铀矿山穿孔爆破系统免疫遗传优化控制*

 戴剑勇，原芳

 （南华大学核资源工程学院，衡阳421001）

摘要：根据地下铀矿山穿孔爆破系统特点及放射性污染物的特性，应用自适应模糊推理技术构建爆破矿石块度模型，应用放射性污染物迁移机制构建氡浓度析出模型，再将其模型参数换算成与穿爆参数关联的氡浓度模型，然后构建铀矿山氡浓度控制下穿孔爆破系统的集成模型，最后运用免疫遗传优化算法对其进行优化求解。实例分析表示该方法可在满足氡浓度的要求下实现块度最优化问题，为铀矿山安全生产提供了重要决策依据。

关键词：穿孔爆破系统；爆破块度；放射性污染物；免疫遗传算法

O  引言

 穿孔、爆破工作是矿山开采的两个重要环节，穿孔作业的质量以及爆破的效果，直接影响生产综合成本。因此，穿孔爆破系统的效果将会影响到铀矿山安全稳定及经济效益。穿爆系统中影响因素众多，且各因素之间存在复杂关系，并且目前尚无现成的函数能表达其关系，因而穿爆模型不能由传统的建模方法所建立。在文献[2 -3]中根据经验值以及经验公式，在爆破参数较少的情况下，对矿山爆破设计进行了优化，虽然得到了较好的优化效果，但是存在了一定的人为主观因素，并且不适用于其他矿山。在文献[4 -5]中采用了BP神经网络建立矿山爆破参数模型，虽然取得较好的优化结果，但必须采用大量的历史数据反复训练，过程比较繁琐而且数据收集较为困难。而ANFIS能够轻松实现这一过程，这一系统是借助模糊逻辑的模糊推理能力和神经网络的学习功能，形成自适应模糊推理系统，对复杂系统进行求解。文献[7]利用氡渗流一扩散运移理论，建立了爆破铀矿堆内氡运移的一维微分方程，推导出爆破铀矿堆渗流出口表面氡析出率的计算公式，还有些学者建立了废石的粒度大小、在堆表面所处的位置和废石中U，Ra的活度与表面氡析出率的相关性。本文利用氡渗流一扩散运移理论，结合矿石粒度与氡析出率的规律，依据国家氡浓度限值规定，构建地下铀矿山氡浓度约束条件下的氡浓度与块度模型，为铀矿山安全生产提供了重要决策依据。

1  地下铀矿山穿爆系统建模

1.1  穿孔爆破块度模型

 穿爆系统所涉及到的因素较多：矿岩力学性质、炸药性质和药包参数，穿孔质量（孔径、孔深、超深）、孔网参数（孔间距、排间距）、网络敷设、采场氡析出控制等。本文以影响爆破块度的主要参数作为输入参数，以大块率作为穿孔爆破输出参数，应用自适应模糊推理方法构建穿孔爆破块度模型。主要操作流程如下：

 Step1搜集富有历史意义的穿孔爆破技术参数输入输出数据对，以做为ANFIS的基础数据。

Step2对样本集的输入输出数据对进行归一化和初始化。

Step3设置训练次数，调用anfis函数对初始化的数据进行训练，以达到误差精度要求。

Step4建立ANFIS模型关系式：即通过anfis训练函数经反复调试后得到穿孔爆破块度模型：

 式中：x为输人数据向量；f表示穿孔爆破块度模型。

1.2  采场氡析出浓度模型

爆破是铀矿山生产作业的重要环节，也是影响矿井氡析出量的重要因素。矿石在爆破的瞬间从矿体上爆落，变成了局部类型体的集合体一松散介质，积存在缝隙中的氡被突然释放出来，同时造成了矿体的新鲜暴露表面。按渗流方向选取破碎介质计算坐标，稳定状态下介质中氡浓度稳定分布方程为：

 边界条件为x=0处，C=nC。；

采场氡源中，破碎松散体的氡析出所占比例最大。又岩体爆破后形成的松散体渗透率比扩散系数增长高出很多，导致破碎介质中渗流速率远远高于扩散速度。因此，采场控氡通风的关键在于控制破碎松散体的氡渗流析出。式(4)变为：

