地下金屬礦山采礦成本預(yù)測模型

李國清 吳炳書 侯 杰 王 浩 王進(jìn)強(qiáng) 陳連韞,2 范純超,2

(1.北京科技大學(xué)土木與資源工程學(xué)院,北京 100083;2.山東黃金集團(tuán)有限公司,山東 濟(jì)南 250102)

在礦山的運(yùn)營管控過程中,通過降本增效來提升礦山企業(yè)的經(jīng)濟(jì)效益已經(jīng)普遍認(rèn)為是提升企業(yè)核心競爭力的重要途徑,因而對(duì)礦山的生產(chǎn)成本,尤其是直接作業(yè)成本加以精細(xì)化管控日益受到重視。其中,科學(xué)預(yù)測生產(chǎn)成本是加強(qiáng)企業(yè)成本管理的基礎(chǔ)工作。通過對(duì)企業(yè)生產(chǎn)要素的全面分析,利用科學(xué)手段預(yù)測未來一段時(shí)期的成本水平,可以有效提升成本管理的精細(xì)化程度,加強(qiáng)生產(chǎn)成本管控的針對(duì)性,進(jìn)而全面提高企業(yè)成本的控制效果。對(duì)于現(xiàn)代礦山企業(yè)而言,智能化、機(jī)械化裝備逐漸取代人工成為主要生產(chǎn)力,直接影響了企業(yè)的生產(chǎn)組織形式、開采方式和管理模式[1],也促使礦山開采成本構(gòu)成方式發(fā)生了改變。在日益復(fù)雜的生產(chǎn)成本要素和工況條件共同作用下,如何科學(xué)有效地預(yù)測采礦成本,提高成本計(jì)劃管理水平成為我國礦山企業(yè)亟待解決的問題。

目前,礦山企業(yè)生產(chǎn)成本預(yù)測的基本方法,均是以大量的歷史成本數(shù)據(jù)為支撐來構(gòu)建成本預(yù)測數(shù)學(xué)模型,根據(jù)這一思路國內(nèi)外相關(guān)領(lǐng)域的學(xué)者進(jìn)行了深入研究,取得了一定的進(jìn)展。杜宇翔等[2]充分利用礦山歷史數(shù)據(jù),將數(shù)據(jù)進(jìn)行精細(xì)化分類,結(jié)合人工經(jīng)驗(yàn)對(duì)采礦成本進(jìn)行了估算。朱朦[3]和HOSSAIN[4]研究發(fā)現(xiàn)考慮成本影響因素有助于掌握礦山成本的動(dòng)態(tài)變化規(guī)律,可進(jìn)一步提高成本預(yù)測效果。隨著數(shù)據(jù)挖掘、人工智能技術(shù)的發(fā)展,智能算法和模型在采礦成本預(yù)測方面取得了顯著的應(yīng)用效果。NOURALI[5]等基于支持向量回歸算法構(gòu)建了礦業(yè)成本估算模型。何沙等[6]通過改進(jìn)灰色預(yù)測GM(1,1)模型實(shí)現(xiàn)了對(duì)油田鉆井成本的高精度預(yù)測。蔡振禹等[7]基于粗集和支持向量機(jī)模型對(duì)煤炭企業(yè)的生產(chǎn)成本進(jìn)行了預(yù)測,取得了理想效果。

綜合已有研究總結(jié)得出,目前業(yè)內(nèi)對(duì)于采礦成本預(yù)測問題已形成了一套體系完整的研究思路,然而這些預(yù)測模型基本搭建于傳統(tǒng)的制造成本核算方法框架下,在進(jìn)行成本分類、構(gòu)成分析與成本要素確定時(shí)沒有將機(jī)械裝備作為作業(yè)成本的主體發(fā)生單元。而隨著現(xiàn)代礦山開采技術(shù)手段和開采模式的轉(zhuǎn)變,成本要素的重心發(fā)生轉(zhuǎn)移,相應(yīng)的成本影響因素也需要根據(jù)新的開采特征進(jìn)行及時(shí)調(diào)整,進(jìn)而實(shí)現(xiàn)礦山開采成本的動(dòng)態(tài)預(yù)測。本研究以山東某地下金屬礦山為例,運(yùn)用作業(yè)成本法精確核算礦山各采場單元的采礦成本,全面分析成本影響要素,構(gòu)建基于神經(jīng)網(wǎng)絡(luò)的影響因素-單位采礦成本預(yù)測模型,并利用大量歷史數(shù)據(jù)進(jìn)行模型訓(xùn)練,通過實(shí)例應(yīng)用驗(yàn)證預(yù)測模型的科學(xué)有效性。

