基于XGBoost模型巖體可爆性研究

摘要：巖體可爆性是衡量巖體爆破難易程度的一個(gè)重要指標(biāo)，準(zhǔn)確對(duì)巖體可爆性評(píng)價(jià)能夠?yàn)楹侠肀圃O(shè)計(jì)提供依據(jù)。選取巖石密度、單軸抗壓強(qiáng)度、巖石抗拉強(qiáng)度、巖石脆性指數(shù)、動(dòng)載強(qiáng)度和完整性系數(shù)等作為巖體可爆性數(shù)據(jù)集的指標(biāo)，采用Z-Score方法標(biāo)準(zhǔn)化巖體可爆性數(shù)據(jù)集，消除量綱對(duì)模型預(yù)測(cè)影響，分別采用樸素貝葉斯、支持向量機(jī)和XGBoost模型進(jìn)行巖體可爆性分級(jí)，結(jié)果表明：采用XGBoost模型能夠準(zhǔn)確評(píng)價(jià)巖體的可爆性，為巖體可爆性評(píng)價(jià)提供一種新的方法。

關(guān)鍵詞：爆破；巖體可爆性；可爆性分級(jí)；XGBoost；機(jī)器學(xué)習(xí)算法

中圖分類號(hào)：TD235 文章編號(hào)：1001-1277（2024）02-0021-03

文獻(xiàn)標(biāo)志碼：Adoi：10.11792/hj20240204

引 言

巖體可爆性是指巖體在炸藥爆炸沖擊下發(fā)生破碎的難易程度。由于礦山爆破自身存在不確定性、復(fù)雜性和多變性等，目前國(guó)內(nèi)外對(duì)于巖體可爆性尚未達(dá)到統(tǒng)一共識(shí)。因此，亟須探索一種方法進(jìn)行巖體可爆性評(píng)價(jià)。

國(guó)內(nèi)外學(xué)者對(duì)巖體可爆性展開研究，常用的分級(jí)方法包括單一指標(biāo)普氏分級(jí)、勒訶謝達(dá)洛夫法和邦德法；多指標(biāo)蘇氏分級(jí)、庫圖佐夫分級(jí)和神經(jīng)網(wǎng)絡(luò)分級(jí)等。單一指標(biāo)分級(jí)多為早期巖體可爆性分級(jí)研究，巖體可爆性與巖石本身性質(zhì)和爆破工藝相關(guān)，故單一指標(biāo)無法有效反映巖體可爆性，近些年多指標(biāo)研究被學(xué)者們廣泛關(guān)注^［1-3］。

大量學(xué)者對(duì)巖體可爆性展開研究，韓超群等^［4］選取了巖體聲波、波阻抗、爆破漏斗體積、大塊率、小塊率和平均合格率共6類指標(biāo)采用主成分分析法和支持向量機(jī)對(duì)巖體可爆性進(jìn)行預(yù)測(cè)，結(jié)果表明主成分分析法和支持向量機(jī)預(yù)測(cè)模型的評(píng)判結(jié)果與實(shí)際情況較為吻合。戴兵等^［5］、周楠等^［6］和尚俊龍等^［7］分別應(yīng)用未確知測(cè)度理論、綜合賦權(quán)聚類分析理論和博弈論物元可拓理論對(duì)巖體可爆性進(jìn)行評(píng)價(jià)。

綜合上述分析，學(xué)者們對(duì)巖體可爆性展開了研究，并取得一定成果。巖體可爆性評(píng)價(jià)是一個(gè)復(fù)雜的問題，目前常用的方法無法準(zhǔn)確對(duì)巖體可爆性進(jìn)行評(píng)價(jià)。近幾年，機(jī)器學(xué)習(xí)算法優(yōu)秀的分類性能被廣泛關(guān)注。本文使用Z-Score方法消除量綱對(duì)模型精度的影響，采用樸素貝葉斯（NB）、支持向量機(jī)（SVM）和XGBoost模型（XGB）對(duì)巖體可爆性進(jìn)行評(píng)價(jià)，結(jié)果表明XGB預(yù)測(cè)結(jié)果與實(shí)際相符，為巖體可爆性評(píng)價(jià)提供一種新的方法。

1 巖體可爆性分級(jí)理論

1.1 Z-Score方法

Z-Score方法是一種常用的數(shù)據(jù)標(biāo)準(zhǔn)化處理方法。巖體可爆性數(shù)據(jù)集指標(biāo)間存在不同量級(jí)數(shù)據(jù)，為了消除量綱對(duì)模型準(zhǔn)確率的影響，采用Z-Score方法對(duì)數(shù)據(jù)集進(jìn)行標(biāo)準(zhǔn)化處理。

