摘要：針對黃金礦山工程巖體特征，分析了巖石單軸抗壓強(qiáng)度、RQD值、節(jié)理結(jié)構(gòu)面狀態(tài)、節(jié)理結(jié)構(gòu)面間距、地下水狀態(tài)、節(jié)理結(jié)構(gòu)面方向?qū)こ逃绊懞偷貞?yīng)力值這7個主要因素對巖體穩(wěn)定性的影響，對7個指標(biāo)進(jìn)行修正，建立了地下礦山M-RMR巖體質(zhì)量評價指標(biāo)體系。采用M-RMR巖體質(zhì)量評價指標(biāo)體系劃分了焦家金礦直屬礦區(qū)、寺莊礦區(qū)和望兒山礦區(qū)工程巖體質(zhì)量等級，建立了焦家金礦地下礦山巖體質(zhì)量與其影響因素的神經(jīng)網(wǎng)絡(luò)知識庫模型，達(dá)到了焦家金礦工程巖體質(zhì)量智能分級的目的。為簡化M-RMR指標(biāo)體系中指標(biāo)數(shù)量，更利于實(shí)際應(yīng)用，采用變量投影重要性指標(biāo)VIP對7個指標(biāo)所攜帶信息量的大小進(jìn)行排序，并逐個刪除不重要的指標(biāo)，利用單因變量的偏最小二乘回歸方法（PLS1）建立了精簡指標(biāo)的簡化預(yù)測模型。簡化預(yù)測模型可使用較少的評價指標(biāo)對巖體質(zhì)量給出準(zhǔn)確的分級，具有實(shí)際使用價值。

關(guān)鍵詞：黃金礦山;巖體質(zhì)量分級；巖體穩(wěn)定性；神經(jīng)網(wǎng)絡(luò)；知識庫模型；簡化模型；偏最小二乘回歸方法

中圖分類號：TD31文章編號：1001-1277（2024）10-0047-07

文獻(xiàn)標(biāo)志碼：Adoi：10.11792/hj20241007

礦業(yè)工程黃金GOLD2024年第10期/第45卷

2024年第10期/第45卷黃金GOLD礦業(yè)工程

引言

巖體質(zhì)量是巖體所特有的屬性，對巖體的穩(wěn)定性、安全性起著決定性作用，而巖體質(zhì)量由巖體完整程度、巖石堅硬程度及所處環(huán)境等多因素決定［1］，因此巖體質(zhì)量分級是評價巖體穩(wěn)定性的基礎(chǔ)［2］。

早期巖體質(zhì)量分級方法有：巖體普氏硬度系數(shù)分類法、巖石單軸抗壓強(qiáng)度分類法、Lauffer分類法和RQD分級法等。但工程巖體復(fù)雜，所處地質(zhì)環(huán)境特殊，早期方法因只考慮一種因素很難反映出真實(shí)工程巖體的情況，國內(nèi)外工程巖體質(zhì)量評價與分級方法從單因素向多因素轉(zhuǎn)化［3-5］。目前，國內(nèi)外多因素巖體質(zhì)量分級方法主要有［6-8］：圍巖HC分類法、巖體質(zhì)量RMR分類法、巴頓巖體質(zhì)量Q系統(tǒng)分類法和巖體質(zhì)量BQ分級法等。圍巖HC分類法適用于中低應(yīng)力區(qū)，在高應(yīng)力區(qū)會因?qū)Φ貞?yīng)力考慮較為簡化，結(jié)果產(chǎn)生較大誤差［9-10］；巖體質(zhì)量RMR分類法重點(diǎn)考慮節(jié)理?xiàng)l件，主要為節(jié)理面寬度、節(jié)理面間距及節(jié)理面粗糙程度，但忽視了節(jié)理組數(shù)、地應(yīng)力等因素；巴頓巖體質(zhì)量Q系統(tǒng)分類法考慮了巖體中節(jié)理組數(shù)、節(jié)理面粗糙程度及節(jié)理面蝕變等因素，但只考慮巖體完整程度而忽視了巖塊強(qiáng)度及工程影響因素［11］；巖體質(zhì)量BQ分級法中分類巖體質(zhì)量的主要因素為巖石抗壓強(qiáng)度及巖體完整性，其最終結(jié)果對巖體抗壓強(qiáng)度過于敏感。

