地下礦扇形中深孔爆破智能設計系統的開發與應用

張耿城 吳 凡 韓榮燦 張興帆

（1.鞍鋼礦業爆破有限公司；2.沈陽鋁鎂設計研究院）

在金屬礦山地下開采過程中，穿孔爆破是開采工藝中的重要一環。中深孔爆破技術由于具有高效率和低成本等優點被廣泛應用于國內外礦山［1］。在使用中深孔爆破法落礦的礦山，工程師需要根據現場的實際情況使用CAD 等繪圖軟件進行大量重復的爆破設計工作。這些設計工作往往需要根據爆破邊界的變化、爆破參數的控制和爆破方量的計算而進行相應的調整。大量重復性的爆破設計工作變得十分繁瑣與枯燥，而且常常由于微小的失誤而導致爆破效果的偏差。

為了快速完成工程設計中重復性的內容，企業常常會利用相關軟件的二次開發技術定制相應的軟件系統，其中最典型的代表就是AutoCAD 的二次開發。該技術目前已被廣泛應用于機械［2］、電子［3］、建筑［4］、航天［5］和采礦［6］等各個領域。并且該技術可以使用VB［7］、C#［8］、AutoLisp［9］以及C++［10］等多種編程語言進行開發，具有很好的兼容性。

在中深孔爆破設計中，孔網幾何參數、起爆參數、炸藥裝填參數等都對爆破的最終效果具有直接影響，然而現今實際礦山進行爆破參數的設計時還沒有相應的規范，設計的依據主要取決于工程師的經驗，這種粗糙的設計方法逐漸無法滿足礦山高效生產的要求。

本研究針對中深孔爆破設計中存在的弊端，結合鞍山眼前山地下礦地質報告及現場跟蹤測量的數據等資料，建立基于改進ELM 的地下礦爆破參數智能設計及效果智能預測模型，借助ELM 學習算法和CAD 二次開發技術開發了中深孔爆破智能設計系統，以某月該系統可以實現各種復雜邊界條件下的爆破智能設計，并自動計算爆破方量和炸藥用量等數據，可以大大節省工程師的時間和精力。

1 工程背景

眼前山鐵礦地處千山風景區東北5 km，西距鞍山市中心22 km。地理坐標：東經123°9′30″；北緯41°0′04″。眼前山鐵礦總體走向270°～300°，礦區地層主要以單斜構造為主，總體產狀為走向270°～300°，傾向北，傾角70°～85°，局部近直立或有倒轉現象。礦區褶皺和斷裂構造發育。斷層按走向可分為走向斷層、橫斷層和斜交斷層。

礦區采用無底柱分段崩落法開采，回采落礦方式主要采用扇形上向中深孔爆破。落礦參數：炮孔扇面傾角為90°，扇形炮孔邊孔角為45°～55°，孔徑為78 mm，排距為2 m，孔底距為2 m。爆破設計參數對爆破大塊率有很大影響，并且直接影響爆破后礦石大塊率。尤其在眼前山鐵礦溜井處留有大量的大塊礦巖，鏟運機無法對其進行鏟裝作業，滯留于巷道中，從而嚴重影響到裝運設備效率和二次破碎工作量，同時，對運輸膠帶也會產生很大的危害。根據每個爆破位置，量身定做爆破炮孔結構參數，可以改善礦石塊度，優化爆破效果，并可以減小中深孔穿孔量。

2 爆破參數智能設計

2.1 ELM極限學習算法概述

基于前饋神經網絡，Huang于2006第一次提出極限學習機算法（Exetreme Learning Machine，簡稱ELM［11］）。ELM 是在單隱含層神經網絡（SLFNs）的延伸，被廣泛應用于分類、擬合、預測等方面。與SLFNs不同的是，ELM 算法的隱含層節點的個數、隱含層參數與訓練數據無關，且隱含層參數隨機產生，避免了梯度下降法調整參數，從而大大加快了運行速度。

圖1 是一個典型的ELM 神經網絡拓撲圖。它包含輸入層、隱含層和輸出層三大層，輸入層與隱含層、隱含層與輸出層神經單元之間全連接。輸入權值和隱含層閾值不是唯一固定的，而是隨機產生的。單隱含層前饋神經網絡類似于一個線性系統，能夠通過計算隱藏層輸出的廣義逆矩陣可以確定其輸出層權值。

