露天煤礦拋擲爆破有效拋擲率預測

劉 干 李克民 肖雙雙 馬 力

(1.中國礦業大學礦業工程學院，江蘇 徐州 221116;2.煤炭資源與安全開采國家重點實驗室，江蘇 徐州 221116)

露天煤礦拋擲爆破有效拋擲率預測

劉 干1,2李克民1,2肖雙雙1,2馬 力1,2

(1.中國礦業大學礦業工程學院，江蘇 徐州 221116;2.煤炭資源與安全開采國家重點實驗室，江蘇 徐州 221116)

有效拋擲率是評價拋擲爆破效果最重要的指標之一，預測有效拋擲率可以指導露天煤礦準確制定生產計劃。在分析了拋擲爆破有效拋擲率影響因素的基礎上，選取拋擲爆破臺階高度、炸藥單耗、底盤抵抗線、孔距、排距、煤層厚度等6個指標作為廣義回歸神經網絡的網絡輸入，以有效拋擲率為網絡的輸出，建立了有效拋擲率預測模型，并通過MATLAB編程來實現了網絡的訓練和預測。實例結果表明：廣義回歸神經網絡能夠較準確地預測有效拋擲率，預測誤差一般在5%左右，預測結果能夠滿足工程要求。

拋擲爆破 有效拋擲率 可靠性 廣義回歸神經網絡

露天煤礦使用拋擲爆破剝離技術可以將30%～65%的剝離物直接拋擲到采空區，無需再進行采、運、排作業，使剝離成本降低30%以上[1-2]。拋擲爆破技術與拉斗鏟倒堆工藝結合使用可大幅提升露天煤礦的生產能力，進一步降低剝離費用[3-4]。有效拋擲率是評價拋擲爆破效果最重要的指標之一，文獻[5]以MIV值為評價依據，研究了拋擲爆破臺階高度、采寬、平均炸藥單耗、煤層厚度、最小抵抗線、孔距、排距等參數對拋擲距離、有效拋擲率和松散系數的影響權重；文獻[6]在理論分析和現場實驗的基礎上，探討臺階高度對拋擲爆破效果的影響；文獻[7]推導出拋擲距離與炮孔傾角及炸藥單耗的關系式，描述了各參數之間關系變化的趨勢；文獻[8]建立了有效拋擲率離散模型和拋擲速度反演模型，通過掃描爆破前后倒堆臺階，對露天煤礦拋擲爆破有效拋擲率進行了有效預測；文獻[9]分析了高臺階拋擲爆破效果的各影響因素，建立了反映各主要影響因素與拋擲爆破效果之間關系的拋擲爆破效果預測BP神經網絡預測模型；文獻[10]完善了BP神經網絡預測拋擲爆破有效拋擲率的建模流程，并利用遺傳算法優化了BP神經網絡的初始權值，提高了預測精度；文獻[11]建立了基于遺傳算法優化的支持向量機模型GA-SVM用于預測拋擲爆破有效拋擲率。

由于BP神經網絡收斂速度慢、容易陷入局部最小、需要大量訓練樣本等缺點，用其預測有效拋擲率誤差較大，結果并不理想；SVM的參數懲罰項與核函數參數的選擇、優化對預測結果影響較大，而廣義回歸神經網絡具有收斂速度快、計算量小，樣本數據較少時也可以取得較好的預測效果等優點[12]，并可以處理不穩定的數據，因此本研究選擇廣義回歸神經網絡(GRNN)預測有效拋擲率。

1 預測拋擲爆破有效拋擲率的意義

有效拋擲率是指通過拋擲爆破被拋擲到采空區不需要再進行采裝、排棄等作業的爆破量與拋擲爆破總量的比值，如圖1所示，其計算公式為

(1)

式中，η為有效拋擲率；ks為爆堆松散系數；H為拋擲爆破臺階高度，m；A為采掘帶寬度，m；SⅠ、SⅡ、SⅢ分別為圖1中Ⅰ、Ⅱ、Ⅲ區域的面積，m2。

圖1 有效拋擲率計算

定義拉斗鏟倒堆工藝系統的可靠性為拉斗鏟倒堆工藝系統在當前露天礦的生產作業條件下和計劃的時間內完成計劃的剝離任務量的能力，其可靠度為系統在當前露天礦的生產作業條件下和計劃的時間內完成計劃的剝離任務量的概率，即

