基于BP神经网络的桩基爆破振动速度预测.pdf
第35卷 第2期 2018年6月 爆 破 BLASTING Vol. 35 No. 2 Jun. 2018 doi10. 3963/ j. issn. 1001 -487X. 2018. 02. 030 基于BP神经网络的桩基爆破振动速度预测* 蒲传金 1,2, 郭王林3, 秦晓星1,2, 徐金贵1,2, 贺高威1,2, 肖定军1,2 (1.西南科技大学环境与资源学院, 绵阳621010;2.非煤矿山安全技术四川省高等学校重点试验室, 绵阳621010; 3.中冶建工集团有限公司, 重庆400080) 摘 要 为研究桩基爆破振动对邻近埋地天然气管道的影响, 以荣乌高速公路第7标段红泉村3号大桥桩 基爆破振动为研究对象, 以水平距离、 雷管段数、 总装药量、 最大单段装药量、 桩基深度和爆心距作为主要因 素, 建立桩基爆破振动BP神经网络预测模型, 以现场测试的15组数据为学习样本对模型进行训练, 以5组 数据为检测样本进行预测, 并将预测结果与萨道夫斯基公式和高程修正公式进行对比。结果表明BP神经 网络、 萨道夫斯基公式和高程修正公式预测平均相对误差分别为7. 90%、27. 68%和24. 30%,BP神经网络 比萨道夫斯基公式和高程修正公式预测精度分别提高71. 43%和67.49%。 关键词 桥梁桩基;爆破振动;BP神经网络;振速预测 中图分类号 U443. 15 +8; TU473. 1 +5 文献标识码 A 文章编号 1001 -487X(2018)02 -0177 -05 Prediction of Blasting Vibration Velocity of Pile Foundation based on BP Neural Network PU Chuan-jin1, 2, GUO Wang-lin3,QIN Xiao-xing1, 2, XU Jin-gui1, 2, HE Gao-wei1, 2, XIAO Ding-jun1, 2 (1. School of Environment and Resource,Southwest University of Science and Technology, Mianyang 621010,China;2. Non-Coal Mine Safety Technology Key Laboratory of Sichuan Province Colleges and Universities,Mianyang 621010,China;3. China Metallurgical Construction Engineering Group Co Ltd,Chongqing 400080,China) Abstract To study the impact of blasting vibration of pile foundation on nearby buried natural gas pipeline, blasting vibration of the pile foundation of No. 3 Bridge of Hongquan Village on the 7th section of RongWu express- way was taken as an example. Horizontal distance,detonator segments number,total charge,maximum charge amount per delay,pile depth and burst center distance were taken as the main factor to build BP neural network prediction model for pile foundation blasting vibration,where 15 sets of data tested in the filed were used to train the study sam- ples and 5 sets of data to predict the samples,and the predicted results with the Sadov′s formula and the elevation cor- rection formula were compared. The result shows that BP neural network and Sadov′s formula and elevation correction formula in predicting the average relative error is 7. 90%,27. 68% and 24. 30%,and the prediction accuracy of BP neural network is 71.43% and 67.49% higher than Sadov′s formula and elevation correction formula respectively. Key words bridge pile foundation;blasting vibration;BP neural network;velocity prediction 收稿日期2018 -01 -13 作者简介蒲传金(1979 -) , 男, 四川射洪人, 西南科技大学环境与 资源学院副教授、 硕士, 主要从事工程爆破和矿山安全研 究, (E-mail)puchaunjin@ sina. com。 