基于机载激光雷达和机器学习的爆堆体积预测

摘要

露天矿山台阶爆破后爆堆的松散系数是衡量爆破质量的重要指标，在明确了设计方量后，准确预测爆堆体积对于优化爆破参数、控制爆破效果及估算后续装运工程量具有重要意义。针对露天矿山爆破后爆堆体积测量效率低、小样本预测精度不足等问题，提出了一种基于机载激光雷达（Li DAR）与机器学习的智能化预测模型。首先采用轻量化无人机Li DAR系统，实现了爆堆点云数据的免像控快速采集;其次特征选择部分使用Deep Seek接口构建了融合Pearson相关性分析、ANOVA方差检验、随机森林特征重要性评估及递归特征消除的特征选择模型，从8项初始参数中筛选出6个关键影响因素。最后GS-KCV优化贝叶斯岭回归预测模型在测试集上R²达到0.76，较传统方法提升显著，MAE（19 949.67 m³）和RMSE（23 020.80 m³）分别降低26%和28%，解决了现有模型在小样本场景下易陷局部最优的难题。通过大疆M350无人机与禅思L₂激光雷达的工程化应用验证，基于机载激光雷达与机器学习的智能化预测模型实现了爆破参数获取-体积预测-效果评估的全流程优化。

关键词

矿山爆破 / 贝叶斯岭回归 / 爆堆体积预测 / 机载激光雷达 / 特征选择 / 网格搜索

基金资助

国家自然科学基金资助项目(41071242、41971237); 教育部产学合作协同育人项目