,1500 北京科技大学学报 第31卷 法、距离幂次反比法、克里格法插值得出的品位数据 Iter(迭代次数)=45； 计算所得矿体储量数据和真实储量值进行对比，对 Obj(SVR文件转换为二次规划求解得到的最 其精度进行验证 小值)=-415.228107： 具体流程见图1. rho(判断函数的常数项b)=一58.062203； 原始数据样本 Nsv(支持向量的个数)=9； 预测样本 Nbsv(边界支持向量的个数)=3； SOFM聚类 对模型进行测试并插值，表1为其结果， 同一类别的原始数据样本 表1品位预测与插值结果 训练样本 [测试样本 Table 1 Grade prediction and interpolation results x 预测值 真实值正确率/% 数据预处理 模型参数选取 3355852 88179.11-353 59.833 60.12 99.52 同一类别 3355851 88179.03 -351 60.119 60.12 99.99 理想模型 预测样本 3355860 88190 -34358.0622 品位插值 建立数据库 模型的均方差为0.041773，其对测试样本预测 的准确率接近100%.预测结果证明支持向量回归 储量验证 机预测模型可以完成体素的品位插值工作， 图1品位插值回归算法流程图 整理该地下矿的部分区域生勘、地勘数据，共得 Fig.I Flow chart of the grade interpolation regression algorithm 训练样本5706个，测试样本970个，预测样本 23437个，运用图1流程分别建立回归预测模型并 2实例验证 进行插值.储量计算过程均按照实际生产中每隔 为了验证算法的可行性，首先进行小范围插值 14m作为一个开采中段进行，具体为：1-一288 验证，以国内某地下矿的勘测数据为验证实例，通 -302m中段，2--302-316m中段， 过随机选取其中数据，建立样本T'=(x4,y)川k= 3--316~-330m中段，4--一330~-344m中段， 1,2,3}共225个.选取6X4个神经元，利用S0FM 5--344~-358m中段，6--288~-358m中段. 网对样本训练500次，系统将样本分为不同的24 主要计算在边界品位为25%情况下的Fe1、Fe3 类.以聚类结果中第10类为例，建立训练样本9 以及Fel十Fe3的矿量及金属量，计算结果汇总在表 个，测试样本2个，预测样本1个.采用留一法得到 2中.Fel是指边界品位TFe≥40%，平均品位 模型参数为(c=8.0,g-2.0,e=0.0009765625). TFe≥45%的块状磁铁矿石；Fe3则是指边界品位 训练样本，得出模型相应参数为： TFe≥25%，平均品位TFe≥30%的块状磁铁矿石. 表2不同方法计算的矿量 Table 2 Reserves of the mine calculated by different methods 水平 矿石 多边形法 距离幂次反比法 克立格法 支持向量回归机 分段 类型 矿石量/万t 金属量/万t矿石量/万：金属量/万：矿石量/万t金属量/万：矿石量/万： 金属量/万t 1 Fel 205.341 107.442 162.747 82.124 184.252 95.071 148.241 75.772 1 Fe3 6.522 2.179 20.495 6.633 16.706 5.456 26.634 4.465 Fel+Fe3 211.863 109.601 183.242 88.757 200.958 100.527 174.875 80.238 Fel 276.245 145.376 201.802 98.545 189.783 95.469 238.952 130.225 2 Fe3 8.807 2.969 29.723 9.601 23.671 7.639 27.990 7.207 Fel+Fe3 285.052 148.346 231.525 108.146 213.454 103.108 266.943 147.432 3 Fel 299.470 157.654 217.283 107.584 200.701 102.548 308.031 151.038 3 Fe3 8.723 2.958 27.960 9.077 22.554 7.364 15.444 5.217 3 Fel+Fe3 308.193 160.612 245.243 116.661 223.256 109.912 323.476 156.255法、距离幂次反比法、克里格法插值得出的品位数据 计算所得矿体储量数据和真实储量值进行对比‚对 其精度进行验证． 