綜上所述，目前礦山尚沒有一套成熟的巖體質(zhì)量分級體系。因此，本文根據(jù)礦山巖體工程特征，具體分析了影響巖體穩(wěn)定性的因素，建立了一套新的安全評價體系，并根據(jù)現(xiàn)存的礦山巖體質(zhì)量分級研究成果，設(shè)計礦山邊坡工程巖體質(zhì)量分級的知識庫模型。同時，為更好地將評價體系運(yùn)用于實(shí)際工程中，采用了變量投影重要性指標(biāo)對各個指標(biāo)攜帶信息量的大小進(jìn)行排序，最終利用單因變量的偏最小二乘回歸方法（PLS1）成功建立了一套精簡指標(biāo)的簡化預(yù)測模型，為礦山安全生產(chǎn)提供了一套完善的、可行的評價體系。

1地下礦山工程巖體穩(wěn)定性影響因素

國內(nèi)外地下礦山工程巖體穩(wěn)定性研究表明，影響地下礦山工程巖體穩(wěn)定性的主要因素有地層巖體的巖石力學(xué)性質(zhì)，地下礦山巖體的地質(zhì)構(gòu)造、節(jié)理結(jié)構(gòu)面、地下水狀況和地應(yīng)力分布等。

地下礦山工程巖體的巖性存在較大差異，是影響巖體穩(wěn)定性的重要因素。根據(jù)地下礦山工程巖體的巖性及工程地質(zhì)特征，地下礦山工程巖體可劃分為硬巖和軟巖［12］。

地質(zhì)構(gòu)造控制著巖體的完整性KwrlOa5eCiO1SeCO+s/oNA==，褶皺比較明顯。地質(zhì)構(gòu)造比較活躍的巖層，巖體完整性差，穩(wěn)定性較差［13］。

節(jié)理結(jié)構(gòu)面遍布于地下工程巖體中，使巖體表現(xiàn)出不連續(xù)性和各向異性。巖體中節(jié)理結(jié)構(gòu)面愈發(fā)育，巖體完整性和穩(wěn)定性愈低［14］。

地下水是影響巖體穩(wěn)定性的重要因素，地下礦山水主要表現(xiàn)為靜水壓力和動水壓力，同時產(chǎn)生化學(xué)作用，沿節(jié)理結(jié)構(gòu)面滲透，使巖體軟化，影響地下礦山工程巖體穩(wěn)定性［15］。

地應(yīng)力是巖體質(zhì)量分級的重要影響因素，大量工程實(shí)踐表明，高應(yīng)力巖體中開挖可能出現(xiàn)應(yīng)力釋放與變形破壞，使巖體工程地質(zhì)條件復(fù)雜化，極高地應(yīng)力巖體中極易發(fā)生巖爆［16］。

2地下礦山M-RMR巖體質(zhì)量評價指標(biāo)體系

2.1地下礦山巖體質(zhì)量分級指標(biāo)確定

綜合調(diào)研國內(nèi)外巖體質(zhì)量分級理論與方法，結(jié)合地下礦山工程實(shí)際，選取RMR（Rock Mass Rating，RMR）法為地下礦山巖體質(zhì)量評價指標(biāo)體系的基礎(chǔ)理論。根據(jù)地下礦山工程巖體穩(wěn)定性影響因素，選取7個重要指標(biāo)，結(jié)合實(shí)際情況對相關(guān)評價指標(biāo)進(jìn)行修正，建立M-RMR（Modification-Rock Mass Rating，M-RMR）巖體質(zhì)量分類體系，并引入R1～R7依次對應(yīng)具體的7個因素：巖石單軸抗壓強(qiáng)度值、RQD值、節(jié)理結(jié)構(gòu)面間距、節(jié)理結(jié)構(gòu)面狀態(tài)、節(jié)理結(jié)構(gòu)面方向?qū)こ逃绊憽⒌叵滤疇顟B(tài)和地應(yīng)力值。