1.2 XGBoost理論

XGBoost是一種改進(jìn)的梯度提升決策樹，具有支持多種線性分類器、收斂速度快、預(yù)防過擬合和支持并行計(jì)算等特征。

第t次迭代樹模型為f_t（x_i），本次預(yù)測(cè)結(jié)果^［8］為：

式中：?^（t）_i為第t次迭代預(yù)測(cè)結(jié)果，則第t-1次迭代預(yù)測(cè)結(jié)果^（t－1）_i為：

式中：l（y_i－y^（t）_i）為損失函數(shù)；c為常數(shù)項(xiàng)；Ωf（t）為懲罰項(xiàng)。

式中：γ和λ為算法運(yùn)行中強(qiáng)度參數(shù)；T為葉子總數(shù)；j為 t棵樹各葉子節(jié)點(diǎn)號(hào)；ω_j為第t棵樹j個(gè)節(jié)點(diǎn)預(yù)測(cè)值懲罰項(xiàng)優(yōu)化目標(biāo)。

目標(biāo)函數(shù)obj分裂后收益Gain值最大時(shí)為最優(yōu)分裂，Gain計(jì)算如下：

2 巖體可爆性分析

巖體可爆性分級(jí)受多種因素影響，考慮到爆破破巖機(jī)理和現(xiàn)場(chǎng)爆破情況，本文選取巖石密度、單軸抗壓強(qiáng)度、巖石抗拉強(qiáng)度、巖石脆性指數(shù)、動(dòng)載強(qiáng)度和完整性系數(shù)等6個(gè)指標(biāo)作為巖體可爆性數(shù)據(jù)的指標(biāo)。巖石密度、單軸抗壓強(qiáng)度、巖石抗拉強(qiáng)度等為巖體本身的物理性質(zhì)，是影響爆破效果的重要指標(biāo)。爆破過程為動(dòng)力作用過程，動(dòng)載強(qiáng)度是反映爆破效果的一個(gè)重要指標(biāo)；巖石脆性系數(shù)能夠反映巖體抵抗爆破沖擊的能力，因此巖石脆性系數(shù)作為評(píng)價(jià)巖體可爆性指標(biāo)。完整性系數(shù)反映巖體發(fā)育程度，巖體越發(fā)育和破碎，爆破需要能量越小。

3 某礦山巖體可爆性分級(jí)

將巖石密度（ρ）、單軸抗壓強(qiáng)度（σ_c）、巖石抗拉強(qiáng)度（σ_t）、巖石脆性指數(shù)（σ_c/σ_t）、動(dòng)載強(qiáng)度（σ_shpb）和完整性系數(shù)（η）等6個(gè)指標(biāo)作為巖體可爆性分級(jí)指標(biāo)，建立某礦山巖體可爆性分級(jí)數(shù)據(jù)集^［9］，如表1所示。

巖體可爆性數(shù)據(jù)集中受量綱影響，采用Z-Score方法對(duì)表1數(shù)據(jù)進(jìn)行預(yù)處理，得到標(biāo)準(zhǔn)化處理后巖體可爆性數(shù)據(jù)集，如表2所示。

巖體可爆性數(shù)據(jù)集經(jīng)Z-Score方法處理得到標(biāo)準(zhǔn)化處理后巖體可爆性數(shù)據(jù)集，將得到的可爆性數(shù)據(jù)集帶入NB、SVM和XGB機(jī)器學(xué)習(xí)分類器中進(jìn)行巖體可爆性分級(jí)。將數(shù)據(jù)集分為80 %的訓(xùn)練集和20 %測(cè)試集，表2中樣本5、樣本7和樣本9為測(cè)試集，其余為訓(xùn)練集，不同機(jī)器學(xué)習(xí)算法預(yù)測(cè)結(jié)果如表3所示。

由表3可知：NB模型預(yù)測(cè)的準(zhǔn)確率為0.33，SVM模型預(yù)測(cè)的準(zhǔn)確率為0.66，XGB模型預(yù)測(cè)的準(zhǔn)確率為1，XGB模型準(zhǔn)確率明顯優(yōu)于其他模型，巖體可爆性分級(jí)預(yù)測(cè)與實(shí)際相符，為巖體可爆性分級(jí)提供一種新的方法。XGBoost算法ROC曲線如圖1所示。

由圖1可知：AUC表示ROC曲線圍成的面積，能夠衡量分類器的性能。當(dāng)AUC面積接近1時(shí)，說明分類器分類性能好；當(dāng)AUC面積接近0時(shí)，說明分類器分類性能差。巖體可爆性分級(jí)Ⅳ級(jí)ROC曲線、Ⅴ級(jí)ROC曲線、Ⅵ級(jí)ROC曲線和宏平均法ROC曲線隨著閾值變化，真正率值為1，AUC面積始終為1，表明XGB巖體可爆性分級(jí)模型分類效果好。準(zhǔn)確預(yù)測(cè)了該礦山的巖體可爆性。

