基于在線監測技術的爆破施工優化方法研究

摘 "要：該文以茶山支洞鉆爆法施工某段工程項目為依托，研究基于在線監測技術的隧洞爆破施工優化方法。鑒于爆破施工在基建中廣泛應用但面臨安全、效率與環境挑戰，提出一種集成多傳感器的實時監測系統，通過捕獲振動、掌子面圖像、沖擊波范圍和飛石距離等爆破關鍵參數，并融合隧洞地質信息，利用GA-BP神經網絡預測爆破效果。基于預測結果與設計規范，精準調參，全面優化爆破方案，以確保施工安全與效率。

關鍵詞：在線監測；爆破施工；優化方法；多傳感器集成；GA-BP神經網絡模型

中圖分類號：TV554.1 " " "文獻標志碼：A " " " " "文章編號：2095-2945（2025）10-0146-04

Abstract： Based on a certain engineering project constructed by the drilling and blasting method in Chashan Cave， this paper studies an optimization method for tunnel blasting construction based on online monitoring technology. In view of the widespread use of blasting construction in infrastructure construction but facing safety， efficiency and environmental challenges， a real-time monitoring system integrating multiple sensors is proposed to capture key blasting parameters such as vibration， face image， shock wave range， and flying rock distance， and fuse tunnel geological information and use GA-BP neural network to predict blasting effects. Based on the prediction results and design specifications， the parameters are accurately adjusted and the blasting plan is comprehensively optimized to ensure construction safety and efficiency.

Keywords： online monitoring; blasting construction; optimization method; multi-sensor integration; GA-BP neural network model

科技進步促進了在線監測技術在爆破施工領域的應用，該技術如同施工現場的“智能守護者”。依托傳感器與數據采集系統，可實時捕捉爆破過程中的振動強度、噪音水平及有害氣體濃度等關鍵數據，為施工團隊提供即時、精確的反饋。其爆破效果不僅可促進爆破方案的精細化調整，還可顯著降低對周邊環境的潛在損害[1]。近年來，爆破設計優化領域取得了顯著進展，其中深度學習、地質信息分析等創新方法備受矚目。Monjezi、Sadollah等[2-3]運用神經網絡深入探索了爆破參數與圍巖條件的復雜影響，推動了參數優化與效果預測的顯著進步；同時，王新民等[4]構建了高效的BP神經網絡模型，該模型針對復雜圍巖條件，可精準篩選出優化爆破效果的最佳組合參數；李國明[5]則應用BP神經網絡模型分析礦區巖石的可爆性，有效降低了爆破中的大塊率，并減少了單耗問題。

然而，當前爆破設計優化的研究多聚焦于單一工程案例，缺乏廣泛適用于類似隧道工程的通用策略。隧道開挖面臨圍巖條件多變、施工環境復雜的挑戰，傳統方法難以實時響應并動態調整爆破方案，制約了掘進效率與爆破效果。鑒于此，本文創新性地將在線監測技術融入隧洞爆破施工優化流程，通過實時監測施工過程中的關鍵參數，并結合GA-BP神經網絡模型進行爆破效果的前瞻預測。此策略不僅提升了預測精度，還為實現爆破施工方案的即時優化提供了科學依據，有效增強了隧道掘進作業的安全性與效率。

1 "工程概況

爆破施工，作為高效破碎巖石的核心技術，在礦山開采、隧道建設、建筑拆除等領域扮演著至關重要的角色。尤其在面對復雜多變的隧洞工程，如茶山支洞項目——云開山隧洞體系的關鍵組成部分，其優化爆破施工方案成為確保施工安全、質量與經濟性的關鍵。茶山支洞，以城門洞形斷面設計，全長2 415.66 m，面臨陡峭縱坡與大規模石方開挖（達12.97萬m3）的挑戰，對爆破技術的精確性提出了更高要求。

針對傳統鉆爆法常遇的炮孔效能低下、大塊石料頻發及超欠挖等問題，本文深入茶山支洞爆破開挖實踐，旨在引入并驗證一種基于在線監測技術的優化策略。該策略通過集成先進的多傳感器系統，實時捕捉爆破過程中的關鍵數據，如振動強度、沖擊波范圍、掌子面爆破后效果等，結合隧洞特有的地質條件，運用GA-BP神經網絡進行前瞻性預測與動態調整爆破參數。此舉旨在以最少的資源投入與最短的施工周期，實現最佳的爆破效果與經濟效益，不僅為茶山支洞項目保駕護航，更為同類隧道工程提供了創新思路與實踐范例。