2.2 ELM模型的改進

ELM 的特點就是輸入權值和隱藏層偏差是隨機的，通過最小二乘法直接確定輸出層權值，具有學習快速、算法簡單等優勢。然而ELM 算法輸入權值和隱藏層偏差隨機賦予的特點，使得其針對同一個問題時，每次構建的模型都是不同的，不同的參數對ELM 的泛化能力有著很大的影響，隨機產生出不好的參數會產生較差的模型。因此在對ELM 的改進過程中，輸出層權值的計算方式與原ELM 計算方式相同，主要對輸入層權值和隱藏層偏置進行修改，使得整個模型朝著誤差較小的方向走。具體的改進方法如下。

第一步：完成第一次ELM 神經網絡的訓練與預測，并保存其中的權值、偏置等網絡參數，記錄本次訓練的均方誤差E。

第二步：正向搜索w′=w+t，按照ELM 算法，重新更新其中的輸入權值β′，計算新的誤差E′。

第三步：比較E′和E，若E′＜E，則保留當前的輸入層權值、隱藏層偏置和輸出層權值，即w=w′，β=β′，然后繼續調到第一步。若E′＞E，則跳到第四步。

第四步：判斷權值是否為首次更新，若為首次更新，則進行下一步，若已經更新過了，則認為找到了一個局部最小點，退出即可。

第五步：反向搜索w′=w-t，按照ELM 算法，更新輸入層權值β′，計算新誤差E′。

第六步：比較E′和E，若E′＜E，則保留當前的輸入層權值、隱含層偏置和輸出層權值，即w=w′，β=β′，然后繼續執行第四步。若E′＞E，則退出。

第七步：對下一個粒子執行相同的操作。

2.3 算法改進效果對比

利用上述分析結果，建立訓練模型，在地下礦爆破參數設計數據庫中，隨機挑選10 組未經過訓練的數據，進行爆破大塊率的預測，根據改進網絡的結構，迭代終止時模型對相應巖石力學參數下的大塊率預測結果如圖2所示。

通過大塊率預測模型預測的爆破效果擬合情況可以看出，基于改進ELM 的地下礦爆破大塊率預測模型，隨著迭代次數的增加，預測值與期望值的擬合情況更好。依據改進的ELM 神經網絡所建立的地下礦爆破大塊率預測過程中，其精準度非常高，其均方誤差僅為4.717 2×10-8，相比原ELM 網絡的預測結果，具有極大的提升。與期望值的誤差非常小，完全滿足礦山生產的誤差要求。

3 系統的開發與應用

3.1 開發方法概述

從2006 版本的AutoCAD 以后，.NET API 加入到Autodesk 的開發中。其提供的一系列托管的外包類（Managed Wrapper Class），能夠使得技術開發人員在Microsoft.NET Framework 環境下，使用任何一個支持.NET 語言，例如使用VB.NET、Managed C++以及C#等語言對AutoCAD 進行功能的二次開發。其主要的優點就在于完全面向對象，功能更加強大且方便快捷，所以其更適合作為AutoCAD 二次開發的工具。因此，本研究中的中深孔爆破智能設計系統，以Microsoft Visual Studio 作為程序的開發環境，采用C#編程語言進行AutoCAD 二次開發，并將開發的系統進行實際應用。

3.2 功能模塊的劃分與算法流程圖

本系統主要由人機交互模塊、核心計算模塊、繪圖顯示模塊和數據統計模塊四部分組成，各模塊下屬功能具體如圖3所示。根據系統功能模塊的劃分，程序算法流程如圖4所示。

3.3 系統的界面設計

系統的界面設計如圖5 和圖6 所示。其中，圖5為改進ELM算法自動設計爆破參數的過程，圖6為利用CAD自動繪制中深孔炮孔的過程。

3.4 系統的應用實例

利用本研究開發的中深孔爆破智能設計系統對眼前山地下礦-159 m 水平2 進路8#剖面進行中深孔的設計工作，系統首先根據輸入的巖體力學參數給出爆破參數的選擇，接著采用系統建議的爆破設計參數進行中深孔炮孔的布置，在繪制炮孔過程中，系統自動計算每個炮孔的孔深、傾角、單孔裝藥量以及孔底距等數據，并根據爆破的排距統計此次的爆破量，將統計的數據形成表格，具體情況如圖7所示。

4 結論

本研究從現場實際需求出發，為解決地下礦扇形中深孔爆破中依靠人工經驗設計和大量手工重復性繪圖的問題，開發了中深孔智能爆破設計系統。該系統以改進的ELM 算法為參數優選內核，以基于.NET 的AutoCAD 二次開發技術為手段，可以實現爆破參數的智能設計和炮孔及爆破圖表的自動繪制。將該系統應用于現場實際設計工作，取得了較好的應用效果。