基于爆破振動的巖質邊坡損傷神經網絡預測

鄒 玉 君，嚴 鵬，盧 文 波，陳 明，王 高 輝

（1.武漢大學 水資源與水電工程科學國家重點實驗室，武漢430072；2.武漢大學 水工巖石力學教育部重點實驗室，武漢430072）

基于爆破振動的巖質邊坡損傷神經網絡預測

鄒 玉 君1，2，嚴 鵬1，2，盧 文 波1，2，陳 明1，2，王 高 輝1，2

（1.武漢大學 水資源與水電工程科學國家重點實驗室，武漢430072；2.武漢大學 水工巖石力學教育部重點實驗室，武漢430072）

巖石高邊坡的爆破開挖會對保留巖體造成損傷，巖體損傷過大可能導致邊坡失穩，需嚴格控制并準確確定開挖損傷深度，因此，提出一種快速精確的損傷深度預測方法。以白鶴灘水電站左岸834.0～770.0 m高程壩肩槽邊坡爆破開挖為背景，利用六個開挖梯段的多高程、多爆心距爆破振動監測及損傷深度聲波檢測的數據，建立基于振動峰值的爆破損傷深度BP神經網絡預測模型，對高邊坡爆破損傷深度進行實時預測。該方法利用不同部位及不同爆心處的質點峰值振動峰值作為主回歸變量，同時還考慮最大單響藥量和巖體強度的影響。結果表明，當開挖區域坡體巖性相似且無長大軟弱結構面發育時，運用神經網絡模型及多高程實測爆破振動預測本梯段爆破損傷深度的方法簡便可行，預測精度可滿足實際工程需求。作為傳統爆破損傷聲波檢測的補充，可大大減輕現場聲波測試工作量。

巖石高邊坡；爆破振動；BP神經網絡；爆破損傷；實時預測

1 引言

大型水電工程高邊坡爆破開挖會對保留巖體造成動力損傷，而且損傷區在受到后續開挖擾動、降雨等不利因素的作用不斷演化擴展，尤其是隨著開挖高程的降低，人工邊坡變得越來越陡，巖體損傷過大可能導致邊坡失穩﹝1-3﹞。

目前，巖體開挖的損傷范圍主要是通過現場探測來確定，由于聲波測試法較為簡便、效率高，成果易判讀，精度也較高，因而已經被寫入規范﹝4﹞中，并在巖體開挖工程中有著普遍的應用。但是，聲波測試存在一個顯著的缺點：聲波測試需要鉆取聲波孔，而且探測是將探桿伸入孔內每隔一小段距離逐步進行，對于大規模的巖體邊坡開挖，聲波檢測量十分巨大且費時費力，因此，在實際工程中亟需一種快速高效確定損傷深度的方法，來減小探測工作量和提高工作效率。

另一方面，通過控制爆破振動來減少邊坡開挖巖體損傷、保證工程順利進行的理念也早已為爆破工作者所接受，并用于指導爆破設計。HOLMBERG和PERSSON于1978年引入了一種基于爆炸沖擊波引起的質點峰值振動速度控制的輪廓爆破設計方法﹝5﹞，此設計方法在國際上得到了廣泛應用；HUSTRULID對這種設計原理進行了深化，提出了臨近邊坡巖體輪廓面的開挖爆破設計方法﹝6﹞；在此基礎上，盧文波等﹝7﹞建立了爆源近區質點峰值振動速度的確定公式，并用于計算最后一排主爆孔離邊坡輪廓的最小距離，從而優化爆破參數，控制爆破損傷范圍。

大量研究和工程實踐表明，邊坡爆破開挖誘發的振動與巖體爆破損傷深度之間從統計結果上來看具有較好的相關性。由于爆破振動監測方便快捷，所以利用實測振動與損傷范圍之間的關系來預測爆破的損傷范圍，是一種快速經濟的方法。謝冰等﹝8﹞以寧德核電站核島基坑爆破開挖為例，分析研究了一定爆心距處的質點峰值速度與損傷范圍之間的函數關系；唐海等﹝9﹞認為巖性相同時，基巖損傷深度隨質點峰值振動速度增加而呈指數增加；夏祥等﹝10-15﹞對質點峰值振動速度與巖體損傷之間對應關系的研究也有相關結論。但是，對于質點峰值深度與巖體損傷深度之間的關系缺乏統一的函數表達式，目前的研究均是建立在實驗和數據統計分析的基礎之上，這樣不便計算、比較和推廣運用于工程實踐，而且爆破破巖過程復雜，僅考慮爆破振動而忽視其他因素（如裝藥量、裝藥結構和巖體強度等）對開挖損傷的影響，更加限制了此類方法的使用范圍。因此，在實際工程中，提出一種基于爆破振動并且考慮裝藥量和巖體強度的基巖損傷深度快速、簡易的預測方法，更有應用價值。