基金项目四川省教育厅青年基金项目( 项目编号10zd1011) 爆破是桩基和隧道等工程常用开挖方式之一, 由于环境的复杂性, 爆破给岩土工程施工带来了极 大的便利, 同时爆破振动对周围建(构)筑物的影响 也越来越受到社会的关注[ 1]。准确进行振动强度 预测对于降低其有害效应具有重要意义, 工程中常 万方数据 用的萨道夫斯基公式通常适合于平坦地形[ 2], 对于 桩基等存在一定高差地形的预测精度较差。我国学 者采用BP神经网络对不同环境爆破振动速度进行 预测[ 3], 陶挺等采用 BP神经网络模型对路基爆破 振动速度进行预测, 其预测精度相对于传统预测方 法提高27%左右[ 4]; 唐海等采用 BP神经网络进行 核电工程爆破振动预测, 由于该方法全面考虑了影 响爆破振动的主要因素,预测结果更贴近实测振 速[ 5]; 申旭鹏等采用 BP神经网络对某铁矿爆破振 动进行预测[ 6], 其预测平均相对误差为 8. 4%, 远小 于萨道夫斯基公式预测的59. 6%。因此,BP神经 网络方法进行爆破振动预测具有较好的应用前景。 以荣乌(山东荣成内蒙古乌海)高速公路河 北徐水至涞源段LJSG-7标红泉村3号大桥桩基爆 破为例, 以现场爆破振动监测为基础, 开展桩基爆破 振动速度的BP神经网络预测研究。 1 工程概况及现场监测 荣乌高速徐水至涞源段红泉村3#大桥位于河 北省保定市涞源县境内, 该桥跨越既有陕京天然气 管道, 共有桩基40根, 其中在陕京天然气管道两侧 50 m范围内桩基共23根, 右幅3#桥墩1号桩基距 离陕京天然气管道醉了最近, 仅5. 5 m, 其位置分布 如图1所示。该桥桩基采用爆破开挖施工。为保障 爆破施工期间陕京天然气管道的安全, 需要严格控 制每次爆破振动强度。 图1 桩基与陕京天然气管道位置关系( 单位m) Fig. 1 Position relationship between pile foundation and Shanxi-Beijing natural gas pipeline(unitm) 2 BP神经网络模型及模型参数确定 2. 1 BP神经网络模型 人工神经网络(Artificial Neural Networks, 简称 ANN) 是一种模仿大脑神经系统信息传输模式建立 的数学模型[ 7,8], 包含 BP、RBF、Hopfield等多种算法 模型, 其中,BP神经网络应用最广泛。 BP神经网络是一种多层前馈型网络, 图2是一 个典型的3层BP神经网络模型, 主要由输入层、 隐 含层和输出层三部分组成 输入层主要用来接收外 部输入的信息; 输出层用来输出预测结果, 并对结果 进行分析和权衡; 隐含层又称为隐层, 位于前两者之 间, 其数量可以为一层或者多层。BP神经网络属于 一种有导师(有监督)学习方法, 基本工作原理是 输入层接受外部输入信息后, 沿着隐含层和输出层 方向正常传播, 信息经过上述3层的逐层处理之后 得出预测输出, 然后权衡预测输出与期望输出之间 的偏差是否达到预期精度要求, 如未达到, 则将误差 进行反向传播来调整输入层到隐含层的权值V及 隐含层到输出层的权值W, 得出新的预测输出, 通 过误差信息的不断反馈及权值的不断调整, 使预测 输出和期望输出之间误差逐步减小, 直至达到预测 误差。 图2 3层BP神经网络模型 Fig. 2 The 3-layer BP neural network model 2. 2 输入参数选取 采用BP神经网络方法可以综合考虑多种因素 来提高预测精度, 但是如果考虑所有因素将是一个 很庞大的网络工程, 这将给训练过程造成困难。因 此, 在选择输入参数时, 应选取主要因素。红泉村3# 大桥桩基爆破过程中, 炮孔直径、 深度、 炸药类型以 及各桩基地质条件变化不大, 因此在建立网络时可 忽略不计。根据文献[4-6,9] , 主要选取6个因素 作为输入参数 水平距离r、 雷管分段数n、 总装药量 Q、 最大单段装药量q、 桩基深度H和爆心距R。 2. 3 输出参数选取 将爆破振动速度作为输出参数。根据现场实际 情况, 在爆源较近区域垂向振动速度远大于径向振 速[ 9], 通常情况下切向爆破振动分量很小[10,11], 选 取垂向振速V作为输出参数。 871爆 破 2018年6月 万方数据 2. 4 网络模型确定 Kolmogorov定理表明[ 12], 任意给定一个连续函 数f [0,1] N→Rm,f( x) , 连续函数f都可以用一个 三层的前向神经网络精确实现。因此采用三层网络 结构BP神经网络模型, 即网络由1个输入层、1个 隐含层和1个输出层组成。实现函数f的神经网络 中, 输入层、 中间层和输出层分别对应有n、2n +1和 m个神经元数目( 处理单元) , 本文输入参量为6个, 输出参量为1个, 则输入层和输出层对应的神经元 数目分别为6个和1个,隐含层神经元数目为 13个。 综上可得, 确定采用6131的3层BP神 经单元模型。 3 基于BP神经网络模型的桥梁桩基 爆破振动预测 从红泉村3#大桥左幅2 - 1和右幅3 - 0两根 桩基(与陕京天然气管道距离分别为7. 1 m和 10. 