矿柱极限承载能力与矿柱尺寸参数密切相关，科学地预测矿柱强度是空场法安全高效开采铝土矿的关键。为了准确高效地预测矿柱强度，融合运用离散元方法(DEM)的模型参数化、样本数据强扩展性与机器学习(ML)方法的数据驱动优势，选取矿柱尺寸参数(长、宽、高)作为影响因子，开发了Grasshopper参数化建模电池组，实现了等块体密度的矿柱粘合块体模型(BBM)的参数化构建，结合矿体节理分布特征实测结果，利用3DEC程序构建了300组粘合块体-离散裂隙网络(BBM-DFN)矿柱离散元数值模型，开展了矿柱承载特性试验，监测并建立了机器学习数据集，且验证了此数据集的可靠性；分别以支持向量机(SVM)、BP神经网络、随机森林(RF)、高斯过程回归(GPR)四种算法构建了矿柱强度预测模型，根据回归类模型评价指标(R2、EVS、MAE、MSE)开展了最优模型的评选，结合改进的量子粒子群智能优化算法(IQPSO)进一步优化模型，利用该模型建立了矿柱影响因子与强度之间的非线性映射关系。研究表明：由矿柱强度参数化模拟结果可知，随着矿柱宽高比值增加强度显著提升，长宽比值对强度影响幅度相对较小，当矿柱高度和横截面积相同时，不同截面矿柱承载能力依次为：正方形>长方形；当矿柱宽高比大于1时，方形截面矿柱强度影响因子敏感性主次顺序为：矿柱宽(长)度>矿柱高度；根据机器学习算法指标综合评价，SVM模型是矿柱强度预测的最佳模型(R2=0.953; EVS=0.953; MAE=0.608; MSE=0.551)，结合IQPSO算法优化后模型预测性能得到了进一步提升(R2=0.985; EVS=0.986; MAE=0.373; MSE=0.239)；将IQPSO-SVM矿柱强度预测值与三种经典硬岩矿柱强度公式计算结果进行了讨论分析，得出了Hedley公式针对铝土矿强度计算不适用，Krauland公式适用于宽高比值小于4时，Esterhuizen公式可通过调整LDF值进行较为准确的强度计算。研究成果为硬岩矿柱强度的预测提供了一种解决方案，拓宽了矿柱(群)稳定性评价的思路。

1 参数化数值模拟及数据集建立
1.1 BBM-DFN矿柱模型
1.2 数据集建立
1.3 矿柱影响因子敏感性分析
2 矿柱强度预测方法
2.1 支持向量机（SVM）
2.2 BP神经网络
2.3 随机森林（RF）
2.4 高斯过程回归（GPR）
2.5 矿柱强度预测模型评价
3 粒子群优化算法优化支持向量机
3.1 粒子群优化算法
3.2 粒子群算法优化支持向量机
4 矿柱强度预测模型讨论分析
5 结论