在爆破工程中，李守巨等﹝16﹞通過分析爆破振動相應數據，建立了基于人工神經網絡的爆破沖擊荷載參數識別方法；唐海等﹝17﹞運用人工神經網絡原理，對質點爆破振動速度峰值進行了預測，預測精確度明顯高于傳統的薩道夫斯基公式；汪學清、單仁亮﹝18﹞基于爆破實驗利用人工神經網絡模型，準確預測了爆破塊度。所以，將人工神經網絡引入爆破開挖損傷深度的預測研究是切實可行的。

本文以白鶴灘水電站左岸834.0～770.0 m高程壩肩槽邊坡爆破開挖為背景，運用第一至第六開挖梯段的爆破振動監測及損傷深度聲波檢測數據，建立了爆破損傷深度的BP神經網絡預測模型，對高邊坡爆破損傷深度進行實時預測，并利用后續梯段對此關系進行了驗證。

2 工程概況

白鶴灘水電站位于金沙江下游四川省寧南縣和云南省巧家縣境內，電站裝機容量1.6×104MW，設計壩型為混凝土雙曲拱壩，壩高289 m。兩岸壩肩邊坡巖體為峨眉山組玄武巖的多個巖流層，巖性主要為隱晶質玄武巖、杏仁狀玄武巖及變玄武質角礫熔巖等，巖石堅硬。

該電站左岸834.0～770.0 m高程壩肩槽邊坡分為七個梯段，自上而下開挖，開挖坡比為1∶0.76～1∶0.94。由于邊坡高而陡、工程量大，故采用深孔梯段爆破的方式開挖。壩肩槽邊坡作為拱壩壩基的一部分，其開挖質量和效果直接影響到壩基的安全穩定，故需要最大限度地降低爆破對保留表層邊坡巖體的損傷影響。根據規范要求，為減小爆破開挖對保留巖體的損傷，在邊坡的設計輪廓面上采用了預裂爆破的輪廓控制爆破技術，典型鉆爆設計和爆破設計參數分別如圖1和表2所示。

圖1 典型預裂鉆爆設計Fig.1 Typical pre-splitting blasting design

表2 典型爆破參數表Table 2 Typical blasting parameters

3 神經網絡預測模型

3.1 輸入變量

預裂爆破的主要特點是首先在輪廓面上實施預裂孔的爆破，形成預裂縫，然后由遠及近依次實施梯段爆破和緩沖爆破。由于預裂縫可以屏蔽爆區其他爆破產生的應力波向保留巖體傳播，從而減少爆破對保留巖體的損傷。因此，在保證預裂效果的情況下，預裂爆破對保留巖體的損傷幾乎只由預裂孔爆破產生﹝9，19-22﹞。同時，預裂縫有很好的隔振效果，預裂爆破（預裂孔起爆）產生的振動大于梯段爆破（主爆孔和緩沖孔起爆）產生的。邊坡梯段開挖誘發的振動大小與爆源和監測點之間的地形地貌有關，為提高預測精度，選擇不同高程、不同爆心距處的質點峰值振動速度。

各梯段預裂爆破均填裝同種乳化炸藥，采用孔內外非電毫秒延時起爆網路，裝藥結構為分段間隔不耦合裝藥且不耦合系數一致，使用固定的延時雷管系列，所以各梯段預裂孔爆破對保留巖體引起的損傷差異只需考慮預裂孔爆破的最大單響藥量。

從炸藥起爆對巖體介質的作用機理來看，保留巖體受到的損傷包括壓剪損傷和拉壓損傷，而834.0～770.0 m高程段的地質條件基本一致，巖性比較相近，只是在巖體強度上有些差異，所以可將巖體抗壓強度和抗拉強度作為巖體的物理力學參數來確定巖體損傷。