9 m) 的现场监测所得的20组数据( 见表1) 中随 机抽取15组作为训练样本( 见表1) , 另外5组作为 预测( 检验) 样本( 见表2) , 同时以水平距离r、 雷管 分段数n、 总装药量Q、 最大单段装药量q、 桩基深度 H和爆心距R作为输入因子, 以垂向振速作为输出 因子。训练过程中采用traincgb(Powell-Bcale共轭 梯度法) 函数, 输入层、 隐含层和输出层的激励函数 ( 传输函数)分别选用'tansig','logsig'和'purelin'函数, 训练目标goal设定为10 -3, 显示间隔show设定为 2, 训练过程仅用了74次迭代就达到了精度的要求, 如图3所示。其训练结果和预测( 检验)结果见表1 和表2。 图3 训练误差曲线图 Fig. 3 The curve of the training error 表1 训练(拟合)样本及训练(预测)结果 Table 1 The training samples and the training results 组别 r/ mn 输入参数 Q/ kgq/ kgH/ mR/ m 实测结果/ (cms -1) 训练结果 /(cms -1) 17. 174. 500. 9010. 5512. 722. 5392. 537 27. 175. 100. 9011. 7513. 730. 8520. 851 37. 175. 700. 9413. 7515. 470. 8640. 839 47. 175. 700. 9814. 6016. 230. 8760. 957 57. 175. 851. 0115. 0016. 601. 1741. 127 67. 155. 781. 8017. 6018. 980. 5800. 589 77. 166. 001. 6118. 1019. 440. 5460. 530 87. 176. 601. 8018. 7520. 050. 4890. 512 910. 933. 451. 3511. 8016. 061. 4611. 471 1010. 954. 201. 2013. 2017. 120. 6100. 648 1110. 954. 951. 5014. 0017. 740. 7330. 681 1210. 966. 001. 3515. 0018. 540. 4850. 499 1310. 965. 851. 3516. 1019. 440. 5850. 596 1410. 976. 601. 3517. 0020. 190. 7320. 712 1510. 976. 751. 3519. 3022. 170. 6970. 679 注r为水平距离;n为雷管分段数;Q为总装药量;q为最大单段装药量;H为桩基深度;R为爆心距。 4 BP神经网络与萨道夫斯基公式预 测结果对比分析 4. 1 萨道夫斯基公式预测分析 爆破安全规程 (GB 67222014)采用萨道夫 斯基公式进行爆破振速预测[ 13], 如式( 1) 所示 V = K Q 1 3 J R α (1) 式中V为质点峰值振动速度,cm/ s;R为爆心 距,m;Q为装药量( 齐发爆破时为总药量, 微差爆破 971第35卷 第2期 蒲传金, 郭王林, 秦晓星, 等 基于BP神经网络的桩基爆破振动速度预测 万方数据 时为最大单段药量) ,kg;K、α为与地质地形条件有关的系数和衰减指数。 表2 BP神经网络的预测样本及预测结果 Table 2 The test samples and the prediction results of BP neural network 组别 r/ mn 输入参数 Q/ kgq/ kgH/ mR/ m 实测结果/ (cms -1) 预测结果 /(cms -1)相对误差/ % 平均相对 误差/ % 17. 185. 550. 9412. 8014. 640. 8210. 8160. 61 27. 156. 001. 3516. 2017. 690. 5510. 60810. 34 37. 176. 901. 2019. 8021. 030. 5530. 5815. 067. 90 410. 943. 451. 2012. 5016. 581. 4191. 3147. 40 510. 976. 751. 3518. 3021. 300. 5910. 68616. 07 将表1中的15组数据的最大单段装药量q、 爆 心距R和实测振速用式(1) 进行拟合, 求出K、α值, 然后将预测样本中的最大单段装药量q和爆心距R 带入即可得到预测的爆破振动速度, 得萨道夫斯基 公式的预测结果见表3。 表3 BP神经网络与经验公式预测结果对比 Table 3 The comparison of the results about the BP neural network and Empirical formula prediction 经验公式预测方法 萨道夫斯基公式 高程修正公式 BP神经网络预测方法 序号 实测 结果/ (cms -1)预测结果/ (cms -1) 误差/ % 平均 误差/ % 预测结果/ (cms -1) 误差/ % 平均 误差/ % 预测结果/ (cms -1) 误差/ % 平均 误差/ % 10. 8210. 97218. 450. 93914. 430. 8160. 61 20. 5510. 80946. 790. 75837. 580. 