(2)

式中，R為拉斗鏟倒堆工藝系統可靠度；Qs為拉斗鏟實際生產能力，m3/月；Qj為拉斗鏟計劃任務量，m3/月。

根據圖1中的幾何關系可知：

(3)

式中，M為露天煤礦計劃的月原煤生產能力，t/月；ks為二次倒堆率；h為煤層的平均厚度，m；γ為煤的容重，t/m3；kc為煤層回采率。

由于國內的煤層埋藏較深，覆蓋層較厚[13]，拋擲爆破—拉斗鏟倒堆工藝只能用于煤層上覆部分巖石的剝離，此工藝系統嚴重限制采煤作業。為了保證露天煤礦的持續生產，必須保證拉斗鏟倒堆工藝系統有較高的可靠性。而露天煤礦在制定生產計劃時，通常根據經驗把有效拋擲率看作一個常數ηc，假設實際有效拋擲率為ηs，在不考慮其他因素變化的情況下，當ηc>ηs時，會導致拉斗鏟的計劃任務量Qj偏小。這種情況下，即使拉斗鏟完成計劃任務量，即Qs≥Qj，也會導致露天煤礦完不成計劃的月原煤生產能力。當ηc≤ηs時，拉斗鏟的計劃任務量Qj會偏大，這種情況使拉斗鏟倒堆工藝系統的可靠性更高，但可能會導致拉斗鏟的生產能力不能完全發揮。

若可以準確預測有效拋擲率，使制定生產計劃時采用的有效拋擲率η接近實際有效拋擲率ηs，則可以使拉斗鏟的計劃任務量Qj準確可靠，保證拉斗鏟倒堆工藝系統的可靠性，還可以充分發揮拉斗鏟的生產能力。因此，預測拋擲爆破有效拋擲率對準確制定露天煤礦生產計劃、提高拉斗鏟倒堆工藝系統的可靠性、保證露天煤礦持續穩定的生產具有重要意義。此外，有效拋擲率的預測結果還可以作為拋擲爆破優化設計、判斷爆破參數等是否合理的重要依據，指導改善拋擲爆破效果。

2 影響拋擲爆破有效拋擲率的因素分析

影響露天煤礦拋擲爆破有效拋擲率的因素包括工程地質條件、爆破技術條件、現場施工質量3個方面[14]，詳細見圖2。

圖2 有效拋擲率影響因素

2.1 工程地質條件

工程地質條件主要包括巖石的物理力學性質、節理裂隙發育程度、結構面產狀、煤層厚度等。巖石的物理力學性質如巖石的密度、彈性模量對拋擲爆破的有效拋擲率影響較大，在其他條件不變的情況下，有效拋擲率隨著巖石密度的降低而增大，隨著巖石彈性模量的增大而增大。當巖體節理裂隙垂直于自由面時，爆轟氣體容易逸散，使得有效拋擲率偏低；當節理裂隙平行于自由面時，會增大相鄰炮孔間的相互作用，使得有效拋擲率偏大。煤層厚度影響拋擲爆破臺階重心的高度，進而影響拋擲距離，當其他參數一定的情況下，煤層厚度越大，拋擲距離越遠，有效拋擲率越大。

2.2 爆破技術條件

爆破技術條件包括孔網參數、裝藥結構、布孔及起爆方式、延時時間及炸藥特性等?？拙W參數如孔距、排距、底盤抵抗線直接影響有效拋擲率，如當排距不變的情況下，增大孔距，爆堆的爆堆的前沿拋擲距離基本不變，在一定范圍內，拋擲率隨著炮孔密集系數的增大而增大[15]。裝藥結構決定炸藥單耗、炸藥位置。炸藥單耗偏低，會導致有效拋擲率較低，在一定范圍內，提高炸藥單耗可以顯著提高有效拋擲率，但炸藥單耗也不宜過大。炸藥特性影響爆轟壓力、爆炸壓力、爆炸作用時間等，直接影響有效拋擲率。此外，拋擲量和臺階高度與采掘帶寬度之比呈近似線性關系，在一定范圍內，增大臺階高度可提高拋擲距離，適當增加臺階高度，減小采掘帶寬度可以提高有效拋擲率。