1 現(xiàn)代礦山采礦成本分析

1.1 現(xiàn)代礦山開采特征

現(xiàn)代礦山開采具有機(jī)械化程度高、開采工序多且復(fù)雜、資源開發(fā)轉(zhuǎn)向深部等特點(diǎn),這也導(dǎo)致了采礦綜合成本費(fèi)用增高、成本構(gòu)成發(fā)生變化。同時(shí),隨著開采深度不斷加深、礦塊不斷增加,各采場單元工況條件差異也逐漸變大,這為采礦成本預(yù)測帶來了極大難度。

(1)機(jī)械化設(shè)備取代人工作業(yè)。隨著礦山機(jī)械化水平不斷提高,大型化設(shè)備逐步取代傳統(tǒng)以人為主導(dǎo)的開采方式,生產(chǎn)效率得到顯著提高。與此同時(shí),引進(jìn)大型化設(shè)備所投入的高額成本費(fèi)用,成為了企業(yè)開采成本支出的重要部分[8]。因此,在對(duì)企業(yè)制定成本計(jì)劃時(shí),應(yīng)充分考慮大型設(shè)備的成本折舊費(fèi)用及維修費(fèi)用。

(2)采礦作業(yè)工序多、流程長。金屬礦山礦塊開采周期較長,涉及鑿巖、爆破、支護(hù)、鏟運(yùn)等多個(gè)工序。同時(shí),各工序生產(chǎn)過程所耗費(fèi)的主輔材料種類繁多,成本構(gòu)成復(fù)雜,這也導(dǎo)致了采場成本核算的工作量增大。

(3)資源開發(fā)轉(zhuǎn)向深部。地下金屬礦山逐漸向深部開采過渡,對(duì)深部采場制定成本計(jì)劃時(shí),需要全面考慮深部開采帶來的成本變化。在井下高溫環(huán)境下作業(yè),大幅降低了工人和設(shè)備的作業(yè)效率。同時(shí),深井開采增加了提升、排水等輔助作業(yè)的難度,使得成本費(fèi)用相應(yīng)增加[9]。

(4)開采單元工況條件差異大。由于礦山行業(yè)的特殊性,礦塊之間的開采方式、地質(zhì)狀況、溫度環(huán)境等工況條件存在較大差異。以環(huán)境溫度為例,相比于高溫環(huán)境,在溫度適宜的采場作業(yè)時(shí),工人和設(shè)備的效率更高,單位時(shí)間的采礦作業(yè)成本費(fèi)用相應(yīng)降低[10]。因此在成本預(yù)測時(shí),企業(yè)需要充分考慮各采場工況條件的差異,不斷提高成本計(jì)劃制定的靈活度和可靠度。

1.2 采礦成本構(gòu)成

采場是礦山成本核算的基礎(chǔ)單元,圍繞采場開采的核心工序包括鉆孔鑿巖、爆破落礦、鏟運(yùn)至分段溜井(圖1),各工序產(chǎn)生的成本費(fèi)用總和即為采礦作業(yè)成本。

圖1 采礦作業(yè)核心工序Fig.1 Core process of mining operation

采礦成本費(fèi)用種類多且分類復(fù)雜,按照作業(yè)類型可以分為3類:①核心作業(yè)的人工、材料、燃油動(dòng)力等直接成本;②車間管理中設(shè)備折舊、維修等制造費(fèi)用;③通風(fēng)、排水、供電等輔助生產(chǎn)作業(yè)的成本費(fèi)用。具體成本費(fèi)用構(gòu)成見表1。

表1 采礦成本構(gòu)成Table 1 Mining cost components

1.3 采礦成本分?jǐn)偡椒?/h3>

在現(xiàn)代礦山企業(yè)的成本支出中,設(shè)備折舊和維修等間接費(fèi)用比例日益提高,該部分費(fèi)用在核算時(shí),一般按照車間部門歸集,再以平均分配的方式分?jǐn)偟礁鞑蓤?會(huì)造成成本核算存在一定偏差,無法實(shí)現(xiàn)間接費(fèi)用的準(zhǔn)確分?jǐn)?。為了將采礦作業(yè)成本費(fèi)用科學(xué)合理地分?jǐn)傊粮鞑蓤?本研究運(yùn)用作業(yè)成本法,根據(jù)資源動(dòng)因?qū)①Y源消耗成本費(fèi)用歸集至各項(xiàng)作業(yè)中心,并以作業(yè)動(dòng)因?yàn)樵瓌t將各項(xiàng)作業(yè)費(fèi)用分?jǐn)傊粮鏖_采單元,實(shí)現(xiàn)成本費(fèi)用的逐級(jí)精準(zhǔn)分配[11],具體步驟如圖2所示。