4 結(jié) 論

1）巖體可爆性數(shù)據(jù)集受量綱影響，本文采用Z-Score方法對(duì)巖體可爆性數(shù)據(jù)集進(jìn)行標(biāo)準(zhǔn)化處理，消除了量綱對(duì)模型準(zhǔn)確率的影響，提高模型的準(zhǔn)確率。

2）選取巖石密度、單軸抗壓強(qiáng)度、巖石抗拉強(qiáng)度、巖石脆性指數(shù)、動(dòng)載強(qiáng)度和完整性系數(shù)作為指標(biāo)，將機(jī)器學(xué)習(xí)算法引入巖體可爆性分析，為巖體可爆性評(píng)價(jià)提供一種新的方法。

3）對(duì)比NB、SVM和XGB 3種分類模型，XGB模型準(zhǔn)確率預(yù)測(cè)結(jié)果與實(shí)際相符，大大提高了巖體可爆性評(píng)價(jià)模型的準(zhǔn)確率。

［參 考 文 獻(xiàn)］

［1］ 丁小華，原文杰，解禎，等.基于綜合賦權(quán)云模型的露天礦巖體可爆性分級(jí)識(shí)別［J］.煤炭科學(xué)技術(shù)，2019，47（10）：96-101.

［2］ 史涵虛，周傳波，蔣楠，等.魏家峁煤礦區(qū)深孔臺(tái)階剝離爆破施工巖體可爆性分析［J］.爆破，2023，40（1）：37-44.

［3］ 駱清.巖體可爆性分級(jí)現(xiàn)狀及趨勢(shì)分析［C］∥中鋼集團(tuán)馬鞍山礦山研究院，金屬礦山安全與健康國(guó)家重點(diǎn)實(shí)驗(yàn)室，冶金礦產(chǎn)資源高效開發(fā)利用產(chǎn)業(yè)技術(shù)創(chuàng)新戰(zhàn)略聯(lián)盟，等.中國(guó)礦業(yè)科技文匯——2013.北京：冶金工業(yè)出版社，2013：4.

［4］ 韓超群，陳建宏，周智勇，等.基于主成分分析——支持向量機(jī)模型的礦巖可爆性等級(jí)預(yù)測(cè)研究［J］.黃金科學(xué)技術(shù)，2019，27（6）：879-887.

［5］ 戴兵，趙國(guó)彥，董隴軍.巖體可爆性分級(jí)的未確知均值分級(jí)方法及應(yīng)用［J］.中南大學(xué)學(xué)報(bào)（自然科學(xué)版），2015，46（6）：2 157-2 161.

［6］ 周楠，王德勝，常建平，等.基于綜合賦權(quán)聚類分析的巖石爆破性分區(qū)評(píng)價(jià)［J］.巖石力學(xué)與工程學(xué)報(bào)，2013，32（增刊1）：2 817-2 824.

［7］ 尚俊龍，胡建華，莫榮世，等.可爆性分級(jí)的博弈論物元可拓預(yù)測(cè)模型及其應(yīng)用［J］.采礦與安全工程學(xué)報(bào)，2013，30（1）：86-92.

［8］ LIU B，ROSTAMIAN A，KHEIROLLAHI M，et al.NMR log response prediction from conventional petrophysical logs with XGBoost-PSO framework［J］.Geoenergy Science and Engineering，2023，211561.

［9］ 張紫晗，胡光球，鄭建禮，等.基于脆性指數(shù)和熵權(quán)理論的巖體可爆性分級(jí)方法［J］.工程爆破，2021，27（5）：65-71.

Study on explosibility of rock mass based on XGBoost model

Wu Lingfeng¹，Zhou Zonghong²，Sun Wei¹

（1.Jinping Chang’an Mining Co.，Ltd.;

2.School of Land and Resources Engineering，Kunming University of Science and Technology）

Abstract：Rock mass explosibility is an important index to measure the difficulty of rock mass blasting，and an accurate evaluation of rock mass explosibility can provide a basis for reasonable blasting design.In this paper，rock density，uniaxial compressive strength，rock tensile strength，rock brittleness index，dynamic load strength，and integrity coefficient are selected as the indicators of rock mass explosibility data set.The data set of rock mass explosibility is standardized by Z-Score，and the influence of dimension on model prediction is eliminated.Naive Bayes，support vector machine，and XGBoost models are used to classify rock mass explosibility.The results show that XGBoost model can accurately evaluate rock mass explosibility and provide a new method for rock mass explosibility evaluation.

Keywords：blasting;rock mass explosibility;explosibility classification;XGBoost；machine learning algorithm