基于冠层豪猪优化器-反向传播（CPO-BP）神经网络方法的充填浆液收缩率预测及接顶充填优化

《Applied Sciences》：Prediction of Backfill Slurry Shrinkage Rate and Optimization of Roof-Contact Backfilling Based on an Optimized Neural Network Approach

　　

在金属矿山充填采矿中，充填浆液的沉降与收缩特性对采空区接顶质量及采场稳定性具有关键影响。研究人员以大冶铁矿未分级尾砂充填浆液为对象，通过室内试验研究了灰砂比（1:4至1:20）与浆液质量浓度（65%至71%）对养护时间内收缩率的影响，并构建了收缩率预测模型。试验考察了上述因素对收缩率演化的作用，进而开发了冠层豪猪优化器-反向传播（CPO-BP）神经网络模型以预测收缩率，并与传统BP模型进行对比；通过重复五折交叉验证及与遗传算法-BP（GA-BP）、粒子群-BP（PSO-BP）、随机森林（RF）、支持向量回归（SVR）和极端梯度提升（XGBoost）模型比较，验证了模型的鲁棒性与泛化能力。结果表明：收缩主要发生在前8 h，24 h后趋于稳定，高浓度浆液稳定更早；固定浓度时收缩率随灰砂比减小而增大，固定灰砂比时收缩率随浓度增大而减小。CPO-BP模型显著优于BP模型，测试集均方误差（MSE）为3.0767×10?6，平均绝对误差（MAE）为1.4528×10?3，决定系数（R2）为0.94946。针对大冶铁矿，69–71%浆液浓度可降低收缩高度并提高接顶率。该研究揭示了收缩率随养护时间、灰砂比及浓度的演化规律，证明了CPO-BP模型的有效性，并优化了充填方案，为接顶质量控制提供了理论依据。

研究背景方面，金属矿山中分段充填法因效率高、回收率高、贫化损失低被广泛采用，但充填体接顶质量直接决定采空区稳定性；当接顶率低时，采场顶板暴露面积扩大，构成安全隐患。管道输送中浆液浓度常控制在约65%以保障自流，但此时自由水比例高，易发生沉降收缩，导致充填体无法充分接触顶板。既有研究多聚焦单因素实验或理想条件数值模拟，难以反映现场排水、湿度、絮凝等复杂环境，且经验公式与回归方法无法刻画材料变量与收缩行为的非线性关系；传统BP神经网络依赖梯度下降，对初始权重敏感、易陷局部最优。为此，研究人员以现场未分级尾砂为样本，系统试验灰砂比与浓度对收缩率的影响，并引入新近提出的冠层豪猪优化器（CPO）优化BP初始权重偏置，建立CPO-BP预测模型，进而优化大冶铁矿大体积采场接顶充填方案。

主要关键技术方法上，研究人员从大冶铁矿选矿厂采集未分级尾砂，经24 h静态沉淀脱除上清液、风干后用于试验；采用Mastersizer 3000进行粒度分析，XRF分析化学组分，测定尾砂密度2.855 t·m^?3及不同浓度浆液密度。沉降收缩试验使用直径80 mm、高200 mm透明PC圆柱容器，设灰砂比1:4、1:8、1:12、1:20与浓度65%、67%、69%、71%共16组配比，在4、8、12、24、36 h沿容器四周测高取均值计算体积收缩率。建模阶段以浆液浓度、灰砂比、养护时间为输入，收缩率为输出，构建单隐层6神经元BP网络（Tan-sigmoid激活，学习率0.01，目标误差10^?6），用CPO（模拟视觉/声音/气味防御与物理攻击及循环种群缩减）优化初始权重偏置；数据按70:10划分训练验证，另以80组做SPSS二元线性回归对照，并以重复五折交叉验证（5次重复共25折）对比GA-BP、PSO-BP、RF、SVR、XGBoost。