2.2地下礦山巖體質(zhì)量分類指標(biāo)修正

1）巖石單軸抗壓強(qiáng)度值（R1）修正。RMR分類過程中，將巖石單軸抗壓強(qiáng)度劃分7個區(qū)間，賦予不同評分值，會造成評分值的“跳躍”，使104 MPa與106 MPa的巖石評分值差異非常大，同時出現(xiàn)106 MPa與174 MPa的巖石評分值相同。為了避免這種情況所導(dǎo)致的不準(zhǔn)確結(jié)果，對評分值進(jìn)行了指標(biāo)修正，依據(jù)巖石的單軸抗壓強(qiáng)度進(jìn)行評分賦值。將抗壓強(qiáng)度等級為1，15，25，55，75，105，175，255 MPa分別賦評分值為4，6，8，10，12，14，17，20，將該數(shù)據(jù)進(jìn)行擬合，得到評價指標(biāo)值與巖石單軸抗壓強(qiáng)度指標(biāo)的連續(xù)性方程為：

R1=0.060 5σucs+6.037 5（1）

式中：σucs為巖石單軸抗壓強(qiáng)度（MPa）。

2）RQD值（R2）修正。RMR巖體質(zhì)量分類法同樣會對于RQD值評分造成“跳躍”和“突變”，為避免這種情況導(dǎo)致的不準(zhǔn)確結(jié)果，對評分值進(jìn)行指標(biāo)修正。將巖體質(zhì)量指標(biāo)RQD值等級100 %、90 %、80 %、70 %、60 %、50 %、30 %、20 %、0 %，賦評分值分別為20，19，15，12，10，8，5，3，1，進(jìn)行回歸分析，得到巖體質(zhì)量RQD評分值（R2）與其RQD值的連續(xù)性方程為：

R2=19.876 8IRQD－0.709 4（2）

式中：IRQD為巖體質(zhì)量指標(biāo)RQD值。

3）節(jié)理結(jié)構(gòu)面間距（R3）修正。將節(jié)理結(jié)構(gòu)面間距指標(biāo)2.0，1.2，0.7，0.4，0.2，0.1，0.08，0.05，0.03 m分別賦評分值為20，18，15，12，10，9，7，5，3，通過回歸擬合，得到巖體節(jié)理結(jié)構(gòu)面間距評分值R3與其節(jié)理結(jié)構(gòu)面間距的連續(xù)性方程為：

R3=3.912 4ln J+16.798 0（3）

式中：J為巖體節(jié)理結(jié)構(gòu)面間距（m）。

4）地應(yīng)力值（R7）修正。地應(yīng)力可分為極高、高和低3個等級。設(shè)巖石抗壓強(qiáng)度值Rc和最大主應(yīng)力σmax的比值為Z；當(dāng)Z≤4，界定為極高應(yīng)力；當(dāng)4<Z<7，界定為高應(yīng)力；Z≥7，界定為低應(yīng)力;3個區(qū)間分別賦評分值-15，-10，0。Z值分別為1.5，2.5，3.5，4.5，5.5，6.5，7.0時，評分值R7分別為20，16，12，10，8，6，2。進(jìn)行回歸擬合，得到地應(yīng)力評分修正值R7與Z的連續(xù)性方程為：

R7=－2.923 5Z+23.518 4（4）

5）節(jié)理結(jié)構(gòu)面狀態(tài)（R4）、節(jié)理結(jié)構(gòu)面方向?qū)こ逃绊懀≧5）、地下水狀態(tài)（R6）的賦值。節(jié)理結(jié)構(gòu)面狀態(tài)按好、較好、中等、較差、差分別賦值10，8，6，4，2；節(jié)理結(jié)構(gòu)面方向?qū)こ逃绊懓捶浅Ｓ欣?、有利、一般、不利、非常不利分別賦值0，-3，-5，-9，-10；地下水狀態(tài)按滲水、滴水、非常潮濕、潮濕、較潮濕、干燥分別賦值1，3，5，7，9，10。

6）巖體質(zhì)量分級確定。最終得到巖體質(zhì)量評分值在［0，100］。定義巖體質(zhì)量評分值在（80，100］的為A級；評分值在（60，80］的為B級；評分值在（40，60］的為C級；評分值在（20，40］的為D級；評分值在［0，20］的為E級。其中，A級的巖體穩(wěn)定性最佳，E級最差。

3焦家金礦工程巖體質(zhì)量分級

焦家金礦寺莊礦區(qū)礦體全長1 280 m，局部呈不規(guī)則透鏡狀，直屬礦區(qū)目前已開采至-570 m水平，對焦家金礦寺莊礦區(qū)、直屬礦區(qū)和望兒山礦區(qū)巖體進(jìn)行工程地質(zhì)調(diào)查，各勘探線M-RMR評分結(jié)果見表1。

