黄建，黄家龙，赵坦

(华东冶金地质勘查研究院，合肥 230088)

0 引言

在矿体储量计算的参数中，元素品位，块段的面积、体积以及矿体厚度等参数都可以比较准确地获得，但是体重这一参数却很难准确地获取。早期的勘查工作中的体重取值主要按样本可分的类型分别求取其平均值作为经验值参加储量的计算[1]。在20世纪80年代，有部分学者尝试建立数学模型进行分析，主要包括线性回归及理论计算[2-4]，但由于计算过于繁琐，应用受到一定的限制。随着计算技术的发展，应用基于最小二乘法的线性回归理论参与体重计算已经越来越普遍，是目前建模计算矿石体重的主流方法，且取得了较好的效果[1,5-10]。人工智能神经网络是一种发展较晚的算法模型，在20世纪90年代末期有人开始进行尝试用于矿石体重的分析[11-12]，进入21世纪以来相关理论研究和软件技术已经很成熟。

但是，在回归模型中尤其是多元线性回归模型，很多学者用体重数值直接参加回归计算，很少探讨用体重倒数参与回归进行优化；同时部分学者主张，对于多种硫化物矿石的矿床，因为多重共线性应该用扣减硫参与回归[6]。本文将针对这2点对多元线性回归模型进一步优化，并建立新的神经网络模型与之对比。

1 矿床地质特征

1.1 矿体地质特征

长山锌金多金属矿位于安徽省宣城市狸桥镇，矿体主要赋存于石炭系细晶灰岩和白云质灰岩的接触界面附近，沿层间构造滑脱面、构造裂隙充填产出，多呈似层状、透镜状，其主要赋存深度为1000～1400 m。……