Интерпретируемый ансамбль Convex Stacking с охраняемой калибровкой для прогнозирования фрагментации породы при взрывных работах

Почему важно правильно дробить породу

Когда на руднике взрывают цельную породу, важно не только то, что она разрушается — важен и характер разрушения. Слишком крупные фрагменты замедляют и удорожают дробление и транспортировку. Слишком мелкие — приводят к потере энергии и ухудшению переработки. В статье представлен новый подход на основе данных для прогнозирования типичного размера фрагментов после взрыва, который помогает настраивать заряд так, чтобы порода ломалась «в меру», экономя энергию, время и деньги.

Сложность прогнозирования результатов взрыва

Предсказать, как раскрошится порода, трудно из‑за одновременного влияния множества факторов. Естественные свойства пород, схема расположения шпуров, высота уступа, масса заряда и пробки в шпурах — все это влияет на итоговый размер фрагментов. Традиционные эмпирические формулы, разработанные десятилетия назад, отражают лишь часть этой сложности и часто требуют перенастройки под каждый рудник. Современные модели машинного обучения способны учитывать больше переменных и тонких закономерностей, но они нередко остаются «чёрными ящиками» и могут плохо работать при небольших объёмах данных — что типично для реальной горной практики.

Смешанная модель с упором на надёжность

Авторы предлагают новый ансамблевый подход под названием Convex Stacking с охраняемой калибровкой (CSGC). Вместо одной модели CSGC объединяет результаты шести разных методов машинного обучения, у каждого из которых есть свои сильные стороны в улавливании закономерностей и устойчивости к шуму. Модели сначала обучают и тестируют на аккуратно перемешанных подмножеств данных, чтобы справедливо оценить их работу. Лучшим дают неотрицательные веса, сумма которых равна единице, — это гарантирует, что итоговый прогноз является сбалансированной смесью, а не доминируется нестабильным выбросом. Дополнительный шаг мягко смещает смешанный результат в сторону единой наиболее сильной модели, снижая риск переобучения на особенностях обучающего набора.

Ограждения для более честных прогнозов

CSGC делает больше, чем просто усреднение предсказаний. После смешивания метод проверяет наличие систематического смещения между прогнозами и наблюдаемыми размерами фрагментов и применяет простую корректировку. Затем пробуется специальный шаг сглаживания, который делает изменения прогнозов более упорядоченными по всему диапазону значений. Существенно то, что эта дополнительная калибровка сохраняется только если она улучшает качество на данных, отложенных при обучении; если она не помогает, её отключают. Такая «охраняемая» конструкция призвана избежать привычной ловушки сложных моделей, когда добавленная сложность даёт видимый выигрыш на прошлых данных, но терпит неудачу на новых взрывах.

Что говорят данные о контроле над взрывами

В исследовании использованы 91 запись о взрывах из восьми карьеров в нескольких странах, охватывающих породы от мягких до довольно жёстких. В модель подаются семь проектно‑геологических признаков, а выходом служит средний размер фрагментов, измеренный по изображениям. Несмотря на относительно небольшой, но разнообразный набор данных, CSGC показывает лучшую точность и меньшую ошибку по сравнению с каждой отдельно взятой моделью, включая сильный метод градиентного бустинга. Чтобы сделать результаты понятными для инженеров, авторы применяют две интерпретационные техники, показывающие, как каждый входной фактор сдвигает прогноз вверх или вниз. В исследованных условиях ключевыми рычагами управления размером фрагментов оказываются жёсткость породы, отношение длины пробки (stemming) к шагу взрывания (burden) и отношение высоты уступа к шагу, тогда как некоторые соотношения в текущих пределах мало влияют.

Как жёсткость породы и конструкция взрыва взаимодействуют

Инструменты интерпретации также показывают, что влияние жёсткости породы не является простым и односторонним. На мягких породах детали конструкции взрыва — особенно способ пробки верхней части шпура — часто перевешивают природную склонность породы к мелкому дроблению. В породах средней жёсткости жёсткость чаще снижает прогнозируемый размер фрагментов, тогда как в очень твёрдых породах она снова ведёт к увеличению размеров, способствуя более крупным фрагментам, если это не компенсировать тщательным геометрическим выбором. Эти меняющиеся закономерности говорят о том, что не существует единого «лучшего» правила проектирования; эффективные взрывные работы зависят от согласования схемы шпуров и деталей заряда с механическими свойствами массива пород.

Что это значит для повседневной практики в горном деле

Для широкой аудитории главный вывод таков: более разумное прогнозирование может превратить взрывные работы из ремесла в более точную науку. Смешивая несколько моделей и включая механизмы защиты от чрезмерной уверенности, CSGC предлагает способ надёжнее прогнозировать средний размер фрагментов по ограниченным полевым данным, при этом показывая инженерам, какие параметры важны и как они взаимодействуют. Хотя текущее исследование основано на умеренном числе взрывов и ещё не гарантирует успеха на совершенно новых рудниках, оно демонстрирует перспективный путь к поддержке проектирования взрывов на основе данных, что может сократить расход энергии, уменьшить износ оборудования и сделать горные операции более эффективными и предсказуемыми.

Цитирование: Lin, C., Sun, X., Mai, J. et al. An interpretable Convex Stacking with Guarded Calibration ensemble approach for predicting rock fragmentation in mine blasting. Sci Rep 16, 10656 (2026). https://doi.org/10.1038/s41598-026-45479-0

Ключевые слова: взрывные работы в породе, прогнозирование размера фрагментов, ансамблевое машинное обучение, оптимизация на руднике, интерпретируемость моделей