通過對焦家金礦寺莊礦區(qū)、直屬礦區(qū)及望兒山礦區(qū)3個礦區(qū)的地質(zhì)調(diào)查，并結(jié)合M-RMR評價體系，對調(diào)查得到的各項(xiàng)指標(biāo)數(shù)據(jù)進(jìn)行量化。由表1可知：焦家金礦的礦體并沒有發(fā)現(xiàn)A級巖體和E級巖體，即不存在特別穩(wěn)定的巖石和特別不穩(wěn)定的巖石。其中，寺莊礦區(qū)巖體質(zhì)量大部分處在C級，少部分B級和D級；而直屬礦區(qū)和望兒山礦區(qū)大部分巖體質(zhì)量處在D級，僅少部分C級且沒8+jgUUhAUl2bWoTuQahG5g==有出現(xiàn)B級。因此，寺莊礦區(qū)巖體質(zhì)量整體要強(qiáng)于其他2個礦區(qū)，穩(wěn)定性更好。

4焦家金礦巖體質(zhì)量智能分級神經(jīng)網(wǎng)絡(luò)知識庫

人工神經(jīng)網(wǎng)絡(luò)的研究原理是對人腦基本特性的抽象和模擬，具有分布式信息存儲和學(xué)習(xí)功能［17］。神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程是一種從輸入空間到輸出空間的映射函數(shù)形成過程，這個映射函數(shù)的建立成為智能分級神經(jīng)網(wǎng)絡(luò)知識庫的基礎(chǔ)。因此，可采用神經(jīng)網(wǎng)絡(luò)連接巖體質(zhì)量智能分級和影響因素的知識庫模型實(shí)現(xiàn)焦家金礦巖體智能分級。

在回歸分析中，變量之間的多重相關(guān)性可能會導(dǎo)致經(jīng)典的最小二乘法（CLS）失效，破壞參數(shù)估計，擴(kuò)大模型誤差，并使模型喪失穩(wěn)健性。此時若強(qiáng)行對這樣的數(shù)據(jù)進(jìn)行最小二乘回歸建模，回歸系數(shù)將很難解釋，甚至出現(xiàn)與事實(shí)相反的現(xiàn)象。偏最小二乘回歸的提出［18-19］很好地解決了這一問題，與傳統(tǒng)的多元線性回歸相比，偏最小二乘回歸具有以下特點(diǎn)：①能夠在自變量間存在多重相關(guān)性的條件下進(jìn)行回歸建模；②允許在樣本數(shù)量很少的情況下進(jìn)行回歸；③更易于識別系統(tǒng)信息與噪聲；④每一個自變量的回歸系數(shù)將更容易解釋，因此建立的模型更有實(shí)際意義。本文的問題屬于多自變量單一因變量的最小二乘問題，一般記作PLS1模型，PLS1模型的算法見文獻(xiàn)［20］。

4.1巖體質(zhì)量智能分級神經(jīng)網(wǎng)絡(luò)模型建立

1）需輸入指標(biāo)。以M-RMR法為基礎(chǔ)，將上述修正后的指標(biāo)R1～R7分別輸入神經(jīng)網(wǎng)絡(luò)中，得到7個神經(jīng)元。

2）最終輸出指標(biāo)。輸出指標(biāo)為巖體質(zhì)量M-RMR評分值，輸出1神經(jīng)元。

3）樣本來源。用焦家金礦直屬礦區(qū)、寺莊礦區(qū)和望兒山礦區(qū)巖體質(zhì)量分級數(shù)據(jù)（見表1）［21-23］，建立焦家金礦巖體智能分級神經(jīng)網(wǎng)絡(luò)知識庫模型。

4）學(xué)習(xí)樣本歸一化處理。由神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)原理所致，要求對樣本進(jìn)行歸一化處理。歸一化處理后得到的焦家金礦巖體質(zhì)量分級知識庫模型樣本見表2。

5）學(xué)習(xí)速率。根據(jù)神經(jīng)網(wǎng)絡(luò)相關(guān)研究經(jīng)驗(yàn)，設(shè)置學(xué)習(xí)速率為0.001。