2 "在線監測技術在爆破施工中的應用

在爆破施工中，在線監測技術可以通過監測設備（圖1）實時監測爆破過程中的振動、爆破后掌子面圖像、飛石距離等參數，從而實現對爆破施工的實時控制和優化[6-7]。以下是幾種常見在線監測技術在隧洞爆破施工中的應用。

圖1 "隧洞監測設備

2.1 "振動監測

通過安裝高精度振動傳感器，系統能夠實時采集監測爆破產生的振動波，進而評估振動對周圍巖體及既有結構物的潛在影響。基于振動監測結果，施工人員可以及時調整爆破參數，如裝藥量、起爆順序等，以減少振動危害，保護周邊環境的穩定性。

2.2 "掌子面圖像監測

利用高清攝像頭和圖像處理技術，在線監測系統能夠實時捕捉爆破后掌子面的圖像。通過對這些圖像的分析，施工團隊可以快速識別出大塊石料、超欠挖區域等，為后續清理與支護工作提供直觀依據。同時，圖像監測亦對爆破效果進行評估，進一步優化爆破設計參數，提高施工質量。

2.3 "飛石監測

飛石是爆破施工中常見的安全隱患之一。通過在爆破區域周邊設置攝像頭、激光測距儀或雷達探測器等，系統能夠實時監測飛石的運動軌跡和最大飛行距離，進而確定安全的警戒范圍、保護施工人員和設備安全。根據飛石監測結果，施工人員可以調整爆破參數及防護措施，如調整起爆點位置、增設防護網等，以確保爆破作業的安全進行。

3 "在線監測系統與爆破施工優化的融合機制

隨著工程技術的快速發展，在線監測系統已成為爆破施工領域不可或缺的工具，它通過實時監測、智能分析與遠程控制等手段，顯著提升了爆破施工的安全性、效率與精度。本節針對在線監測系統與爆破施工優化的深度融合機制，圍繞實時數據采集、數據智能分析、動態爆破參數調整、反饋與優化循環和遠程監控與決策支持等環節進行簡單闡述。

3.1 "實時數據采集

在線監測系統部署于隧道掘進現場，通過高精度傳感器網絡實時監測圍巖的物理力學參數（如應力狀態、巖石強度、節理裂隙分布等）、爆破前后的地質變化以及爆破效果參數（如振動速度、飛石距離、爆堆形態等）。

3.2 "智能數據分析

收集的數據通過云計算平臺或邊緣計算設備進行實時處理與分析。采用機器學習算法（GA-BP神經網絡模型）和大數據分析技術，識別圍巖條件的動態變化，評估當前爆破方案的有效性。同時，系統能夠自動識別并標記出炮孔利用率低、大塊率高、超欠挖嚴重等問題的具體區域和原因。

3.3 "動態爆破參數調整

基于數據分析結果，系統自動或輔助工程師對爆破參數進行即時調整。這些參數包括但不限于炮孔直徑、炮孔間距、裝藥結構、起爆順序及時間間隔等。通過模擬計算與驗證，選擇最優的爆破方案，以減少不良爆破，提高施工效率。

3.4 "反饋與優化循環

每次爆破后，系統收集新的數據并再次進行分析，與預期對比，形成反饋循環。

3.5 "遠程監控與決策支持

通過遠程監控界面，項目管理人員可以實時查看隧道內的施工情況、爆破效果及參數調整情況，便于及時做出決策。系統還能提供數據報表和歷史記錄，為項目復盤、經驗總結及后續工程提供參考。

4 "爆破施工參數優化方法與原理研究

爆破效果受3大關鍵因素制約：工程地質條件（如圍巖強度、節理裂隙）、爆破作業參數（炮孔間距、排布、炸藥量）及炸藥種類。鑒于地質條件恒定，優化爆破參數成為提效關鍵。面對復雜的非線性關系，直接建模困難，BP神經網絡因其處理非線性問題的優勢備受關注[8]。本文探索BP神經網絡在爆破參數優化中的應用，通過其學習與預測能力，在有限數據下實現爆破方案的精準設計，突破傳統優化局限，引領高效、安全、經濟的爆破作業新方向。

