基于BP神經網絡的露天采場爆破振速預測

郭英杰　璩世杰　胡光球

(北京科技大學土木與環(huán)境工程學院)

?

基于BP神經網絡的露天采場爆破振速預測

郭英杰璩世杰胡光球

(北京科技大學土木與環(huán)境工程學院)

摘要以首云露天鐵礦爆破震動實測數據為基礎，運用BP神經網絡原理，建立了以總藥量、最大段藥量、爆心距和高程差為輸入層的神經網絡模型，預測爆破震動峰值振速。將爆破震動監(jiān)測數據與BP神經網絡預測結果和薩氏公式預測結果比較，BP神經網絡預測爆破震動峰值平均誤差為17.16%，遠低于薩氏公式預測的平均誤差44.12%，表明BP神經網絡預測爆破震動強度精度更高，結果更可靠。

關鍵詞BP神經網絡爆破振速預測

爆破是礦業(yè)開挖的主要手段，露天礦爆破規(guī)模一般都比較大，由此引起的振動容易影響臨近建筑物的安全。因此，對爆破振動進行準確分析和預測，為爆破設計和施工優(yōu)化提供依據，是礦山爆破生產環(huán)節(jié)中的重要工作，對于礦山及周邊的安全穩(wěn)定具有重要的意義。

我國廣泛運用薩道夫斯基公式對爆破震動進行幅值預報：

(1)

式中，V為質點振動速度，cm/s；Q為裝藥量，kg；R為測點距爆心的距離，m；K為場地系數；α為衰減系數。

運用薩道夫斯基公式預報平整場地的爆破震動幅值，精度較高[1]，但對于高低起伏較大的露天采場，沒有充分考慮高程對爆破地震波的影響，預測精度不理想。為適應變化的場地情況，對薩道夫斯基公式加以改進，周同嶺[2]等在薩道夫斯基公式的基礎上加入了高程因素H，對H做無量綱處理，得到改進的薩氏公式：

(2)

式中，H為高程差，正高差取正，負高差取負，m；β為高程差相關系數，其他符號意義同前。

修正公式在一定程度上減小了預報誤差，但爆破震動受到多因素的相互作用，各因素之間關系十分復雜，傳統(tǒng)的預測公式難以滿足不斷變化的實際情況。隨著計算機技術的發(fā)展，引進神經網絡法[3]進行爆破震動幅值預報。

運用BP神經網絡預測爆破振動強度，通過分析爆破震動影響因子與爆破震動測量數據的關系，用經過訓練的神經網絡對爆破震動強度進行實時預測，取得了良好的預測效果。董香山[4]等人建立BP神經網絡預測某露天礦的生產爆破振動速度，并與薩道夫斯基公式預測結果進行了對比，結果表明神經網絡預測模型精度更高，誤差更小；陶挺，林從謀[5]等建立兩個不同輸入參數的BP神經網絡模型，預測南惠高速公路第NHA5合同段路基開挖現(xiàn)場爆破的震動峰值振速，將神經網絡預測結果與薩道夫斯基公式預測結果對比，發(fā)現(xiàn)BP神經網絡模型的預測誤差均小于薩氏公式預測誤差；段寶福[6]等運用BP神經網絡建立爆破震動衰減預測模型，成功預測某礦生產爆破震動速度、振動主頻和持續(xù)時間，預測誤差最大只有18.3%。

本文通過建立BP神經網絡模型，以首云鐵礦實時監(jiān)測的爆破數據為樣本，對網絡進行訓練，預測后續(xù)爆破震動強度，以降低預測誤差，從而合理的進行爆破設計，避免爆破震動對周邊基地的影響。

1爆破振動監(jiān)測

1.1測震地點及儀器

國家安全工程技術實驗與研發(fā)基地建設項目位于北京市密云縣巨各莊鎮(zhèn)首云鐵礦廠區(qū)內，由于基地緊鄰礦區(qū)生產區(qū)，距離周圍邊坡距離較近，采礦爆破作業(yè)產生的地震波經高大邊坡的放大效應后，可能引發(fā)邊坡巖體滑移、建筑物震動受拉以及實驗儀器工作狀態(tài)不穩(wěn)定等問題。降低最大單響藥量可以降低爆破振動強度，但是會影響礦山的生產進度，因此，預測爆破振動強度，合理優(yōu)化爆破設計，是兼顧生產效率和爆破震動安全問題的前提條件。

共對首云鐵礦的6次爆破作業(yè)進行了震動測試，其中露天臺階炮孔爆破3次，地下炮孔爆破3次。使用測試儀器為NUBOX-6016型智能震動監(jiān)測儀，該型儀器能對傳感器產生的動態(tài)、靜態(tài)信號(包括速度、加速度等)進行數字轉換，其觸發(fā)機制保證能對爆破震動信號進行正確記錄。