針對本工程的輪廓控制爆破，選擇以下6個變量作為計算邊坡爆破開挖損傷深度的主要參數：爆心距、高程差、質點峰值振動速度、最大單響藥量、巖體抗壓強度和巖體抗拉強度。

3.2 預測模型

BP神經網絡一般為多層神經網絡，主要包括輸入層、隱層、輸出層及各層之間的傳輸函數幾個方面。本文的爆破損傷預測網絡模型中，輸入層參量為爆心距、高程差、質點峰值振動速度、最大單響藥量、巖體抗壓強度和巖體抗拉強度；輸出參量為最大損傷深度和平均損傷深度。由于模式樣本數較多，為減小網絡規模，選擇使用雙隱層網絡﹝23﹞；傳輸函數為S（sigmoid）型函數。因此，網絡設計為多輸入（輸入參數6個）、雙輸出的雙隱層BP神經網絡模型。

通過神經網絡預測爆破開挖損傷深度的過程如圖2所示，邊坡輪廓爆破開挖對保留巖體產生動力損傷，同時誘發地震波在坡體內傳播，在坡面表各爆心距處測得各監測點質點峰值振動速度，將振動測點參數、最大單響藥量和巖體強度參數輸入經過訓練的BP神經網絡模型，便可得到預測的損傷深度。

圖2 BP神經網絡爆破開挖損傷深度預測過程示意圖Fig.2 BP neural network for blast-induced damage depth

3.3 神經網絡訓練

由爆區的裝藥設計可得到預裂孔的最大單響藥量，通過振動監測可得到各個測點的振動參數（爆心距、高程差和質點峰值振動速度），巖體強度可由相關測試得到。規范﹝4﹞中明確規定以同部位處爆后相較于爆前的縱波波速下降率大于10%時來判斷爆破破壞，根據聲波測試孔中爆后聲波波速與爆前波速的差值隨孔深逐漸減小的變化特點，確定10%波速下降率所對應的巖體深度即為爆破損傷深度，具體值可通過爆前爆后的聲波波速分析得到。對振動的監測布置在爆破區以上的各臺階馬道內側和地表，保證各爆心距處都有測點分布，每次爆破布置5～10個測點，每個測點布置一臺三向速度傳感器（可同時測量豎直向、水平徑向和水平切向的振動速度），最后對振動信號進行存儲分析。

將七個梯段的爆破開挖實測數據列于表3，爆心距和高程差分別為監測點到爆源中心的直線距離和垂直方向距離。只選用水平徑向的質點峰值振動速度來計算，因為三個方向的數據相差不大，全部選用計算網絡規模會較大，可只選擇單一方向的振動數據。最大單響藥量為每次梯段爆破開挖時的預裂孔起爆單響藥量；巖體抗壓強度和抗拉強度為開挖梯段的巖體強度；最大損傷深度和平均損傷深度為聲波檢測得到的統計分析結果。

表3 實測數據Table 3 Monitored data

續表3

用MATLAB作為仿真平臺，對樣本集進行神經網絡訓練，最大迭代次數為2 000次，其目標誤差設為0.001，學習初始速率設為0.01，將數據歸一化到取值區間［-1，1］。選擇表3中第一到第六個梯段的50組數據作為訓練和測試數據，來得到滿足要求的訓練網絡進行目標參量的預測。從這50組數據中隨機取出80%的組數用作正常訓練數據，10%的組數用于變量數據來防止訓練中出現過擬合狀態，其余10%的組數用于測試數據來驗證訓練效果（即網絡的預測精度和泛化能力）。經過多次訓練，選擇確定各隱層節點數、傳輸函數和訓練學習函數，所用的人工神經網絡拓撲結構如圖3所示。

圖3 人工神經網絡拓撲結構Fig.3 Topological structure of artificial neural network

3.4 實驗結果與分析

經過多次實驗發現，訓練學習函數選擇trainlm，迭代次數一般都不超過100次，訓練樣本的均方差為2.369×10-3，收斂相當迅速，且收斂速率比較穩定。此外，為保證合理的精度，給測試數據的網絡仿真結果和實際結果設置了誤差限值（損傷深度誤差不超過0.1 m），每次訓練網絡后，將這個誤差和設置值比較，得到滿意訓練網絡后，保存訓練網絡，用于下一梯段的損傷預測。圖4為所選樣本訓練預測結果和測試預測結果與實測值的對比，前45組為訓練結果，可知訓練樣本的吻合度很好；后5組為網絡測試預測結果。由圖4可知網絡的預測精度較高，損傷深度誤差均不超過誤差限值0.1 m，可用于下一梯段的損傷深度預測。