4.1 "BP神經網絡原理

應用BP神經網絡進行模擬計算涉及兩大核心階段[9]：訓練（學習）階段與驗證（檢驗）階段。訓練階段聚焦于通過龐大的數據集對神經網絡模型進行精細的調優與強化，確保其能夠捕捉到數據間的內在規律；而驗證階段則是利用這一訓練成熟的模型，針對具體問題進行預測或求解。

BP神經網絡，其根基植根于梯度下降法的精髓，遵循誤差反向傳播的原則進行多層前饋網絡的學習與調整。理論上，一個配備有足夠數量隱層神經元的三層BP網絡，足以展現出模擬任意復雜函數關系的強大能力。作為一種監督式深度學習模型，BP神經網絡在診斷問題、精準預測及綜合評價等多個領域均展現出極高的應用價值，是探索數據內在規律、實現智能決策的強大工具。

BP神經網絡架構為3層（圖2）：輸入層、隱含層與輸出層，各層間通過密集的神經元連接實現信息的無縫傳遞；而同一層級內的神經元之間則保持獨立，不存在直接連接，這種設計確保了信息的分層處理與特異性傳遞。

圖2 "BP神經網絡模型圖

1）輸入層：作為神經網絡的起始點，負責接收外界輸入的具體變量。其變量數量依據具體研究問題的復雜性和需求而靈活設定。

2）隱含層：作為神經網絡的核心處理層，隱含層承載著輸入變量間復雜交互作用的模擬任務。該層運用非線性轉換函數，對輸入信號進行變換與融合，以捕捉數據中的隱含規律。隱含層神經元的數量，通常依據Kolmogorov定理（如n=2X+1）或基于經驗公式的估算來設定。

3）輸出層：作為神經網絡的輸出端，負責將處理后的信息以特定形式展現出來。輸出變量的數量同樣根據具體問題的分析需求來確定，可能與輸入層保持一致，也可能根據目標任務的不同而有所變化。

BP神經網絡的訓練過程如圖3所示。

4.2 "遺傳算法優化BP神經網絡

BP神經網絡在爆破參數優化中雖擅長非線性映射，但收斂慢且易陷局部最優。為改善此狀況，引入遺傳算法優化其權值與閾值。遺傳算法通過進化機制初始化BP網絡參數，個體代表權閾配置，其適應度基于預測誤差評估，從而提升全局搜索效率與準確性。隨后，通過選擇操作保留優秀個體，交叉操作促進基因交流，以及變異操作引入新的多樣性，遺傳算法能夠不斷迭代進化，最終搜尋到最優的權值和閾值組合。該過程不僅加速了BP神經網絡的收斂速度，還有助于其跳出局部極小值，實現更加快速且精確的預測性能。

與其他的優化算法相比較，遺傳算法的特點如下：

1）遺傳算法的一大顯著特色在于其搜索起點并非單一解，而是從解的集合（串集）出發，這一特點顯著區別于傳統優化算法。傳統方法往往受限于單一初始點，易于陷入局部最優的陷阱。相比之下，遺傳算法通過廣泛覆蓋解的搜索空間，為全局最優解的搜索提供了更大的可能性和靈活性。

2）遺傳算法在搜索過程中，僅依賴適應度函數評估個體的優劣，無需傳統算法對函數的連續性和可微性要求，適應度定義靈活，從而廣泛適用于復雜優化問題。

3）在搜索策略上，摒棄傳統優化算法的確定性搜索路徑，采用概率性變遷規則來增加搜索的靈活性，在復雜問題中探索更多潛在的優秀解，提升優化成效。

5 "爆破參數的優化與結果

前文探討了神經網絡在爆破優化中的應用，現引入GA-BP模型以精準預測爆破效果。該模型預測結果結合工程需求與規范，科學調整爆破設計關鍵參數。在預測爆破效果時，選用融合遺傳算法優化的3層BP神經網絡模型。基于對爆破參數優化需求分析，確定輸入層的6個神經元，分別代表隧道開挖工程中至關重要的圍巖條件參數——圍巖單軸抗壓強度（MPa）與巖石密度（kg/m3），以及爆破設計中的核心參數——總裝藥量（kg）、最小抵抗線（cm）、掏槽孔排距（cm）與周邊孔孔距（cm）。隨后，根據理論計算與經驗法則，設定了隱含層包含13個神經元，以充分捕捉并處理輸入數據間的復雜關系。