6）期望誤差。選取神經(jīng)網(wǎng)絡(luò)訓(xùn)練期望平均誤差為0.001。用隱單元數(shù)分別為8～17進(jìn)行試算，通過試算得到，當(dāng)隱單元數(shù)為15時，網(wǎng)絡(luò)誤差最小。

7）神經(jīng)網(wǎng)絡(luò)訓(xùn)練。神經(jīng)網(wǎng)絡(luò)訓(xùn)練相關(guān)參數(shù)設(shè)置完成后，開始對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。訓(xùn)練表2中1～32號數(shù)據(jù)為訓(xùn)練數(shù)據(jù)，33～36號數(shù)據(jù)作為檢驗(yàn)數(shù)據(jù)，不參與神經(jīng)網(wǎng)絡(luò)建模。使用Matlab程序訓(xùn)練數(shù)據(jù)8 000次后得到誤差曲線（見圖1）。將33～36號數(shù)據(jù)輸入模型進(jìn)行驗(yàn)算，得到表2后幾欄數(shù)據(jù)。通過計算，4組數(shù)據(jù)的誤差率分別為5.44 %、3.89 %、3.54 %和1.79 %，誤差率較低，證明該模型具有良好的精確度。

4.2基于PLS1的簡化預(yù)測模型

根據(jù)表1的數(shù)據(jù)建立PLS1簡化模型，在實(shí)施偏最小二乘之前，對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，并計算得到變量間的相關(guān)系數(shù)（見表3）。由表3可知：自變量之間存在明顯的多重相關(guān)性，因此傳統(tǒng)的最小二乘法不適合。M-RMR指標(biāo)體系中變量之間的多重相關(guān)性是正常的，例如：抗拉強(qiáng)度與地應(yīng)力具有組合與巖體的破碎程度有直接關(guān)系，影響節(jié)理間距和RQD值指標(biāo)，表現(xiàn)為R1、R2、R3和R7之間的相關(guān)系數(shù)較大。利用PLS1模型可以很好地解決這個問題。

本文建立簡化的PLS1模型時，首先根據(jù)M-RMR指標(biāo)體系的重要程度對7個評價指標(biāo)進(jìn)行排序；

然后依據(jù)不重要程度依次減少變量，重新進(jìn)行回歸，達(dá)到減少變量精簡模型的目的。變量投影重要性指標(biāo)［24-25］在本文中用于自變量的重要性排序，VIP值越大，代表自變量解釋因變量的作用越大，VIP值大于1的自變量可以認(rèn)為是對因變量非常重要，不可忽略。值得注意的是，VIP值代表該變量攜帶信息量的大小，而并不是指自變量自身對巖體質(zhì)量的重要程度，用全部的7個自變量進(jìn)行偏最小二乘回歸，計算得VIP值，見表4。

由表4可知：按照變量攜帶信息量的重要程度排名為R1>R4>R5>R2>R6>R7>R3。其中，R1、R4、R5和R2的VIP值都超過1，可以認(rèn)為是不可忽略變量。依照重要程度逆序排名，依次從模型中刪除R3、R6和R7變量，分別進(jìn)行最小二乘回歸，回歸系數(shù)見表5，回歸模型的預(yù)測值與實(shí)際值的對比見圖2。

由表5和圖2可知：利用PLS1建立的簡化模型仍然保留著很好的預(yù)測能力，其中只刪去R3和R7的M2模型效果最好，沒有出現(xiàn)巖體質(zhì)量分級誤判的現(xiàn)象，但是卻可以減少2個變量數(shù)據(jù)的觀測。M3～M5模型都出現(xiàn)了一定的巖體質(zhì)量分級誤判，并且隨著考慮的變量個數(shù)的減少，預(yù)測誤差增大，但是由于這些模型考慮的變量少，大大減小實(shí)際觀測的工作量。例如：M5模型甚至可以通過R1和R4這2個變量的觀測就可對82.5 %的樣本進(jìn)行正確的巖體質(zhì)量分級，作為工程估計來說具有巨大的便利。