圖4 樣本訓練預測結果和測試預測結果與實測值對比Fig.4 Comparison of training and predicted results with specimens

4 預測結果

由第一至第六梯段的試驗數據訓練得到神經網絡模型，選取第七梯段爆破對此預測網絡進行驗證。此梯段爆破振動共安置7個監測點，距爆源中心24～73 m，具體實測數據如表3所示。將7個測點的振動數據、最大單響藥量和巖體強度參數輸入網絡，每個測點都能得到一組第七梯段預測的最大損傷深度和平均損傷深度，預測結果與實測結果的對比分析如表4所示。

實測損傷深度結果：最大損傷深度為1.10 m，平均損傷深度為0.88 m。采用基于前六個梯段建立的BP神經網絡預測的第七梯段保留巖體的最大損傷深度的平均值為1.03 m，平均損傷深度的平均值為0.83 m。可見，預測損傷深度與實測損傷深度之間相差不大，預測精度可滿足工程要求。

表4 保留巖體實測損傷深度和預測損傷深度對比Table 4 Comparison of measured damage depth and predicted damage depth of reserved rock mass

從理論上來看，爆源中遠區的地表振動與近區爆破損傷之間沒有嚴格的理論關系，因為爆破釋放的能量在近區造成巖體的損傷破壞，并以體波的形式傳播，在中遠區的地表測得的振動實際上是由面波引起的。但是，謝 冰 等﹝8﹞、唐 海 等﹝9﹞、李 海 波 等﹝11﹞以及嚴鵬等﹝15﹞的研究表明地表質點峰值振動速度與爆破損傷在統計學關系上相關性較好。此類方法僅考慮一定爆心距處的爆破振動這一間接反映巖體損傷的參數，忽視了其他直接決定巖體開挖損傷的因素（如炮孔裝藥、巖體強度和地形地貌等），而且爆破振動也與炮孔裝藥、爆破點至振動監測點間的地形、地質條件密切相關，因而對振動測試和坡體工程地質條件要求較為嚴格，限制了其使用范圍。

本文提出的基于爆破振動監測的巖質邊坡損傷深度BP神經網絡預測模型，簡化了對實測數據繁瑣的統計分析過程。雖然神經網絡的訓練調試過程略顯復雜，但是只需將實測振動數據輸入模型，便可準確快速預測巖石高邊坡爆破損傷深度，而且隨著高邊坡開挖進程的持續推進，實測爆破振動、損傷及相關數據庫不斷豐富，預測精度會進一步提高，這對邊坡支護動態調整及信息化施工具有重要意義。

5 結論

（1）當邊坡巖性較為相似，且開挖區域坡體上無長大軟弱結構面發育時，運用提出的BP神經網絡模型預測下一梯段損傷范圍的方法簡便可行，預測精度較高，可滿足工程要求。

（2）在考慮不同部位及不同爆心處的質點峰值振動速度的同時，還考慮了最大單響藥量、巖體強度及地形地貌等環境特征的影響?？蓪Ω哌吰卤茡p傷深度進行實時預測，以減少巖體損傷檢測的工作量，提高工作效率。

（3）因爆破開挖損傷影響因素較多且較為復雜，為進一步提高預測精度，可隨高邊坡開挖進程的持續推進，不斷豐富實測爆破振動、損傷及相關數據庫，增加巖體結構面、孔網參數等作為預測輸入參量。

全市每年都有因城市（鎮）開發、工業園區、房地產、交通、水工程等建設項目開挖擾動地表、開挖自然山體，不嚴格執行水土保持方案和“三同時制度”，沒有實施生態修復和水保設施建設，甚至有的建設單位不按規定傾倒或者向河道偷倒廢棄建筑渣（土）等。據監測和調查，全市各類生產建設項目年造成新的水土流失面積10km2，有的地方破壞面積已接近甚至大于當年治理面積，城市生態環境嚴峻形勢不容樂觀。

（

）：

﹝1﹞李海波，蔣會軍，趙堅，等.動荷載作用下巖體工程安全的幾個問題［J］.巖石力學與工程學報，2003，22（11）：1 887-1 891. LI Hai-bo，JIANG Hui-jun，ZHAO Jian，et al.Some problems about safety analysis of rock engineering under dynamic load［J］.Chinese Journal of Geotechnical Engineering，2003，22（11）：1 887-1 891.