圖2 采礦成本分?jǐn)偡椒‵ig.2 Assignment method of mining cost

2 采礦成本影響因素分析

為進(jìn)一步掌握成本變化規(guī)律、精確預(yù)測單位采礦作業(yè)成本,需要進(jìn)一步考慮復(fù)雜工況條件對(duì)作業(yè)成本的影響。通過對(duì)單位采礦作業(yè)成本影響因素的分析,將影響因素主要分為3類,如圖3所示。

圖3 采礦成本影響因素Fig.3 Impact factors of mining cost

(1)環(huán)境因素。影響地下金屬礦山采礦成本的環(huán)境因素包括采場空間、礦塊平均運(yùn)距、采場溫度、深度等[12]。以采場深度為例,隨著開采深度的增加,排水等輔助作業(yè)難度加大,直接反映就是增加電費(fèi)成本;而采場斷面積大小、平均運(yùn)距(采場單元與階段溜井的距離)、溫度等因素分別對(duì)設(shè)備限制、出礦效率、工作效率等造成一定的影響。

(2)人工因素。經(jīng)驗(yàn)和效率是反映工人勞動(dòng)狀況的重要指標(biāo)。工人效率體現(xiàn)在生產(chǎn)能力、設(shè)備操作能力等方面,可采用平均每班作業(yè)量來衡量工人工作效率。同時(shí),工人經(jīng)驗(yàn)體現(xiàn)在對(duì)作業(yè)的熟練程度、環(huán)境適應(yīng)能力等方面,可通過工人工齡來體現(xiàn)工人的工作經(jīng)驗(yàn)。

(3)設(shè)備因素。每臺(tái)設(shè)備的作業(yè)能力和材料消耗水平差異,也會(huì)給開采成本帶來影響[13]。分析過程中,使用鏟運(yùn)效率和設(shè)備服務(wù)年限2個(gè)指標(biāo)來反映設(shè)備的作業(yè)能力。同時(shí),設(shè)備的材料消耗水平可根據(jù)設(shè)備的歷史燃油(為采礦設(shè)備提供動(dòng)力的燃料,一般指柴油)消耗率和油料(對(duì)設(shè)備、零部件等起到潤滑減磨、輔助冷卻、防銹腐蝕等功能,一般指機(jī)油)消耗率來體現(xiàn)。

3 基于PCA-BP神經(jīng)網(wǎng)絡(luò)的成本預(yù)測模型

3.1 模型構(gòu)建思路

為了預(yù)測單位采礦作業(yè)成本,以采礦成本的影響因素指標(biāo)為預(yù)測變量,采用主成分分析(Principal Component Analysis,PCA)與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法構(gòu)建成本預(yù)測模型,模型預(yù)測流程如圖4所示。

圖4 基于PCA-BP神經(jīng)網(wǎng)絡(luò)的成本預(yù)測流程Fig.4 Flow of cost prediction based on PCA-BP neural network

(1)標(biāo)準(zhǔn)化處理。采礦成本影響因素指標(biāo)的單位不同,同時(shí)各因素的數(shù)值差異大,為避免量綱不一致和數(shù)值差異對(duì)采礦成本分析的影響,需對(duì)采礦成本影響因素的數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。

(2)降低維度,提取主成分。采礦作業(yè)成本各影響因素之間有一定的信息重疊,增加了研究的復(fù)雜性。在分析過程中,在保證原有信息基本不變的前提下,通過提取主成分降低維度,描述具有關(guān)聯(lián)性的多個(gè)變量。用主成分代替成本影響因素的指標(biāo)變量,進(jìn)行下一步的數(shù)據(jù)分析[14]。

(3)構(gòu)建預(yù)測模型。運(yùn)用PCA-BP神經(jīng)網(wǎng)絡(luò)構(gòu)建成本影響因素和采礦成本之間的多維函數(shù)映射關(guān)系模型[15]。