對于輸出層，選取3個神經元，直接對應著評價隧洞開挖爆破質量與效果的關鍵指標：最大線性超挖（cm）、最大線性欠挖（cm）及最大塊石直徑（cm）。這些輸出值不僅直觀反映了爆破作業的技術性能，還為后續設計參數的優化調整提供了堅實的數據基礎。

本文基于茶山支洞工程現場采集的205組數據進行研究，數據涵蓋了上下臺階法及全斷面施工方式的爆破效果測量，其中采用前200組數據訓練GA-BP神經網絡，剩余5組驗證其效能。在模型訓練階段，對樣本數據進行歸一化處理，以提升模型的學習效率和預測準確性。通過對比得到歸一化后模型的預測結果與實際測量數據如圖4所示，經過簡單換算該GA-BP神經網絡模型的預測誤差均控制在15%以內，最大誤差僅為12.2%，符合工程實踐要求。因此，研究證實，GA-BP神經網絡在隧道爆破效果預測中有效可行，為爆破參數設計與效果評估的推廣應用提供了堅實基礎。

圖4 "預測與實際值對比圖

遵循隧道開挖的嚴格規范，即最大允許超挖值不得超過25 cm，將此作為關鍵約束條件。在此基礎上，利用GA-BP神經網絡模型的預測結果，對爆破設計的各項參數進行細致調整與優化，確保最終的爆破效果能夠符合并滿足這一限制要求。這一過程通過不斷迭代與校驗，直至所有參數調整至符合規范的合理范圍。

6 "結束語

在茶山支洞鉆爆法施工項目的背景下，本文深入研究了基于在線監測技術的爆破施工優化方法。對BP神經網絡與遺傳算法的基本原理進行闡述，并將其應用于爆破參數的優化。本文依托茶山支洞的實際開挖數據，對GA-BP神經網絡模型進行相關訓練與驗證，通過對比分析預測數據與實際數據，證實了該模型在爆破效果預測方面的準確性和可靠性。進而，結合工程實際需求與施工規范，對爆破設計參數進行了科學調整，實現了爆破參數的優化目標。本研究不僅提升了爆破施工的效率與安全性，也為類似工程項目提供了寶貴的參考與借鑒。

參考文獻：

[1] 閆大洋.露天礦臺階預裂爆破參數優化的研究與應用[D].淮南：安徽理工大學，2014.

[2] MONJEZI M，KHOSHALAN H A， VARJANI A Y. Optimization of Open pit Blast Parameters using Genetic Algorithm[J].International Journal of Rock Mechanics amp; Mining Sciences，2011，48（5）：864-869.

[3] SADOLLAH A， BAHREININEJAD A， ESKANDAR H ，et al.Mine blast algorithm： A new population based algorithm for solving constrained engineering optimization problems[J].Applied Soft Computing Journal，2013，13（5）：2592-2612.

[4] 王新民，趙彬，王賢來，等.基于BP神經網絡的鑿巖爆破參數優選[J].中南大學學報（自然科學版），2009，40（5）：1411-1416.

[5] 李國明.扎哈淖爾露天煤礦巖層爆破參數優化研究[D].包頭：內蒙古科技大學，2015.

[6] 趙凱.隧道工程自動化監測及變形預測研究[D].昆明：昆明理工大學，2021.

[7] 肖清華，袁浩，夏金選，等.基于3D激光感知的隧道爆破參數優化設計方法[J].隧道建設（中英文），2024，44（S1）：8-15.

[8] 耿偉衛.隧道鉆爆開挖爆破方案智能設計方法與系統研究[D].濟南：山東大學，2021.

[9] 甘海龍.基于PCA-BP神經網絡預測水工隧洞爆破效果[J].紅水河，2023，42（3）：119-123，138.