Gradient Boosting-Based Computational Method for Predicting Uniaxial Compressive Strength of Cemented Hydraulic Backfill

在地球深处，矿工们正在开采珍贵的资源，而在那里留下了巨大的空洞。如果这些空隙得不到支撑，上方的地面可能会发生坍塌，从而为工人创造危险的环境，并威胁到整个作业的稳定性。为了防止这种情况，工程师们用一种被称为胶结水力充填的特殊混合物来填充这些地下空腔。这种材料本质上是一种由破碎的废石、采矿过程中的尾矿、水和水泥组成的浆料。一旦被泵入地下空隙，它会随着时间的推移而硬化，起到类似坚实地板的作用，支撑着矿井顶板，并允许更安全、更高效地提取剩余矿物。衡量这种充填物性能好坏最关键的指标是其抵抗压力被压碎的能力，工程师将这一特性称为单轴抗压强度。准确预测这种强度至关重要；如果混合物太弱，矿井可能会发生故障，但如果过度设计，项目则会变得不必要的昂贵。

几十年来，确定正确的配比一直依赖于试错法或简单的公式，而这些方法往往忽略了这些材料之间复杂的非线性相互作用。由中国矿业大学研究人员及国际合作伙伴发表的一项新研究提供了一种不同的方法。他们没有依赖传统的方程，而是转向了一类被称为梯度提升机的先进计算机算法。这些是强大的工具，通过构建一系列简单的模型来学习数据，每一个模型都会纠正前一个模型的错误，从而创建一个高度精确的预测器。研究人员收集了一个包含 1,641 个真实案例的大型数据集，记录了所使用的水泥量、养护时间、混合物中固体浓度以及骨料与尾矿的比例。然后，他们将这些信息输入到四种不同类型的学习算法中，以观察哪一种能最好地预测硬化充填物的最终强度。

该研究测试了几种学习模型的变体，包括 LightGBM、CatBoost、AdaBoost 和标准的梯度提升机（Gradient Boosting Machine）。目标不仅是找到一个能够猜测强度的模型，而是要找到一个能够在面对新且未见过的数据时，不会被信息中的噪声所干扰，并能可靠地进行预测的模型。在利用 80% 的数据对模型进行训练并在剩余 20% 的数据上进行测试后，结果非常明确。标准的梯度提升机模型脱颖而出，成为了最有效的工具。它实现了极高的准确度，在测试数据上的统计得分达到 0.86，同时保持了极低的平均误差。这一表现优于其他模型，因为其他模型要么难以泛化到新数据，要么产生的结果不够一致。研究结果表明，这种特定类型的算法特别适合捕捉成分与最终强度之间复杂的相互关系。

除了仅仅做出预测之外，研究人员还希望了解模型做出决策的原因。在许多先进的计算机系统中，其内部运作机制是一个“黑箱”，这意味着即使是创建者也无法轻易解释一个输入是如何导致一个输出的。为了解决这个问题，团队使用了一种称为 SHAP 分析的技术，它就像一束聚光灯，揭示了每种成分对最终结果的贡献程度。分析显示，有两个因素主导了结果：混合物中水泥的含量以及材料养护的时间。这两个变量对强度的正向影响最为显著。相比之下，固体浓度以及骨料与尾矿的比例对最终结果的影响则小得多。这一见解对于工程师来说至关重要，因为它告诉了他们在设计混合物以确保安全和稳定性时，应该将注意力集中在哪里。

研究结论指出，使用这些可解释的机器学习模型为设计胶结水力充填提供了一种可靠且透明的方法。通过在充填物注入之前准确预测其强度，矿业作业可以优化其混合设计，在确保地下环境安全的同时，潜在地节省材料成本。研究人员强调，虽然他们的模型是向前迈出的重要一步，但将其作为辅助决策工具与传统工程判断结合使用时最为有效。他们建议，未来的工作可以包括将这些模型与现实世界的现场测量值进行对比测试，以进一步提高其准确性。最终，这项研究为更安全的地下开采提供了一条更清晰的路径，将复杂的数据转化为为维持矿井稳定的工程师提供实用指导。