1.2測點布置

為確定首云鐵礦的爆破生產作業(yè)對日后基地建設項目的建設及運行安全可能產生的影響，將爆破震動測試地點(測點)布置于設計規(guī)劃中的室外泄漏擴散試驗配套測試工房一、危險化學品及有毒物質泄漏擴散試驗場等區(qū)域。為保證爆破震動傳感器能夠準確接收到爆破震動信號，測點位置地表裸露介質須為穩(wěn)定的巖石，并使用石膏作為傳感器與地表巖石之間的粘結劑。

2爆破峰值振速的BP神經網絡預測模型

2.1BP神經網絡基本原理

BP神經網絡是一種常用的人工神經網絡，即誤差逆?zhèn)鞑ド窠浘W絡，其本質是實現(xiàn)映射的一個非線性函數。當輸入節(jié)點數為n，輸出節(jié)點數為m時，BP神經網絡就表達了一個從n個自變量到m個因變量的函數映射關系。在爆破振動分析中，運用較廣泛的是三層前饋型BP神經網絡，具有高度的容錯性和魯棒性及學習聯(lián)想能力，其典型的拓撲結構如圖1所示。

圖1　典型BP神經網絡拓撲結構

三層前饋型BP神經網絡包含輸入層、隱含層和輸出層，信號前向傳遞，誤差反向傳播，圖中xi表示信號的輸入層，信號從輸入層輸入，經由隱含層處理后，從輸出層輸出。隱含層的神經元受到上一層神經元的影響，并且只影響下一層的神經元，經過隱含層處理后由輸出層輸出的值yi，如若其誤差值大于允許誤差，則誤差反向傳播。根據誤差的大小調整網絡權值wij和閥值，如此周而復始，使得網絡的預測輸出值逼近期望輸出值，將誤差降到允許誤差范圍。

2.2BP神經網絡結構

BP神經網絡具有很好的非線性動態(tài)處理能力，能夠對樣本進行自主學習，通過學習樣本數據中的隱含規(guī)律，分析出輸入層數據與輸出目標之間的映射關系，不需要復雜的建模分析過程，就能夠建立分析模型。BP神經網絡可以看作是一個通過反饋調節(jié)的多變量高度非線性映射，而爆破震動受到許多因素的影響，具有很大的隨機性，可以看作一個復雜的非線性問題來研究，運用BP神經網絡研究爆破震動強度是合理的。

2.3BP網絡模型的參數選取

影響爆破震動的因素眾多，各因素之間關系也極為復雜，通常將這些因素歸為爆破震源因素(爆破藥量、孔網參數等)、場地因素(傳播介質和地質條件等)和(爆心距、高程等)等[7]幾類因素。在這些因素中，震源因素易于獲取但數量眾多，需區(qū)分主次加以取舍；爆心與測點的空間關系受地形影響較大，應當充分考慮；場地因素由于復雜多變而難以定量的加以描述，難以獲取。故選擇輸入層參數時，需綜合考慮輸入參數的易取性和可行性、代表性，對相關因素加以取舍。綜合考慮，輸入層選擇總藥量、最大段藥量、爆心距、孔數4個特征量作為影響爆破振動強弱的主要因素。

BP神經網絡可以看作是一個非線性映射，在三層BP神經網絡中，隱含層的選擇目前尚未有可靠的判定辦法，通常根據Kolmogorov定理[8]來確定隱含層神經元個數。給定任一連續(xù)函數f：Un→Rm，f(x)=y，U∈[0,1]，f可實現(xiàn)一個三層前向神經網絡，若輸入層有n個輸入單元，輸出層有m個輸出單元，則隱含層的個數為2n+1。考慮到輸入單元為總藥量、最大段藥量、爆心距和孔數4個特征量，隱含層單元數為9，輸出神經單元為測點的峰值振速。

在對BP神經網絡進行訓練和測試之前，所有的輸入數據和目標數據都必須進行處理。考慮到各個特征量數值大小不一，需對數值進行歸一化預處理，本文對樣本數據進行離差標準化處理，進行線性變換：

(3)

樣本數據經過歸一化處理后，作為輸入層數據輸入到BP神經網絡中。

3基于神經網絡模型的爆破振動預測

3.1爆破工程背景

目前首云鐵礦露天開采為臺階炮孔爆破，炮孔直徑140 mm，孔深12～14 m，采用乳化炸藥，孔網參數為7 m×3 m；井下采用無底柱分段崩落法開采，分段高度15 m，采用Simba1354型鑿巖臺車鉆鑿76～80 mm的上向扇形炮孔，最小抵抗線1.6～1.8 m，孔底距2.0～2.6 m，邊孔角63°～65°，每排布置8～9個扇形深孔，壓氣裝藥器裝填黏性粒狀銨油炸藥，每排孔裝藥量890～960 kg，一次落礦爆破1～2排，正常排面采用毫秒微差分段，加強排面2排同時起爆，一次最大起爆藥量1 780～1 920 kg。