研究结果各节要点如下。

1. 2.
   未分级尾砂充填浆液基本理化性质：尾砂中位粒径12.1 μm，分选系数4.261，属超细级配不良；XRF显示主要成分为CaO、Al₂O₃、SiO₂、MgO，其中CaO/Al₂O₃/MgO具胶凝活性，SiO₂惰性利于沉降；胶结剂密度2.931 g·cm^?3。
2. 3.
   未分级尾砂充填浆液沉降收缩试验：3.1试验方案同前述。3.2收缩率定义为体积缩减与初体积比；数据显示前8 h重力沉降快，8–12 h斜率下降，12 h后69%与71%浓度（灰砂比1:4）趋稳，65%与67%继续缓增，24 h全部稳定。3.3特征与影响因素：同浓度下收缩率随灰砂比减小而增，低浓度增幅更剧；同灰砂比下收缩率随浓度增大而减，67%→69%降幅最显，69%→71%趋缓；浓度影响总体大于灰砂比。3.4二元线性回归（SPSS 26.0）得R²=0.800，DW=1.753，F=30.956，p<0.05；浓度项95%CI为[?0.762,?0.434]不含零，灰砂比项CI含零；VIF均为1.000，残差正态（Shapiro–Wilk W=0.893, p=0.062），无异方差（Breusch–Pagan LM=3.573, p=0.168）。
3. 4.
   基于CPO-BP的收缩率预测模型：4.1 CPO模拟冠层豪猪四种防御行为及种群循环缩减，克服BP初值敏感。4.2 80组数据（70训10验）建3-6-1网络，隐层6节点时训练MSE最小（2.8742×10^?6）；CPO-BP测试集MSE=3.0767×10^?6、MAE=1.4528×10^?3、R²=0.94946，优于BP（MSE=9.0044×10^?6，MAE=2.2779×10^?3，R²=0.85208）。4.3重复五折交叉验证中CPO-BP平均R²=0.9789±0.0142，优于GA-BP、PSO-BP、RF、SVR，与XGBoost（MSE=2.61×10^?6，R²=0.9885）精度相近但具平滑响应面，适于连续工艺优化。
4. 5.
   接顶充填方案优化：大冶铁矿采用分段空场嗣后充填，?180~?270 m中段矿房宽15 m、高90 m，现用65%浓度致东部矿房接顶率63.33%、西部<60%。试验表明65%浓度36 h终缩率6.75%~8.75%（灰砂比1:4~1:20），提至71%可降至3.875%~4.375%，但>71%自流性失效，<69%缩率仍高；推荐69–71%。CPO-BP预测该浓度区间较原65%方案缩率降2.375%~3.875%，收缩高度降1.78~2.91 m，接顶率>90%。

讨论与结论翻译：基于未分级尾砂充填浆液沉降收缩试验，研究人员分析了沉降收缩特征及影响因素，建立了CPO-BP神经网络预测模型，并对大冶铁矿管路间距进行了优化模拟。主要结论如下：（1）未分级尾砂充填浆液前8 h收缩率快速增大，8–12 h显著下降，12 h后69%与71%浓度浆液趋稳，65%与67%缓增，24 h后不变。（2）同浓度下收缩率随灰砂比减小而增（低浓度更显）；同灰砂比下随浓度增大而减；二元回归显示浓度影响显著大于灰砂比（R²=0.800）。（3）CPO-BP测试集MSE=3.0767×10^?6、MAE=1.4528×10^?3、R²=0.94946，显著优于传统BP；重复五折交叉验证平均R²=0.9789±0.0142，鲁棒性优于GA-BP、PSO-BP、RF、SVR，与XGBoost相当且响应面平滑，可有效预测未分级尾砂充填浆液收缩率。（4）浓度由65%提至69–71%可使收缩率降2.375%~3.875%，收缩高度降1.78~2.91 m，接顶率提至90%以上。（5）局限为仅80组单矿样三输入，未涵盖粒级分布与胶结剂类型等因子，且未进行独立重复试验与现场工业验证；后续需扩展数据库并开展现场校验。该文发表于《Applied Sciences》，为金属矿山接顶充填参数设计提供了实验—模型—优化闭环依据。