式中：C为介质中氡的视浓度；D为介质中氡的扩散系数；u为介质中的气体渗流速度；A为氡的衰变常数；叼为介质孔隙率；C。为介质外空间中的氡浓度；F为破碎松散体局部类型体的平均氡析出系数；a为射气介质产生可移动氡的能力；沙为松散系数。此方程的解为：

根据历史数据，矿石的粒度较大和较小时氡的析出率都较低，对于较大粒度的矿石，氡的析出率变化范围较宽。也就是大块率较大或较小氡的析出率都比较低，大块率位于中间数值时，氡的析出率相对较高。因此，采用高斯分布函数近似表示氡的析出率与块度的关系模型。即：

 式中：0为氡活度释放率；A，为氡活度修正系数，大于1；矿．为侧向扩散参数；盯：为垂直方向扩散参数。

因此，氡浓度的析出和大块率的方程为：

2  铀矿井穿爆系统可靠性免疫遗传优化控制

为解决中深孔穿爆系统的块度的最优控制，将穿爆系统块度模型作为主目标函数，求解大块率最小化问题。即根据各自建立的ANFIS模型，在满足氡浓度的约束条件下，穿爆系统规划模型如下：

式中：x为输入数据向量；C．为放射性污染物浓度模型；则化约束条件为带惩罚项的无约束函数为：

式中：r1为放射性污染物浓度的惩罚因子，由于穿孔爆破系统参数较多，采用实数编码，随机生成初始种群，应用免疫算法进行优化求解。其流程如下：

 Step1识别抗原，将种群信息定义为一个结构体，初始化抗体种群。

 Step2由亲和度和浓度两个条件确定评价抗体的优秀程度，并计算出期望的繁殖概率，记录每一代种群的平均适应度以及最佳个体。

 Step3根据优秀程度，形成父代种群，更新记忆库，加入精英保留策略。

 Step4对记忆库中抗体进行选择交叉变异，产生新

种群。

 Step5如满足条件，则结束，否则再转向Step2。

3  实例分析

以我国某一大型铀矿为例，该矿山炮孔采用扇形排面布置的上向中深孔。排面垂直于凿岩平巷，沿矿体走向方向布置。确定其孔间距、排间距、补偿空间系数、最小抵抗线和炮孔密集系数、炸药单耗等6个因素作为穿孔爆破系统的输入参数，爆破大块率作为穿孔爆破系统的输出参数，应用MATLAB中的ANFIS工具箱构建爆破矿石块度模型，数据详见表1，并对其进行归一化，以前46组数据作为training data，后4组作为contrastingdata，调用ANFIS对其进行建模，训练误差精度约为0. 001 799 9。为了防止氡的危害和保护矿山工人的健康，必须使井下空气中氡浓度不超过国家标准规定的控制值，即氡浓度控制值为2.7 kBq/m3，依据实际调查数据，氡活度修正系数取1.5，氡活度释放率为3. 08×l05Bq/s，侧向扩散参数10.8 m，垂直方向扩散参数5.Sm，再结合式(6)~式(8)，应用免疫遗传算法对式(9)进行迭代优化求解。迭代次数和适应度的关系，详见图1，最终得出穿孔爆破系统技术参数最优解，详见表2。

4结论

 1)应用免疫遗传优化算法对该模型进行优化，得出最优解，确保了穿孔爆破系统安全最优控制。

  2)以国内某大型地下铀矿山为例，应用免疫遗传优化算法的全局优化机制对氡浓度控制下穿孔爆破系统模型进行优化求解，得到最佳穿孔爆破参数为：孔间距0.9 m、排间距0.7 m、补偿系数1.81、抵抗线0.7 m、密集系数1. 28、炸药单耗0.41 kg/t、大块率10.8 010。

 3)与文献[4]、[5]中的模型相比较，该方法可在满足氡浓度的要求下实现块度最优化，同时精度更高，可为铀矿山安全生产提供重要的决策依据。