基于图神经网络的最优装矿溜井选择模型

摘要

针对金属矿山井下选择装矿溜井时过度依赖人工经验，常导致决策不合理的问题，建立能够科学选择最优装矿溜井的预测模型，优化溜井选择决策以提升有轨运输效率.以安徽白象山铁矿–495水平为研究对象，采集该水平溜井、巷道信息及矿石采装、运输等数据.将数据预处理成能描述该水平路网结构的拓扑矩阵，与包含路段/溜井基础信息、路段/溜井轨迹信息、溜井时序料位信息的特征向量，用作模型训练与验证.结合拆分时序特征、优化池化输出、编码边特征的模型改进设计，构建并训练能兼顾溜井属性、路段属性、路网拓扑的时序图神经网络模型Time-series transformer graph convolutional network(T-TransGCN)，将预测结果作为最优装矿溜井选择结果.验证结果显示：(1) T-TransGCN能兼顾节点属性与拓扑信息，相较时序人工神经网络Time-series multi-layer perceptron (T-MLP)与时序基准图模型Time-series graph convolutional network (TGCN),T-TransGCN稳定且有较强的拟合能力；(2)时序料位特征有助于T-TransGCN理解溜井近期动态，轨迹特征能动态反映不同溜井的重要程度，同时帮助模型理解相邻节点相似、岔路节点相似等信息.两类新特征的引入均能有效提升TTransGCN泛化能力；(3)引入边特征、优化T-TransGCN池化层输出、拆分时序料位特征，能进一步提升T-TransGCN拟合能力、泛化能力与稳定性.

关键词

溜井 / 图神经网络 / 拓扑结构 / 时序料位 / 轨迹特征

基金资助

国家重点研发计划资助项目（2022YFC2904105）; 矿冶科技集团青年科技创新基金（04-2302）