﹝2﹞閆長斌.爆破作用下巖體累積損傷效應及其穩定性研究［D］.長沙：中南大學，2006. YAN Chang-bin.Study on cumulative damage effects and stability of rock mass under blasting loading［D］. Changsha：Central South University，2006.

﹝3﹞周創兵.水電工程高陡邊坡全生命周期安全控制研究綜述［J］.巖石力學與工程學報，2013，32（6）：1 081-1 093. ZHOU Chuang-bing.A prospect of researches on life-cycle safety control on high-steep rock slopes in hydropower engineering［J］.Chinese Journal of Rock Mechanics and Engineering，2013，32（6）：1 081-1 093.

﹝4﹞DL/T5389-2007水工建筑物巖石基礎開挖工程施工技術規范［S］.北京：中國電力出版社，2007. DL/T5389-2007 Construction technical specifications on rock foundation excavating engineering of hydraulic structures［S］.Beijing：China Electric Power Press，2007.

﹝5﹞HOLMBERG R，PERSSON P A.The swedish approach to contour blasting［C］//Proceedings of the 4th conference on explosive and blasting technique.ISEE，1978：113-127.

﹝7﹞盧文波，HUSTRULID W.臨近巖石邊坡開挖輪廓面的爆破設計方法［J］.巖石力學與工程學報，2003，22（12）：2 052-2 056. LU Wen-bo，HUSTRULID W.Design approach for excavation blasting near contour of rock slope［J］.Chinese Journal of Rock Mechanics and Engineering，2003，22（12）：2 052-2 056.

﹝8﹞謝冰，李海波，劉亞群，等.寧德核電站核島基坑爆破開挖安全控制研究［J］.巖石力學與工程學報，2009，28（8）：1 571-1 578. XIE Bing，LI Hai-bo，LIU Ya-qun，et al.Study of safety control of foundation pit excavation by blasting in ningde nuclear power plant［J］.Chinese Journal of Rock Mechanics and Engineering，2009，28（8）：1 571-1 578.

﹝9﹞唐海，李海波，周青春，等.預裂爆破震動效應試驗研究［J］.巖石力學與工程學報，2010，29（11）：2 277-2 285. TANG Hai，LI Hai-bo，ZHOU Qing-chun，et al.Experimental study of vibration effect of presplit blasting［J］.Chinese Journal of Rock Mechanics and Engineering，2010，29（11）：2 277-2 285.

﹝10﹞夏祥.爆炸荷載作用下巖體損傷特征及安全閾值研究［D］.武漢：中國科學院武漢巖土力學研究所，2006. XIA Xiang.Study of damage characteristics and safety threshold of rock vibration by blast［D］.Wuhan：Institute of Rock and Soil Mechanics，Chinese Academy of Sciences，2006.

﹝11﹞LI H B，XIA X，LI J C，et al.Rock damage control in bedrock blasting excavation for a nuclear power plant［J］.International Journal of Rock Mechanics and Mining Sciences，2011，48（2）：210-218.

﹝12﹞BAUER A，CALDER P N.Open pit and blast seminar［R］.Kingston：Mining Engineering Department，Queens University，1978.

﹝13﹞SAVELY J P.Designing a final blast to improve stability［C］//Proceedings of the SME Annual Meeting.New Orleans：［s.n.］，1986：80-86.

﹝14﹞MOJITABAI N，BEATTI S G.Empirical approach to prediction of damage in bench blasting［J］.Transactions of the Institution of Mining and Metallurgy：Section A，1996，10（5）：75-80.

﹝15﹞嚴鵬，鄒玉君，盧文波，等.基于爆破振動監測的巖石邊坡開挖損傷區預測［J］.巖石力學與工程學報，2016，35（3）：538-548. YAN Peng，ZOU Yu-jun，LU Wen-bo，et al.Predicting the damage zone of rock slope under blasting excavation based on vibration monitoring［J］.Chinese Journal of Rock Mechanics and Engineering，2016，35（3）：538-548.

﹝16﹞李守巨，劉迎曦，何翔，等.基于人工神經網絡的爆炸沖擊荷載參數識別方法［J］.巖石力學與工程學報，2003，22（11）：1 870-1 873. LI Shou-ju，LIU Ying-xi，HE Xiang，et al.Identification with artificial neural network of load parameters from underground explosion［J］.Chinese Journal of Rock Mechanics and Engineering，2003，22（11）：1 870-1 873.