60810. 34 30. 5530. 45717. 3027. 680. 43221. 8624. 300. 5815. 067. 90 41. 4190. 86638. 950. 96032. 371. 3147. 40 50. 5910. 49116. 910. 50115. 250. 68616. 07 4. 2 高程修正公式预测分析 对于高差地形, 在萨道夫斯基公式的基础上增 加“ 高程差”这一影响因子能提高爆破振速的预测 进度[ 14,15]。文献[ 14]中所提出了一种高程修正公 式, 如式(2) 所示 V = K 3 、Q J R α 3 、Q J H β (2) 式中β为与高程相关的系数; 其他参数含义同 式(1) 。 采用最小二乘法, 将表2中的15组数据的最大 单段装药量q、 爆心距R、 高程差和实测振速用式 (2) 进行回归, 求出K、α和β值, 然后将预测样本中 的最大单段装药量q、 爆心距R和高差H带入即可 得到预测的爆破振动速度, 高程修正公式的预测结 果见表3。 4. 3 对比分析 BP神经网络、 萨道夫斯基公式和高程修正公式 的预测结果见表3。BP神经网络、 萨道夫斯基公式 和高程修正公式预测的最大误差分别为16. 07%、 46. 79%和37. 58%, 平均相对误差分别为7. 90%、 27. 68%和24. 30%,BP神经网络相对于萨道夫斯 基公式和高程修正公式预测精度分别提高71. 43% 和67. 49%。预测结果对比如图4所示。 图4 实测结果与预测结果对比图 Fig. 4 The comparison chart of the measured results and the prediction results 5 结论 以水平距离r、 雷管分段数n、 总装药量Q、 最大 单段装药量q、 桩基深度H、 爆心距R为主要因素, 建立桩基爆破振动预测模型,用于桥梁桩基爆破振 081爆 破 2018年6月 万方数据 动预测的最大误差和平均误差分别为16. 07%和 7. 90%; 萨道夫斯基公式和高程修正公式的最大误 差分别为46. 79%和37. 58%, 平均相对误差分别为 27. 68%、24. 30%;BP神经网络预测精度比萨道夫 斯基公式和高程修正公式分别提高19. 78%和 16. 40%。说明本文建立的桩基爆破振动速度BP 神经网络预测模型大大优于萨道夫斯基公式和高程 修正公式,BP神经网络预测模型用于桩基爆破振动 速度预测是可行的。 参考文献(References) [1] 李洪涛, 卢文波, 舒大强, 等.爆破地震波的能量衰减 规律研究[J].岩石力学与工程学报,2010,29(S1) 3364-3369. [1] LI Hong-tao,LU Wen-bo,SHU Da-qiang,et al. Study of energy attenuation law of blast-induced seismic wave[J]. Chinese Journal of Rock Mechanics and Engineering, 2010,29(S1) 3364-3369.(in Chinese) [2] 张世雄, 杨明亮, 尹家国, 等.预测爆破波振动强度的 经验公式及其在采矿中的应用[J].爆破,2000, 17(3) 13-17. [2] ZHANG Shi-xiong,YANG Ming-liang,YIN Jia-guo,et al. An empirical formula of calculating the vibrating intensity of explosive wave and its application in mining[J]. Blas- ting,2000,17(3) 13-17.(in Chinese) [3] SHIMSHONI Y. Classification of seismic signals by inte- gration ensembles of neural network[R]. IEEE Transac- tions on Signal Processing,1998,46(5) 1094-1101. [4] 陶 挺, 林从谋, 程李凯.爆破振动的BP神经网络预 测方法研究[J].爆破,2011,18(4) 105-107. [4] TAO Ting,LIN Cong-mou,CHENG Li-kai. Prediction method research of blasting vibration based on BP neural network[J]. Blasting,2011,18(4) 105-107.(in Chi- nese) [5] 唐 海, 石永强, 李海波, 等.基于神经网络的爆破振 动速度峰值预报[J].岩石力学与工程学报,2007, 26(S1) 3533-3539. [5] TANG Hai,SHI Yong-qiang,LI Hai-bo,et al. Prediction of peak velocity of blasting vibration based on neural net- work[J]. Chinese Journal of Rock Mechanics and Engi- neering,2007,26(S1) 3533-3539.