5結(jié)論

1）通過歸納國內(nèi)外巖體質(zhì)量分級方法，并結(jié)合實(shí)際考慮地下礦山的地應(yīng)力、地下水、節(jié)理性質(zhì)等對巖體質(zhì)量的影響，設(shè)計適用于地下礦山巖體穩(wěn)定性評價因素的修正方法，以RMR法為基礎(chǔ)建立了M-RMR巖體質(zhì)量評價指標(biāo)體系。

2）對焦家金礦直屬礦區(qū)、寺莊礦區(qū)和望兒山礦區(qū)巖體進(jìn)行工程地質(zhì)調(diào)查，以此數(shù)據(jù)為基礎(chǔ)采用M-RMR巖體質(zhì)量評價指標(biāo)體系對焦家金礦礦區(qū)巖體質(zhì)量進(jìn)行科學(xué)劃分，對焦家金礦實(shí)際開采提供科學(xué)指導(dǎo)。

3）根據(jù)神經(jīng)網(wǎng)絡(luò)擁有較強(qiáng)的學(xué)習(xí)能力、能對大規(guī)模數(shù)據(jù)進(jìn)行處理及對分布式信息存儲等優(yōu)勢，以焦家金礦直屬礦區(qū)、寺莊礦區(qū)和望兒山礦區(qū)工程巖體質(zhì)量數(shù)據(jù)為基礎(chǔ)，建立了神經(jīng)網(wǎng)絡(luò)知識庫模型，達(dá)到了對焦家金礦地下巖體質(zhì)量智能分級的目的。

4）利用偏最小二乘法適合處理變量間的多重相關(guān)性的特點(diǎn)，逐個刪除相對不重要的評價指標(biāo)，實(shí)現(xiàn)了利用很少的評價指標(biāo)預(yù)測巖體質(zhì)量分級的簡化回歸模型，簡化模型在工程估計及數(shù)據(jù)難以采集的情況下更具實(shí)用價值。

［參 考 文 獻(xiàn)］

［1］GHOSH R，DANIELSSON M，GUSTAFSON A，et al.Asessment of rock mass quality using drill monitoring technique for hydraulic ITH drills［J］.International Journal of Mining and Mineral Engineering，2017，8（3）：169-186.

［2］TUMAC D，HOJJATI S.Predicting performance of impact hammers from rock quality designation and compressive strength properties in various rock masses［J］.Tunnelling and Underground Space Technology，2016，59（Complete）：38-47.

［3］WANG Y P.Fuzzy identification method for rock mass quality classification［J］.International Journal of Earth Sciences and Engineering，2015，8（5）：2 446-2 449.

［4］王培濤，馬馳，劉智超，等.基于立體成像技術(shù)的礦山巖體質(zhì)量快速分級方法研究［J］.黃金，2022，43（3）：27-32，39.

［5］劉明淳，蔣加森，姜海濤，等.基于PCA-EWM-TOPSIS耦合算法的地下開采礦山巖體質(zhì)量分級［J］.黃金，2022，43（6）：27-31.

［6］ELCI H，TURK N.Rock mass block quality designation for marble production［J］.International Journal of Rock Mechanics and Mining Sciences，2014（69）：26-30.

［7］RANASOORIYA J，NIKRAZ H.Reliability of the linear correlation of rock mass rating （RMR） and tunnelling quality index （Q）［J］.Australian Geomechanics Journal，2009，44（2）：47-54.

［8］BASILE C，LONCKE L，GAULLIER V，et al.Slope instabilities from echo-character mapping along the French Guiana transform margin and demerara abyssal plain［J］.Marine and Petroleum Geology，2009，26（5）：711-723.

［9］任文明，胡謀鵬.巖體質(zhì)量分級Q系統(tǒng)在某地下儲油洞庫設(shè)計中的應(yīng)用［J］.隧道建設(shè)（中英文），2013，33（8）：674-678.

［10］王吉亮，郝文忠，黃孝泉，等.烏東德水電站特高拱壩施工期壩基巖體質(zhì)量工程地質(zhì)評價［J］.吉林大學(xué)學(xué)報（地球科學(xué)版），2018，48（5）：1 566-1 573.

［11］陳順滿，吳愛祥，王貽明，等.基于粗糙集和改進(jìn)功效系數(shù)法的巖體質(zhì)量評價［J］.華中科技大學(xué)學(xué)報（自然科學(xué)版），2018，46（7）：36-41.