2.3 現場施工質量

現場施工質量包括鉆孔質量、裝藥質量、填塞質量及連線質量。鉆孔質量直接影響抵抗線、孔距、排距等孔網參數，此外鉆孔孔長不夠會導致裝藥長度或填塞長度不滿足設計要求，影響裝藥結構。裝藥質量影響裝藥量、炸藥在炮孔中的分布，進而影響炸藥單耗以及不耦合系數等參數。填塞質量直接影響填塞作用的實現程度。連線質量影響起爆延時，甚至影響爆破安全。

3 拋擲爆破有效拋擲率預測模型的建立

3.1 預測模型的建立

由于影響拋擲爆破有效拋擲率的因素比較多，采用傳統的預測方法如灰色預測方法、時間序列方法等預測其生產能力，預測效果并不理想。而廣義回歸神經網絡GRNN能夠較好地處理這種非線性不確定復雜問題，并具有收斂速度快、計算量小[16]、樣本數據較少時也可以取得較好的預測效果等優點，因此選擇GRNN建立拋擲爆破有效拋擲率預測模型。

在特定的露天煤礦，其拋擲爆破臺階的工程地質條件一般變化不大，在露天煤礦的實際生產過程中，為了提高生產效率，方便施工，拋擲爆破通常采用相同的孔徑、炮孔傾角、炮孔堵塞方式、采掘帶寬度及炸藥，一般通過調整孔距、排距、臺階高度等參數來優化拋擲爆破，以適當提高有效拋擲率。根據以上分析，選擇拋擲爆破臺階高度、炸藥單耗、底盤抵抗線、孔距、排距、煤層厚度等6個能夠量化的、對有效拋擲率影響較大的指標作為GRNN廣義回歸神經網絡的網絡輸入，以有效拋擲率為網絡的輸出，構建如圖3所示的GRNN廣義回歸神經網絡模型。

圖3 廣義回歸神經網絡模型

圖3中，輸入層的神經元數目m等于輸入向量的維數，本模型中m=6，輸入變量直接傳遞至模式層。

模式層神經元的數目n等于學習樣本數，每個神經元對應不同的樣本，神經元的傳遞函數為

(4)

式中，x為網絡輸入變量；xi為第i個神經元對應的學習樣本。

求和層中包含兩類神經元，一類神經元是對模式層的所有神經元的輸出進行算術求和，傳遞函數為

另一類神經元是對模式層所有的神經元輸出進行加權求和，傳遞函數為

輸出層神經元的數目等于輸出向量的維數k，本模型為k=1，各神經元把求和層的輸出相除即可得預測結果:

3.2 模型的求解

網絡的訓練和預測可以通過MATLAB編程來實現。在MATLAB中可用函數“newgrnn”設計廣義回歸神經網絡，首先載入樣本數據并把樣本數據劃分為訓練樣本和預測樣本，然后通過交叉驗證方法訓練網絡，采用循環訓練的方法求解最佳的徑向基函數擴展速度SPREAD，最后用建立的網絡模型進行預測。

為了保證預測效果，在網絡訓練之前利用式(5)把樣本數據進行歸一化處理，將數據轉化為[0,1]區間的值。在輸出層利用式(5)把輸出結果還原:

(5)

4 工程實例

目前，黑岱溝露天煤礦主采煤層6號煤層上部40 m左右的巖石采用拋擲爆破—拉斗鏟倒堆工藝進行剝離。拋擲爆破爆區平均長度550 m，采掘帶寬度80 m，拋擲爆破臺階高度40 m左右，臺階坡面角65°，炮孔傾角65°。選取該礦的相關數據作為樣本，詳見表1。通過MATLAB編程實現網絡的訓練與預測。

表1 廣義回歸神經網絡樣本集Table 1 Data set of GRNN

選用前14組樣本作為訓練樣本，第15組樣本作為測試樣本，網絡的訓練預測結果見圖4。利用第15組樣本預測的有效拋擲率為34.3%，實際為32.8%，相對誤差為4.57%，預測結果較為準確，完全能夠滿足露天煤礦的生產要求。