具体流程见图1． 图1 品位插值回归算法流程图 Fig．1 Flow chart of the grade interpolation regression algorithm 2 实例验证 为了验证算法的可行性‚首先进行小范围插值 验证．以国内某地下矿的勘测数据为验证实例‚通 过随机选取其中数据‚建立样本 T′＝｛（ xk‚y）｜k＝ 1‚2‚3｝共225个．选取6×4个神经元‚利用 SOFM 网对样本训练500次‚系统将样本分为不同的24 类．以聚类结果中第10类为例‚建立训练样本9 个‚测试样本2个‚预测样本1个．采用留一法得到 模型参数为（ c＝8∙0‚g＝2∙0‚ε＝0∙0009765625）． 训练样本‚得出模型相应参数为： Iter（迭代次数）＝45； Obj（SVR 文件转换为二次规划求解得到的最 小值）＝—415∙228107； rho（判断函数的常数项 b）＝—58∙062203； Nsv（支持向量的个数）＝9； Nbsv（边界支持向量的个数）＝3； 对模型进行测试并插值‚表1为其结果． 表1 品位预测与插值结果 Table1 Grade prediction and interpolation results x y z 预测值 真实值 正确率／％ 3355852 88179∙11 —353 59∙833 60∙12 99∙52 3355851 88179∙03 —351 60∙119 60∙12 99∙99 3355860 88190 —343 58∙0622 — — 模型的均方差为0∙041773‚其对测试样本预测 的准确率接近100％．预测结果证明支持向量回归 机预测模型可以完成体素的品位插值工作． 整理该地下矿的部分区域生勘、地勘数据‚共得 训练样本 5706 个‚测试样本 970 个‚预测样本 23437个．运用图1流程分别建立回归预测模型并 进行插值．储量计算过程均按照实际生产中每隔 14m作为一个开采中段进行‚具体为：1——288～ —302m 中 段‚2—— 302 ～ — 316 m 中 段‚ 3——316～—330m中段‚4——330～—344m中段‚ 5——344～—358m中段‚6——288～—358m中段． 主要计算在边界品位为25％情况下的 Fe1、Fe3 以及Fe1＋Fe3的矿量及金属量‚计算结果汇总在表 2中．Fe1 是指边界品位 TFe ≥40％‚平均品位 TFe≥45％的块状磁铁矿石；Fe3则是指边界品位 TFe≥25％‚平均品位 TFe≥30％的块状磁铁矿石． 表2 不同方法计算的矿量 Table2 Reserves of the mine calculated by different methods 水平 分段 矿石 类型 多边形法 距离幂次反比法 克立格法 支持向量回归机 矿石量／万 t 金属量／万 t 矿石量／万 t 金属量／万 t 矿石量／万 t 金属量／万 t 矿石量／万 t 金属量／万 t 1 Fe1 205∙341 107∙442 162∙747 82∙124 184∙252 95∙071 148∙241 75∙772 1 Fe3 6∙522 2∙179 20∙495 6∙633 16∙706 5∙456 26∙634 4∙465 1 Fe1＋Fe3 211∙863 109∙601 183∙242 88∙757 200∙958 100∙527 174∙875 80∙238 2 Fe1 276∙245 145∙376 201∙802 98∙545 189∙783 95∙469 238∙952 130∙225 2 Fe3 8∙807 2∙969 29∙723 9∙601 23∙671 7∙639 27∙990 7∙207 2 Fe1＋Fe3 285∙052 148∙346 231∙525 108∙146 213∙454 103∙108 266∙943 147∙432 3 Fe1 299∙470 157∙654 217∙283 107∙584 200∙701 102∙548 308∙031 151∙038 3 Fe3 8∙723 2∙958 27∙960 9∙077 22∙554 7∙364 15∙444 5∙217 3 Fe1＋Fe3 308∙193 160∙612 245∙243 116∙661 223∙256 109∙912 323∙476 156∙255 ·1500· 北 京 科 技 大 学 学 报 第31卷