［12］LIU Z X，DANG W G.Rock quality classification and stability eva-luation of undersea deposit based on M-IRMR［J］.Tunnelling and Underground Space Technolog9237a0b1122572d1b466f7f5a7a99668y，2014（40）：95-101.

［13］GHANBARI Y，RAMAZI H，PAZAND K，et al.Investigation of rock quality of Shirinrud dam site by engineering seismology［J］.Arabian Journal of Geosciences，2013，6（1）：177-185.

［14］ASSIM A J，ZHANG Y X.Most used rock mass classifications for underground opening［J］.American Journal of Engineering and Applied Sciences，2010，3（2）：403-411.

［15］GUPTA M C，SINGH B K，SINGH K N.Engineering geological rock mass classification of Punasa tunnel site，Khandwa District，Madhya Pradesh［J］.Journal of the Geological Society of India，2011，77（3）：269-272.

［16］嚴(yán)鵬，陳拓，盧文波，等.巖爆動力學(xué)機(jī)理及其控制研究進(jìn)展［J］.武漢大學(xué)學(xué)報，2018，51（1）：1-14.

［17］劉志祥，李夕兵.尾砂分形級配與膠結(jié)強(qiáng)度的知識庫研究［J］.巖石力學(xué)與工程學(xué)報，2005，24（10）：1 789-1 793.

［18］HOLLMANN W.Causal flows with latent variables：Partings of the ways in light of NIPALS modelling［J］.European Economic Review，1974，5（1）：67-86.

［19］HOLLMANN W.Systems analysis by partial least squares［J］.Measuring the Unmeasurable，1985：221-251.

［20］HAALAND D M，THOMAS E V.Partial least-squares methods for spectral analyses.1.Relation to other quantitative calibration methods and the extraction of qualitative information［J］.Analytical Chemistry，1988，60（11）：1 193-1 202.

［21］TUGRUL A.The application of rock mass classification systems to underground excavation in weak limestone，Ataturk Dam，Turkey［J］.Engineering Geology，1998，50（3/4）：337-345.

［22］FERRERO A M，MIGLIAZZA M，RONCELLA R，et al.Rock slopes risk assessment based on advanced geostructural survey techniques［J］.Landslides，2011，8（2）：221-231.

［23］李輝，季惠彬，晏鄂川，等.地下水封洞庫巖體質(zhì)量可拓評價［J］.長江科學(xué)院院報，2011，28（8）：55-58.

［24］CHONG I G，JUN C H.Performance of some variable selection methods when multicollinearity is present［J］.Chemometrics and Intelligent Laboratory Systems，2005，78（1/2）：103-112.

［25］郗鵬程，王金鎖.基于模糊綜合評判的巖體質(zhì)量分級研究［J］.建材技術(shù)與應(yīng)用，2023（3）：1-6.

Knowledge base for gold deposit rock mass quality grading

and PLS simplified prediction model

Li Shuqiang1，Liu Zhixiang2，Liu Weijun2

（1.Chifeng Chaihulanzi Gold Mining Co.，Ltd.;

2.School of Resources and Safety Engineering，Central South University）

Abstract：This study addresses the characteristics of rock masses in gold mine engineering，analyzing 7 key factors affecting rock mass stability：rock uniaxial compressive strength，RQD value，joint structural face conditions，joint structural face spacing，groundwater conditions，effect of joint structural face orientation on engineering，and in-situ stress value.These 7 indicators were adjusted to establish the rock mass quality M-RMR safety evaluation system.Using the M-RMR system，the engineering rock mass quality grades were classified for the Jiaojia Gold Mine，s directly managed mining area，Sizhuang mining area，and Wang，ershan mining area.Furthermore，a neural network knowledge base model was developed to correlate the underground rock mass quality at Jiaojia Gold Mine with its influencing factors，achieving intelligent grading of the rock mass quality for engineering purposes.To simplify the M-RMR indicator system for easier practical application，variable importance projection （VIP） was used to rank the information carried by the 7 indicators，allowing the removal of unimportant variables one by one.The simplified prediction model was built using partial least squares regression of single dependent variables （PLS1）.This simplified model can accurately grade rock mass quality using fewer evaluation indicators，demonstrating practical application value.

Keywords：gold mine;rock mass quality grading;rock mass stability;neural network;knowledge base model;simplified model;partial least squares regression