圖4 網絡預測結果

5 結 論

(1)準確預測拋擲爆破的有效拋擲率可以保證拉斗鏟倒堆工藝系統的可靠性，充分發揮拉斗鏟的生產能力，指導露天煤礦準確制定生產計劃，保證露天煤礦持續穩定的生產，為拋擲爆破優化設計、改善拋擲爆破效果提供依據。

(2)影響露天煤礦拋擲爆破有效拋擲率的因素包括工程地質條件、爆破技術條件、現場施工質量3個方面，從中選擇拋擲爆破臺階高度、炸藥單耗、底盤抵抗線、孔距、排距、煤層厚度等6個指標作為廣義回歸神經網絡的網絡輸入。

(3)由于廣義回歸神經網絡具有收斂速度快、計算量小、所需樣本少等優點，可以根據影響有效拋擲率的因素利用廣義回歸神經網絡建立有效拋擲率預測模型，以預測有效拋擲率。

(4)工程實例表明，建立的有效拋擲率預測模型可以準確的預測有效拋擲率，預測誤差可以控制在5%以內，完全能夠滿足露天煤礦的生產要求。

[1] 傅洪賢，張幼蒂．露天煤礦中的爆破剝離技術[J]．中國礦業，2001，10(2)：38-40． Fu Hongxian，Zhang Youdi.Blasting technology for overburden stripping in open-pit coal mine [J].China Mining Magazine，2001,10(2):38-40.

[2] 張幼蒂，傅洪賢，王啟瑞，等．拋擲爆破與剝離臺階開采參數分析——露天礦倒堆剝離開采方法系列論文之四[J]．中國礦業大學學報，2003，32(1)：27-30． Zhang Youdi，Fu Hongxian，Wang Qirui，et al.Casting blast and analysis of mining parameters of stripping bench technical paper series for open cast method in surface mines(IV)[J].Journal of China University of Mining & Technology，2003,32(1):27-30.

[3] 傅洪賢，李克民．露天煤礦高臺階拋擲爆破參數分析[J]．煤炭學報，2006，31(4)：442-445． Fu Hongxian，Li Kemin.Analysis of high-bench cast blasting parameters in surface coal mines[J].Journal of China Coal Society，2006,31(4):442-445.

[4] 李克民，張幼蒂，傅洪賢．露天煤礦拋擲爆破參數分析[J]．采礦與安全工程學報，2006，23(4)：423-426． Li Kemin，Zhang Youdi，Fu Hongxian.Analysis of casting blast parameters in surface coal mines[J].Journal of Mining & Safety Engineering，2006,23(4);423-426.

[5] 孫文彬，劉希亮，王洪斌，等．基于MIV的拋擲爆破影響因子權重分析[J]．中國礦業大學學報，2012，41(6)：993-998． Sun Wenbin，Liu Xiliang，Wang Hongbin，et al.Weight analysis of cast blasting effective factors based on MIV method[J].Journal of China University of Mining & Technology，2012,41(6):993-998.

[6] 李祥龍，劉殿書，何麗華，等．露天煤礦的臺階高度對拋擲率的影響[J]．爆炸與沖擊，2012，32(2)：211-215. Li Xianglong，Liu Dianshu，He Lihua，et al.Influences of bench height of an open-pit coal mine on cast percentage[J]，Explosion and Shock Waves，2012,32(2):211-215.

[7] 馬 力，李克民，丁小華，等．拋擲爆破巖體拋擲距離影響因素研究[J]．工程爆破，2013(S1)：50-53. Ma Li，Li Kemin，Ding Xiaohua，et al.Study on the influencing factors on casting distance of rock by casting blast[J].Engineering Blasting，2013(S1):50-53.

[8] 周 偉，才慶祥，李克民．露天煤礦拋擲爆破有效拋擲率預測模型[J]．采礦與安全工程學報，2011，28(4)：614-617． Zhou Wei，Cai Qingxiang，Li Kemin.Prediction mode of effective stripping ratio of casting blast in open pit[J].Journal of Mining & Safety Engineering，2011,28(4):614-617.

