[发明专利]一种基于cart树回归算法的爆破块度预测方法

说明书

本发明公开了一种基于cart树回归算法的爆破块度预测方法，利用已有的历史岩石块度相关参数作为样本属性采用CLS算法构建CART决策树模型并进行训练，收集新的石块度相关参数，利用训练好的CART决策树模型进行预测。与现有技术相比，本发明首先通过已有的历史岩石块度相关参数构建CART决策树模型并进行训练，然后即可以利用训练好的CART决策树模型进行爆破块度的预测，本发明从根源上预防爆破块度事故发生，降低爆破过程中产生的大块率，降低二次破碎，提高生产效率，节约爆破成本。

技术领域

本发明涉及工程爆破技术领域，特别是一种基于cart树回归算法的爆破块度预测方法。

背景技术

影响矿石爆破块度分布的因素包括:炸药参数、爆破参数、岩体结构及其力学特征等各种不同类型的因素。矿石爆破后的块度大小及组成不仅是反映爆破设计与作业水平的主要信息，而且还影响着后续诸如铲装、破碎、运输、消除根底、矿物加工等生产工艺，从而影响着矿山生产成本和效率。爆破矿石块度较大则需要二次爆破，爆破矿石块度较小则爆破成本增加。

发明内容

本发明的目的是要提供一种基于cart树回归算法的爆破块度预测方法，从根源上预防爆破块度事故发生，降低爆破过程中产生的大块率，降低二次破碎，提高生产效率，节约爆破成本。

为达到上述目的，本发明是按照以下技术方案实施的：

一种基于cart树回归算法的爆破块度预测方法，包括以下步骤：

步骤一、利用已有的历史岩石块度相关参数作为样本属性构建CART决策树模型，根据训练数据集,从根节点开始，递归地对每个节点进行以下操作，构建二叉决策树：

(1)设节点的训练集为D,计算现有的特征对该数据集的基尼指数，此时，对每一个特征A,对其可能的每个取值a,根据样本点对A＝a的测试为“是”或“否”将D分割成D₁和D₂两部分,计算A＝a时的基尼指数；

(2)在所有可能的特征A以及所有可能的切分点a中,选择基尼指数最小的特征及其对应的切分点作为最优特征与最优切分点,依最优特征与最优切分点,从现切分点生成两个子节点,将训练数据集依特征分配到两个子节点中去；

(3)对两个子节点递归地调用(1),(2),直至满足样本集的基尼指数小于预定阈值。

(4)生成CART决策树。

步骤二、收集新的石块度相关参数，利用训练好的CART决策树模型进行预测。

与现有技术相比，本发明首先通过已有的历史岩石块度相关参数构建CART决策树模型并进行训练，然后即可以利用训练好的CART决策树模型进行爆破块度的预测，本发明从根源上预防爆破块度事故发生，降低爆破过程中产生的大块率，降低二次破碎，提高生产效率，节约爆破成本。

附图说明

图1为本发明实施例构建的CART决策树。

图2为本发明实施例构建的CART决策树构造过程图。

具体实施方式

下面结合具体实施例对本发明作进一步描述，在此发明的示意性实施例以及说明用来解释本发明，但并不作为对本发明的限定。

如图1、图2所示，本实施例的一种基于cart树回归算法的爆破块度预测方法，包括以下步骤：

步骤一、利用已有的历史岩石块度相关参数作为样本属性(参加表1)构建CART决策树模型，具体为：

决策树算法模型采用的是二叉树形式，利用二分递归将数据空间不断划分为不同子集。同样的，每一个叶节点都有着与之相关的分类规则，对应了不同的数据集划分；