3.2預測模型訓練樣本

共進行了4次露天臺階炮孔爆破作業(yè)震動測試，爆破技術參數、距離及測試結果數據如表1所示。

3.3峰值振速的BP神經網絡預測

將數據進行歸一化處理后輸入網絡。隱含層的傳遞函數[9]選擇雙曲正切S型非線性函數tansig，構造非線性系統(tǒng)，輸出層使用logsig函數，使得輸出結果為0～1，將輸出結果反歸一化處理，即可得到預測合成的質點振速峰值。模型選取10#、02#、05#、06#、02#(1)儀器測量數據作為檢驗集，其他14組數據作為訓練樣本，用訓練函數trainlm進行訓練，最大訓練步數5 000，訓練目標誤差為10-7，經過725次訓練達到預期目標，訓練停止。用訓練好的BP神經網絡對檢驗集的峰值振速進行預測，訓練函數的訓練收斂曲線見圖2。

表1　首云鐵礦爆破震動監(jiān)測數據

圖2　訓練函數的訓練收斂曲線

3.4結果分析

對表1中的數據按薩道夫斯基公式進行回歸,得質點振速峰值V與單響最大藥量Q及爆心距R的關系為：

(4)

用式(4)預測檢驗集數據中的爆破振動峰值速度，并與BP神經網絡預測結果進行對比(見表2)。從表2中可以看出，BP神經網絡預測爆破震動具有明顯的優(yōu)勢，預測平均誤差17.16%；薩道夫斯基公式預測平均誤差達到44.12%。BP神經網絡模型預測精度大大高于薩氏公式。

表2　預測結果對比

4結論

由于神經網絡不需要建立輸入變量和輸出間的數學關系，只要調整網絡之間權值就可以建立輸入與輸出的非線性關系，從而使模型較準確地預報結果。本文運用神經網絡模型預測爆破震動速度，并得到以下結論：

(1)BP神經網絡綜合考慮了影響爆破震動強度的多個影響因素，具有強大的非線性動態(tài)處理能力，預測結果比傳統(tǒng)的經驗公式更加準確。

(2)BP神經網絡模型預測露天采場爆破震動峰值振速平均誤差為17.16%，遠遠低于薩氏公式預測結果的平均誤差(44.12%)，故BP神經網絡預測爆破震動與實際爆破震動速度更符合。

(3)本次神經網絡模型預測充分考慮了爆源特性和爆破地形條件，但地質條件，如褶皺、斷層等未能納入神經網絡模型中，對模型的預測精度產生一定的影響，在今后的工作中應當對此方面加以探索。

參考文獻

[1]劉殿中，楊仕春.工程爆破實用手冊[M]．北京:冶金工業(yè)出版社，2004．

[2]周同嶺，楊秀甫，翁家杰． 爆破地震高程效應的實驗研究[J]．建井技術，1997(S1):32-36．

[3]申旭鵬，璩世杰，王福緣，等． 基于BP神經網絡的爆破振速峰值預測[J]．爆破，2013(1):122-125,130．

[4]夏夢會，董香山，張力民，等． 神經網絡模型在爆破震動強度預測中的應用研究[J]．有色金屬:礦山部分，2004(3):25-27．

[5]陶挺，林從謀，程李凱． 爆破振動的BP神經網絡預測方法研究[J]．爆破，2011(4):105-107．

[6]段寶福，張猛，李俊猛． 逐孔起爆震動參數預報的BP神經網絡模型[J]．爆炸與沖擊，2010(4):401-406．

[7]張藝峰，姚道平，謝志招． 基于BP神經網絡的爆破振動峰值及主頻預測[J]．工程地球物理學報，2008(2):222-226．

[8]徐全軍，張慶明，惲壽榕． 爆破地震峰值的神經網絡預報模型[J]．北京理工大學學報，1998(4):472-475．

[9]程相君，王春寧，陳生潭．神經網絡原理及其應用[M]．北京:國防工業(yè)出版社，1995．

(收稿日期2015-10-08)

Prediction of Blasting Vibration Based on BP Neural Network in Open-pit Mine

Guo YingjieQu ShijieHu Guangqiu

(Civil and Environmental Engineering School, University of Science and Technology Beijing)

AbstractAccording to the blasting vibration measured data of Shouyun open-pit mine,parameters of total charge, maximum explosive, distance of explosive source and evaluation difference are regarded as the input layer to establish neural network model based on the BP neural network principle to predict the peak velocity of blasting vibration. The measured data of blasting vibration, the prediction results of BP neural network model and Sadaovsk formula are conducted contrast analysis. The results show that the average error of the peak velocity of blasting vibration of BP neural network model is 17.6%, it is far below the average error (44.12%) of Sadaovsk formula. The research results further indicated that the prediction precise of BP neural network model is higher than the others, the prediction results of BP neural network model is more reliable.

KeywordsBP neural network, Blasting vibration, Prediction

郭英杰(1990—)，男，碩士研究生，100083 北京市海淀區(qū)學院路30號。