基于Optuna-RF智能模型的采矿方法优选.pdfVIP

黄金

2025年第8期／第46卷矿业工程7

GOLD

基于Optuna-RF智能模型的采矿方法优选

12221

许杨丰，陈煜新，周健，邱贤阳，田志刚

（1.中金岭南有色金属股份有限公司凡口铅锌矿；2.中南大学资源与安全工程学院）

摘要：随着全球工业需求的增加，高效且可靠的采矿方法选择变得至关重要。研究通过结合先

进的机器学习技术和自动化超参数优化框架，探索提升采矿方法选择的科学性和精确性。通过收集

和分析多种采矿条件及技术经济指标数据，构建了一个基于Optuna的优化随机森林模型。该模型的

优化过程专注于调整RF模型的4个关键超参数，旨在提高模型的预测准确率及其泛化能力。试验

结果表明，优化后的RF模型在训练集和测试集的分类准确率均明显提高了，Optuna-RF模型优于未

优化的RF模型。这一结果验证了自动超参数优化在提升机器学习模型泛化能力和预测精度方面的

关键作用，为采矿方法的智能选择提供了一种有效的技术路径。

关键词：人工智能；采矿方法；分类预测；智能模型；自动化；超参数；随机森林；Optuna

中图分类号：TD679文章编号：1001-1277（2025）08-0007-06

文献标志码：Adoi：10.11792/h

RF模型的性能依赖于其超参数的设置。为进一步提

引言

升RF模型的预测性能，本研究引入了自动超参数优

随着全球工业需求的不断增长，矿产资源的有效化框架（Optuna）。Optuna专门设计用于自动化机器

开采变得越来越重要。采矿方法的选择是矿业工程学习模型的超参数调优，通过高效的搜索策略能够极

中一个复杂而关键的决策过程，它不仅关系到资源的［14］

大提升模型的性能和适用性。在本研究中，笔者利

有效利用率，还涉及经济效益、环境影响及工人安全用收集到的矿山开采技术条件、技术经济指标及采矿

［1-2］

等多个维度。传统的采矿方法选择往往依赖于经方法的统计数据对提出的Optuna-RF模型进行了训

验判断，这在处理复杂变量时可能导致出现未能达到练和测试。为了验证模型的有效性，研究将优化后

最优决策的风险。有效的采矿方法选择需综合考虑RF模型的结果与传统未优化的RF模型进行了比较

［3］

诸多因素，包括矿体的厚度、倾角、稳定性等开采技分析，确保模型具有优异的预测精度，为采矿方法的

术条件，以及采场的生产能力、采矿效率和成本等技选择提供了一个高效、可靠的决策工具。

术经济指标，这些因素之间往往表现出明显的非线性

1方法原理

关联。

近年来，人工智能技术在众多工业领域展现了其1.1自动超参数优化框架

［15］

巨大潜力，尤其在处理复杂系统优化问题上表现突Optuna是由AKIBA等于2019年提出的用于自

［4-5］