(4)樣本訓(xùn)練。運(yùn)用大量的樣本數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練,找到適合采礦作業(yè)成本預(yù)測的參數(shù)[16]。

(5)成本預(yù)測。將待預(yù)測采場的影響因素指標(biāo)值作為輸入條件,經(jīng)預(yù)測模型運(yùn)算后得到該采場的開采成本預(yù)測值。

3.2 預(yù)測模型構(gòu)建

3.2.1 主成分分析

3.2.1.1 構(gòu)建相關(guān)系數(shù)矩陣

將m個(gè)采礦成本影響因素(X1,X2,…,Xm)的原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理,建立的采礦成本影響因素的相關(guān)性矩陣R為

式中,rij為成本影響因素Xi與Xj之間的相關(guān)系數(shù),且rij=rji(i,j=1,2,…,m)。

結(jié)合相關(guān)性矩陣R,可以看出各采礦成本影響因素之間是否存在一定的相關(guān)性,若存在明顯的相關(guān)性,則需要對(duì)影響因素進(jìn)行降維。

3.2.1.2 提取影響因素的主成分

求解出相關(guān)系數(shù)矩陣的特征值按順序排列為λ1≥λ2≥…≥λm≥0。計(jì)算各特征值λi對(duì)應(yīng)的貢獻(xiàn)率bi(i=1,2,…,m),統(tǒng)計(jì)累計(jì)貢獻(xiàn)率ap,

當(dāng)累計(jì)貢獻(xiàn)率ap達(dá)到85%時(shí),選擇特征值λ1,λ2,…,λp對(duì)應(yīng)的特征向量u1,u2,…,up構(gòu)建主成分矩陣

3.2.1.3 計(jì)算影響因素主成分的綜合得分

從采礦成本影響因素提取出了p個(gè)(y1,y2,…,yp)主成分,并計(jì)算其綜合得分,公式為

3.2.2 BP神經(jīng)網(wǎng)絡(luò)構(gòu)建

將所提取的主成分作為預(yù)測變量,構(gòu)建BP神經(jīng)網(wǎng)絡(luò),具體步驟如下:

(1)確定輸入、輸出、隱含層神經(jīng)元個(gè)數(shù)。用提取的主成分作為神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元,個(gè)數(shù)為p。單位采礦成本作為輸出層神經(jīng)元,個(gè)數(shù)為1。隱含層神經(jīng)元個(gè)數(shù)Nh根據(jù)經(jīng)驗(yàn)公式(Ni、No分別表示輸入、輸出層神經(jīng)元數(shù);a為1～10范圍內(nèi)的常數(shù))確定。

(2)確定初始的權(quán)值、閾值。輸入層到隱含層之間的權(quán)值為wij,隱含層到輸出層之間的權(quán)值為wjk,隱含層的閾值為θj,輸出層的閾值為θk(i,j,k分別表示輸入層、隱含層、輸出層的神經(jīng)元),并選取sigmoid函數(shù)為激活函數(shù),訓(xùn)練誤差為ε。

(3)網(wǎng)絡(luò)訓(xùn)練。對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,得到輸出值并進(jìn)行誤差校正。若誤差E未達(dá)到收斂精度要求,即E>ε時(shí),神經(jīng)網(wǎng)絡(luò)進(jìn)行逆向?qū)W習(xí)。誤差E計(jì)算公式為

式中,n為輸出層神經(jīng)元數(shù)量,本研究取1;Tk、Zk分別表示成本實(shí)際值和網(wǎng)絡(luò)輸出值。

(4)修正權(quán)值和閾值。采用誤差梯度下降算法得到輸出層權(quán)值修正量 Δwjk、輸出層閾值修正量Δθk、隱含層權(quán)值修正量Δwij和隱含層閾值修正量Δθj。因此,輸出層的權(quán)值以及閾值的修正值分別為

式中,w′jk、θ′k分別為輸出層權(quán)值以及閾值的修正值;wjk、θk分別為輸出層權(quán)值以及閾值的原始值;w′ij、θ′j分別為隱含層權(quán)值以及閾值的修正值;wij、θj分別為隱含層權(quán)值以及閾值的原始值。

(5)結(jié)束網(wǎng)絡(luò)運(yùn)行。在迭代過程中,當(dāng)誤差E<ε或迭代次數(shù)完成,神經(jīng)網(wǎng)絡(luò)迭代運(yùn)算結(jié)束,得到采礦作業(yè)成本預(yù)測模型。