﹝17﹞唐海，石永強，李海波，等.基于神經網絡的爆破振動速度峰值預報［J］.巖石力學與工程學報，2007，26（S1）：3 533-3 539. TANG Hai，SHI Yong-qiang，LI Hai-bo，et al.Prediction of peak velocity of blasting vibration based on neural network［J］.Chinese Journal of Rock Mechanics and Engineering，2007，26（S1）：3 533-3 539.

﹝18﹞汪學清，單仁亮.人工神經網絡在爆破塊度預測中的應用研究［J］.巖土力學，2008，29（S1）：529-532. WANG Xue-qing，SHAN Ren-liang.Application of artificial neural networks to blasting fragment prediction［J］.Rock and Soil Mechanics，2008，29（S1）：529-532.

﹝19﹞胡英國，盧文波，陳明，等.不同開挖方式下巖石高邊坡損傷演化過程比較［J］.巖石力學與工程學報，2013，32（6）：1 176-1 184. HU Ying-guo，LU Wen-bo，CHEN Ming，et al.Comparison of damage evolution process of high rock slope excavated by different methods［J］.Chinese Journal of Rock Mechanics and Engineering，2013，32（6）：1 176-1 184.

﹝20﹞BADAL R.Controlled blasting in jointed rocks［J］.International Journal of Rock Mechanics and Mining Sciences，1994，31（1）：79-84.

﹝21﹞SOEJIMA M.Analysis of the influence of crack in coke on the fracture［J］.Journal of the Iron and Steel Institute of Japan，2001，87（5）：245-251.

﹝22﹞鄒奕芳.預裂縫和減震槽減震效果的爆破試驗研究［J］.爆破，2005，22（2）：96-99. ZOU Yi-fang.Experimental study on the vibration-isolating effect of pre-split crack and vibration-isolating slot［J］.Blasting，2005，22（2）：96-99.

﹝23﹞MOHAMED M T.Performance of fuzzy logic and artificial neural network in prediction of ground and air vibrations［J］.International Journal of Rock Mechanics and Mining Sciences，2011，48（5）：845-851.

Prediction of blast-induced damage depth for rock slope based on monitored vibration and neural network model

ZOU Yu-jun1，2，YPP Peng1，2，LU Wen-bo1，2，CHEP Ming1，2，WPPC Cao-hui1，2
（1.State Key Laboratory of Water Resources and Hydropower Engineering Science，Wuhan University，Wuhan 430072，China；2.Key Laboratory of Rock Mechanics in HydrauIic StructuraI Engineering Ministry of Education，Wuhan University，Wuhan 430072，China）

The blasting excavation of high rock slope in large-scale hydropower projects leads to damages on the reserved rock mass.Such damages may cause slope failure，so the blast-induced damage depth should be strictly controlled and precisely determined and it is urgently needed to find an efficient and accurate method to determine damage depth.During blasting excavation of the left bank slope between altitude of 834.0m and 770.0m of the Bai-he-tan Hydropower Station，the vibration caused by the first to the sixth bench blasting are monitored at different points and the blasting damage depths are also obtained by sonic wave testing.Then the BP artificial neural network model is established for real-time prediction of damage depth based on monitored vibration.This method takes the vibration at different distances and altitudes to the blast center as main regression variable，and the maximum explosives per delay and rock mass strength are also considered.The result indicates that if the lithology of each bench were similar and there were no large structural planes existing，the method that applying BP artificial neural network model presented with monitored vibration is convenient and feasible.The prediction accuracy of damage depth can meet the requirement of practical project，and the method for supplementury will significantly reduce massive traditional sonic wave testing workload.

High rock slope；Blasting vibration；BP neural network；Blasting damage；Real-time prediction

TD235.1

A

10.3969/j.issn.1006-7051.2016.05.012

1006-7051（2016）05-0057-07

2016-03-05

國家自然科學基金杰出青年基金項目（51125037）；國家自然科學基金面上項目（51179138）

鄒玉君（1992-），男，碩士在讀，從事巖石動力學和工程爆破方面的研究教學和科研工作。E-mail：zouyujun@whu.edu.cn

嚴鵬（1981-），男，副研究員，主要從事巖石動力學及工程爆破相關的教學和科研工作。E-mail：pyanwhu@whu.edu.cn