[9] 李祥龍．高臺階拋擲爆破技術與效果預測模型研究[D]．北京：中國礦業大學，2010． Li Xianglong.Research on the Technology and Effect Prediction Models of High Bench Cast Blasting[D].Beijing：China University of Mining & Technology，2010.

[10] 劉希亮．基于GA-BP神經網絡拋擲爆破效果預測與分析[D]．北京：中國礦業大學，2011． Liu Xiliang.Prediction and Analysis of Mine Cast Blasting Effect Based on GA-BP Neural Network[D].Beijing：China University of Mining & Technology,2011.

[11] 劉希亮，趙學勝，陸 鋒，等．基于GA-SVM的露天礦拋擲爆破拋擲率預測[J].煤炭學報，2012，37(12):1999-2005． Liu Xiliang，Zhao Xuesheng，Lu Feng，et al.A GA-SVM based model for throwing rate prediction in the open-pit cast blasting[J].Journal of China Coal Society,2012,37(12)：1999-2005.

[12] 趙 闖，劉 凱，李電生．基于廣義回歸神經網絡的貨運量預測[J]．鐵道學報，2004，26(1)：12-15． Zhao Chuang，Liu Kai，Li Diansheng.Freight volume forecast based on GRNN[J].Journal of The China Railway Society，2004，26(1):12-15.

[13] 楊榮新，曾昭紅，賀國友．中國露天采煤工藝的發展方向[J]．煤炭學報，1993，18(1)：11-19． Yang Rongxin，Zeng Zhaohong，He Guoyou.Development direction of surface coal mining technology in China[J].Journal of China Coal Society，1993,18(1):11-19.

[14] 馬 力，李克民，丁小華，等．黑岱溝露天礦拋擲爆破效果的模糊綜合評價[J]．金屬礦山，2011(9)：58-60． Ma Li，Li Kemin，Ding Xiaohua，et al.Fuzzy synthetic evaluation on casting blast effect of Heidaigou surface coal mine[J].Metal Mine，2011(9):58-60.

[15] 李祥龍．孔距、排距對高臺階拋擲爆破拋擲率的影響[J]．北京理工大學學報，2011，31(11)：1265-1269． Li Xianlong.Effect of casting parameters on the cast percentage of high bench cast blasting[J].Transactions of Beijing Institute of Technology，2011,31(11):1265-1269.

[16] 伊良忠，章 超，裴 崢．廣義回歸神經網絡的改進及在交通預測中的應用[J]．山東大學學報:工學版，2013，43(1)：1-6． Yin Liangzhong，Zhang Chao，Pei Zheng.A modified general regression neural network with its application in traffic prediction[J].Journal of Shandong University:Engineering Science，2013,43(1):1-6.

(責任編輯 石海林)

Prediction of Effective Stripping Ratio of Casting Blast in Surface Coal Mines

Liu Gan1,2Li Kemin1,2Xiao Shuangshuang1,2Ma Li1,2

(1.SchoolofMines，ChinaUniversityofMining&Technology，Xuzhou221116，China;2.StateKeyLaboratoryofCoalResourcesandSafeMining，Xuzhou221116，China)

The effective stripping ratio is one of the most important indicators to evaluate the effect of casting blast，and the prediction of effective stripping ratio can guide the technical personnel to make accurate production planning.Based on analyzing the factors of effective stripping ratio，the bench height，explosive consumption，bottom burden，hole spacing，row spacing，thickness of coal seam were taken as the network input of generalized regression neural network (GRNN)，the effective stripping ratio was set as network output.The prediction model of effective stripping ratio was built，and network training and prediction were achieved through MATLAB programming.The results showed that the GRNN could predict the effective stripping ratio accurately with the forecast error normally around 5%，and the prediction results can meet the project requirements.

Casting blast，Effective stripping ratio，Reliability，Generalized regression neural network

2013-11-09

國家高技術研究發展計劃(863計劃)項目(編號：2012AA062002)，國家自然科學基金重點項目(編號：51034005)。

劉 干(1990—)，男，碩士研究生。

TD824，TD235.31

A 文獻標志碼 1001-1250(2014)-04-065-05