence analysis of slag-cement-unclassified tailings cemented filling based on stepwise regression analysis
[J].
Simulation and experiment of pipeline transportation of high density filling slurry with coarse aggregates
[J].
A novel butterfly-shaped auxetic structure with negative Poisson’s ratio and enhanced stiffness
[J].
基于神经网络和遗传算法的充填料配比优化设计方法与应用
[D].
中国矿业绿色发展的趋势和方向
[J].
基于博弈论的磷石膏充填水质物元评价
[J].
深部采空区尾砂胶结充填体强度特性试验研究
[J].
基于粒子群算法的局域供能配比优化方法
[J].
中国矿业经济绿色发展研究
[D].
水泥和石膏胶结相似材料配比的确定方法
[J].
基于模糊数学的双指标充填配比质量评价方法研究
[J].
基于RSM-DF的矿山充填材料配比优化
[J].
基于神经网络与遗传算法的多目标充填料浆配比优化
[J].
基于RSM的胶结充填体强度回归及料浆寻优研究
[J].
不可靠测试条件下基于NSGA-Ⅱ的多目标测试优化选择
[J].
基于人工智能神经网络新型充填胶凝材料配比研究
[J].
基于BP网络的某矿山充填料浆配比优化
[J].
基于逐步回归分析法的炉渣—水泥—全尾砂胶结充填体强度影响分析
[J].
粗骨料高浓度充填料浆的管道输送模拟及试验
[J].
/
〈 |
|
〉 |