3.3 預(yù)測效果評(píng)價(jià)方法

本研究采用結(jié)果比較法評(píng)價(jià)網(wǎng)絡(luò)模型的預(yù)測效果及精確度。除了運(yùn)用傳統(tǒng)的預(yù)測值與實(shí)際值的絕對(duì)誤差、相對(duì)誤差(本研究取絕對(duì)值)之外,還引入了平均相對(duì)誤差和均方根誤差σ來評(píng)價(jià)模型的預(yù)測效果[17]。兩者計(jì)算公式為

式中,e為平均相對(duì)誤差,表示偏差值占實(shí)際值的百分比,用于確定采礦成本預(yù)測結(jié)果的準(zhǔn)確度和精密度;Si、分別為實(shí)際值和預(yù)測值;n表示預(yù)測數(shù)據(jù)集的組數(shù);σ表示均方根誤差,表示測量值與真值曲線的擬合程度,用于衡量預(yù)測結(jié)果的準(zhǔn)確程度,均方根誤差值越小,測量精度越高。

4 模型應(yīng)用

4.1 數(shù)據(jù)采集

以山東某地下金屬礦山為例對(duì)所建模型進(jìn)行驗(yàn)證,該礦山采用上向分層盤區(qū)充填法和上向分層進(jìn)路充填法開采,主要作業(yè)工序包括鑿巖、裝藥、爆破、撬毛、出礦等,采場作業(yè)實(shí)現(xiàn)了大型機(jī)械化設(shè)備輔助施工。收集了該礦山近6a的生產(chǎn)信息,包括各采場每班生產(chǎn)量、各類材料消耗量、備件更換量、設(shè)備維修記錄等,共十萬余條數(shù)據(jù),經(jīng)過篩選、分類、匯總等步驟對(duì)數(shù)據(jù)進(jìn)行預(yù)處理,并運(yùn)用作業(yè)成本法核算出各采場每月的采礦作業(yè)成本,同時(shí)收集了各采場的作業(yè)環(huán)境、生產(chǎn)設(shè)備、工人等工況條件信息,形成了生產(chǎn)要素與開采成本數(shù)據(jù)表(表2)。其中,礦山實(shí)際開采過程中根據(jù)礦體厚度選擇適當(dāng)?shù)牟傻V方式,包括進(jìn)路、盤區(qū)和特大盤區(qū)3種,每種開采方式的作業(yè)空間大小存在一定差異,為了便于量化不同開采方式的作業(yè)空間大小,本研究將進(jìn)路、盤區(qū)和特大盤區(qū)的作業(yè)空間劃分為 1、2、3 級(jí)。

表2 各采場的開采要素與開采成本數(shù)據(jù)Table 2 Data of mining factors and cost for each stope

4.2 預(yù)測結(jié)果及分析

在SPSS環(huán)境中建立主成分分析模型,將初始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理,求出特征相關(guān)性矩陣,根據(jù)相關(guān)性矩陣求特征值和特征向量,最后選擇主成分。分析完成后,得到如表3所示的主成分矩陣。

由表3數(shù)據(jù)分析,得到了10個(gè)采礦成本影響因素變量與降維得到3個(gè)主成分之間的關(guān)系,如表4所示。主成分FAC1體現(xiàn)了與生產(chǎn)能力相關(guān)的因素(包括設(shè)備燃油、油料消耗能力和設(shè)備服務(wù)年限、工人工齡和工作效率)存在相關(guān)性,主成分FAC2表現(xiàn)出了與運(yùn)輸距離和鏟運(yùn)效率的相關(guān)性,主成分FAC3則主要與生產(chǎn)環(huán)境(包括作業(yè)空間、采場溫度、采場深度因素)存在相關(guān)性。

表3 成分矩陣Table 3 Component matrix

表4 主成分與變量的關(guān)系Table 4 Relationship between principal components and variables

成分得分系數(shù)矩陣見表5。

表5 成分得分系數(shù)矩陣Table 5 Component score coefficient matrix

根據(jù)表5可得到各主成分的得分計(jì)算公式:

