一种可解释的带有受护校准的凸形堆叠集成方法，用于预测矿山爆破中的岩石碎块化

为什么以正确方式破碎岩石很重要

在矿山通过爆破使矿石从坚硬岩体中释放出来时，关注的不仅是岩石是否被破碎——更重要的是破碎的方式。如果碎块太大，破碎和运输会变得缓慢且成本高昂；如果碎块太细，会浪费能量并影响后续处理。本文提出了一种新的数据驱动方法，用以预测爆破后的典型碎块尺寸，旨在帮助矿山调整炸药参数，使破碎的岩石达到“恰到好处”的粒度，从而节省能量、时间和成本。

预测爆破结果的难点

预测岩石如何破碎很困难，因为许多因素同时交互作用。岩石的天然性质、钻孔布置方式、台阶高度、装药量以及孔口封塞方式等都会影响最终的碎块尺寸。几十年前提出的传统经验公式只能捕捉部分复杂性，且常常需要针对每个矿山重新调整。现代机器学习模型能够处理更多变量和更微妙的模式，但它们可能成为“黑箱”，并且在数据量很小的情况下（这在实际矿山作业中很常见）表现会受限。

一种谨慎的混合模型

作者提出了一种名为“带受护校准的凸形堆叠”（Convex Stacking with Guarded Calibration，CSGC）的新型集成方法。CSGC不是依赖单一预测模型，而是将六种不同的机器学习方法结合起来，每种方法在处理模式和噪声方面具有各自优势。这些模型首先在精心划分的轮换子集上训练和测试，以公平评估其性能。表现较好的模型随后被赋予非负权重，且这些权重相加为一，确保最终预测是均衡的组合，而不会被某个不稳定的离群模型主导。进一步的步骤会将混合结果轻微拉向单个表现最强的模型，从而降低对训练数据特定特征过拟合的风险。

用于更好、更诚实预测的保护措施

CSGC不仅仅是简单地对模型输出求平均。混合之后，该方法会检查预测值与观测碎块尺寸之间是否存在系统性偏差，并应用一个简单的校正。然后尝试一种特殊的平滑步骤，迫使预测在数值范围内以更有序的方式变化。关键在于，这种额外的校准只有在对训练时保留的验证数据上确实能提升性能时才会保留；如果没有帮助，则会被关闭。这种“受护”设计旨在避免高级模型常见的陷阱——即在历史数据上看似改进但在新爆破数据上失效。

数据对爆破控制的指向

研究使用了来自多个国家八个露天矿的91次爆破记录，涵盖从较软到较硬的岩石类型。模型输入包括七个设计和岩石属性，输出为从影像测得的平均碎块尺寸。在这一相对较小但多样的数据集上，CSGC比任何单一模型（包括一种强势的梯度提升方法）都具有更高的精度和更低的误差。为了让工程师更易理解结果，作者使用了两种解释工具，展示每个输入因子如何将预测向上或向下推动。在采样的条件范围内，岩石刚度、封孔长度与行距的比值（stemming length/burden）以及台阶高度与行距的比值被识别为控制碎块尺寸的主要杠杆，而在当前范围内一些布置比值的贡献较小。

岩石刚度与设计如何协同作用

可解释性工具还显示，岩石刚度并非具有简单的单向效应。在较软的岩石中，模型常常发现爆破设计的细节——尤其是孔口的封塞方式——可能比岩石自身的易碎性更能决定碎块化程度。在中等刚度的岩石中，刚度倾向于使预测碎块尺寸减小；而在非常坚硬的岩石中，刚度又会推动碎块变粗，除非通过精心的几何设计来抵消。这些变化的模式表明，并不存在单一的“最佳”设计规则；相反，有效的爆破设计需要将孔位布局和装药细节与岩体的力学特性相匹配。

这对日常采矿的意义

对普通读者来说，关键的信息是更智能的预测可以把爆破从某种“经验艺术”转向更精确的工程科学。通过混合多种模型并内置防过度自信的保护措施，CSGC提供了一种在有限现场数据下更可靠地预测平均岩石碎块尺寸的方法，同时还能向工程师展示哪些参数最重要以及它们如何相互作用。尽管目前研究基于的爆破次数有限，尚不能保证在全新矿山上必然成功，但它展示了一个有前途的路径：通过数据辅助的爆破设计，可能降低能耗、减少设备磨损，并使采矿作业更高效、更可预测。

引用: 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

关键词: 岩石爆破, 碎块尺寸预测, 集成机器学习, 矿山优化, 模型可解释性