(in Chinese) [6] 申旭鹏, 璩世杰, 王福缘, 等.基于BP神经网络的爆破 振速峰值预测[J].爆破,2013,30(1) 122-125. [6] SHEN Xu-peng,QU Shi-jie,WANG Fu-yuan,et al. Pre- diction of blasting peak particle velocity by BP neural net- work model[J]. Blasting,2013,30(1) 122-125.(in Chi- nese) [7] 蒋宗礼.人工神经网络导论[M].北京 高等教育出版 社,2001. [8] 李玉能, 马建军, 池恩安, 等.基于BP神经网络的高含 水岩石爆破震动参数预报[J].爆破,2017,34(2) 68- 73. [8] LI Yun-eng,MA Jian-jun,CHI En-an,et al. Forecast of blasting vibration parameters in high water cut rock based on BP neural network[J]. Blasting,2017,34(2) 68-73. (in Chinese) [9] 郭王林, 蒲传金, 肖定军, 等.桥梁桩基浅孔爆破近区 地震波传播特性及应用研究[J].爆破,2014,31(3) 96-102. [9] GUO Wang-lin,PU Chuan-jin,XIAO Ding-jun,et al. Ap- plication research and propagation characteristics of seis- mic wave induced by bridge pile foundation blasting dem- olition[J]. Blasting,2014,31(3) 96-102.(in Chinese) [10] 陈庆凯, 屠晓利, 李贵臣, 等.砂土层中爆破地震波传 播特性研究[J].爆破器材,2007,36(2) 29-32. [10] CHEN Qing-kai,TU Xiao-li,LI Gui-chen,et al. Study on propagation characteristics of explosive seismic wave in arenaceous soil[J]. Explosive Materials,2007,36(2) 29-32.(in Chinese) [11] 李玉民, 倪芝芳.地下工程开挖爆破的地面振动特征 [J].岩石力学与工程学报,1997,16(3) 274-278. [11] LI Yu-min,Ni Zhi-fang. The characteristics on surface vibration of blasting in underground engineering[J]. Chinese Journal of Rock Mechanics and Engineering, 1997,16(3) 274-278.(in Chinese) [12] 沈 蔚, 徐全军, 季茂荣, 等.中深孔爆破振动参数的 BP神经网络预报[J].爆炸与冲击,2002,22(4) 353- 356. [12] SHEN Wei,XU Quan-jun,JI Mao-rong,et al. Using BP artificial neural network to predict bench blast vibration parameters[J]. Explosion and Shock Waves,2002, 22(4) 353-356.(in Chinese) [13] GB 67222014爆破安全规程[S].北京 中国标准出 版社,2014. [13] GB 67222014 Safety regulation for blasting[S]. Bei- jingChina Standards Press,2014.(in Chinese) [14] 朱传统, 刘宏根, 梅锦煜.地震波参数沿边坡坡面传 播规律公式的选择[J].爆破,1988,5(2) 30-31. [14] ZHU Chuan-tong,LIU Hong-gen,MEI Jing-yu. Selection of formula on propagation of the parameters of explosive seismic wave along slope[J]. Blasting,1988,5(2) 30- 31.(in Chinese) [15] 宋光明, 陈寿如, 史秀志, 等.露天矿边坡爆破振动监 测与评价方法的研究[J].有色金属(矿山部分) , 2000(4) 24-27. [15] SONG Guang-ming,CHEN Shou-ru,SHI Xiu-zhi,et al. Monitoring and evaluation methods of blasting vibration in open pit slope[J]. Nouferrous Metals(Mining Sec- tion) ,2000(4) 24-27.(in Chinese) 181第35卷 第2期 蒲传金, 郭王林, 秦晓星, 等 基于BP神经网络的桩基爆破振动速度预测 万方数据