根據(jù)式(8)計(jì)算可得到主成分分析數(shù)據(jù),將3個(gè)主成分因子作為輸入層,對(duì)應(yīng)單位采礦成本作為輸出層。在200組試驗(yàn)數(shù)據(jù)中隨機(jī)選取185組數(shù)據(jù)作為訓(xùn)練樣本,進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練、驗(yàn)證及測試,剩余15組數(shù)據(jù)作為預(yù)測樣本與預(yù)測結(jié)果進(jìn)行對(duì)比。經(jīng)過BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練后,所得預(yù)測結(jié)果見表6。

由表6可以明顯看出15個(gè)采場的預(yù)測結(jié)果誤差均小于10%,通過適當(dāng)計(jì)算得到平均相對(duì)誤差為3.80%,均在合理誤差(0～10%)范圍內(nèi),均方根誤差為1.43,表明本研究構(gòu)建的成本預(yù)測模型訓(xùn)練效果較好,預(yù)測精度較高。

表6 PCA-BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果Table 6 Prediction results by PCA-BP neural netwrork model

在訓(xùn)練集、驗(yàn)證集和測試集中,預(yù)測值和實(shí)際值之間擬合的相關(guān)系數(shù)R均在0.88以上,表示預(yù)測值和實(shí)際值相關(guān)性較高,訓(xùn)練效果較好(圖5)。

圖5 采礦成本實(shí)際值與輸出值的回歸擬合曲線Fig.5 Regression fit curves between actual and output values of mining cost

雖然本研究基于PCA-BP神經(jīng)網(wǎng)絡(luò)的成本預(yù)測模型是以充填采礦方法的礦山為例進(jìn)行應(yīng)用和驗(yàn)證,但是模型中成本影響因素是以地下金屬礦山普遍特征為依據(jù)進(jìn)行選取,因此,對(duì)于采用其他采礦方法的地下金屬礦山也具有一定的推廣應(yīng)用價(jià)值,但需要根據(jù)采礦工藝實(shí)際生產(chǎn)費(fèi)用調(diào)整模型中的成本參數(shù)。

5 結(jié) 論

針對(duì)現(xiàn)代礦山企業(yè)成本管理中的成本預(yù)測問題,全面分析了現(xiàn)代礦山開采特征及其引發(fā)的采礦成本變化,進(jìn)而提煉出了采礦各工序的成本構(gòu)成要素,運(yùn)用作業(yè)成本法將成本分?jǐn)傊敛傻V作業(yè)單元,從人工、環(huán)境、設(shè)備3個(gè)方面分析了影響采礦成本的關(guān)鍵因素,基于PCA-BP神經(jīng)網(wǎng)絡(luò)構(gòu)建了采礦成本預(yù)測模型,并對(duì)模型進(jìn)行了應(yīng)用與驗(yàn)證。主要得出以下結(jié)論:

(1)隨著機(jī)械化、智能化裝備在現(xiàn)代礦山的普遍應(yīng)用,采礦成本的核心構(gòu)成發(fā)生調(diào)整,對(duì)機(jī)械裝備及其相關(guān)費(fèi)用的管控逐漸受到重視,因而成為采礦成本管理的主要內(nèi)容。相較于傳統(tǒng)方法按照統(tǒng)一標(biāo)準(zhǔn)分配機(jī)械裝備產(chǎn)生的費(fèi)用,作業(yè)成本法將其科學(xué)分?jǐn)偟礁鞑蓤鲎鳂I(yè)單元,因而更有助于實(shí)現(xiàn)采礦成本的精細(xì)化管控。

(2)地下礦山的開采成本受到多方面客觀因素的綜合影響,通過分析采礦成本與影響因素之間的變化規(guī)律,認(rèn)為有必要從人工、環(huán)境和設(shè)備3個(gè)方面構(gòu)建影響采礦成本的關(guān)鍵指標(biāo),以保證開采成本預(yù)測的科學(xué)有效性。

(3)基于PCA-BP神經(jīng)網(wǎng)絡(luò)模型將影響開采成本的諸多因素進(jìn)行降維后,構(gòu)建神經(jīng)網(wǎng)絡(luò)模型完成采礦成本預(yù)測,在不丟失開采成本影響主因素性特征的前提下實(shí)現(xiàn)了成本的高效預(yù)測。驗(yàn)證結(jié)果表明:預(yù)測模型訓(xùn)練效果良好,預(yù)測精度滿足要求,可以為礦山企業(yè)成本計(jì)劃制定和成本控制提供參考,對(duì)于地下金屬礦山具有一定的推廣應(yīng)用價(jià)值。