新桥矿爆破工艺与参数优化.pdf
第 35 卷 第 1 期 2018 年 3 月 爆 破 BLASTING Vol. 35 No. 1 ▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂ Mar. 2018 doi 10. 3963/ j. issn. 1001 -487X. 2018. 01. 014 新桥矿爆破工艺与参数优化* 赵 彬 1, 2, 张德明1, 康 虔3, 王新民1 (1. 中南大学 资源与安全工程学院, 长沙 410083; 2. 中国五矿集团公司 五矿勘查开发有限公司, 北京 100010; 3. 南华大学 环境保护与安全工程学院, 衡阳 421001 摘 要 为解决新桥矿大块率高、 炸药单耗高及爆破效率低等问题, 在对爆破工艺改进的基础上设计有限 的爆破试验 13 组试验 获取样本, 并建立 BP 神经网络预测模型 隐含层节点数取 9 , 以最小抵抗线 W、 孔 间距 a、 周边孔距 Z 作为输入因子, 以炸药单耗、 大块率作为输出因子预测、 优选爆破参数。优化推荐 W 0. 8 m、 a 1 m、 Z 0. 8 m, 对应的炸药单耗为0. 2001 kg/ t, 仅为原工艺的50; 大块率为5.2091, 仅为原工 艺的 20; 生产效率提高了约 65。该方法采用有限的试验与智能预测相结合, 实现低成本获取真实样本, 并提高了预测精度。 关键词 爆破参数;爆破试验;BP 神经网络;优化预测 中图分类号 TD235 文献标识码 A 文章编号 1001 -487X 2018 01 -0086 -04 Optimization of Blasting Process and Parameters in Xin-Qiao Mine ZHAO Bin1, 2, ZHANG De-ming1, KANG Qian3, WANG Xin-min1 (1. School of Resources and Safety Engineering, Central South University, Changsha 410083, China; 2. Minmetals Exploration and Development Company Limited, China Minmetals Corporation, Beijing 100010, China; 3. School of Environment Protection and Safety Engineering, University of South China, Hengyang 421001, China Abstract In order to solve the problem of high block rate, high unit explosive consumption and low blasting effi- ciency in Xin-Qiao mine, 13 samples were obtained from limited blasting tests on the basis of improved blasting te- chology. The blasting parameters BP neural networks pediction model with 9 hidden layer nodes was established. Taking the minimum burden W, hole spacing a, contour hole distance Z as the factors and the unit explosive consumption, block rate as the output factor. The recommended parameters were W 0. 8 m, a 1 m, Z 0. 8 m, and the explosive specific charge was 0. 2001 kg/ t, which is 50 of the original process;the boulder yield was 5. 2091, only took up 20 of the original process;the production efficiency was increased by 65. Combined with finite test and intelligent prediction, the can achieve better samples with low cost. In addition, the prediction accuracy was improved. Key words blasting parameter;blasting test;BP neural network;prediction optimization 收稿日期 2017 -12 -16 作者简介 赵 彬 (1985 - , 男, 博士, 长期从事采矿理论与工程技 术研究,(E-mail 302915907 qq. com。 通讯作者 康 虔 (1986 - , 男, 博士, 长期从事采矿与爆破技术研 究,(E-mail 35763205 qq. com。 基金项目 国家自然科学基金 (11472311 ; 湖南省安全开采重点试 验室开放基金 (201203 目前, 国内矿山常用经验公式法确定爆破参数,如最小抵抗线 W (25 30 d (d 为炮孔直径 及排 距 a (1 1. 5 W 等 [1, 2], 具有一定的指导意义, 但 仅得到一个较大的范围值, 并没有实现真正意义上 的优化。现场爆破试验也被广泛采用 [3, 4], 这种方 法充分考虑了目标矿山矿岩的物理化学特性, 能够 得到较理想的参数, 但试验的数量一定是有限的, 推 万方数据 荐结果也只能从有限的结果数据中获取。部分研究 使用其他矿山的矿岩性能和凿岩爆破参数为样本, 使用 BP 神经网络预测目标矿山凿岩爆破参数, 大 大简化了预测过程, 降低工作成本, 具有很强的指导 意义 [5], 但这种方法需要将不同矿山的矿岩特征、 炸药性能等作为考虑因素, 从而增加了预测难度, 降 低了预测精度。如果能够固定矿岩特征、 炸药性能 等诸多因素, 即相当于排除这些因素的干扰, 通过对 目标矿山有限的爆破试验获取样本, 并结合 BP 神 经网络进行参数优选, 则得到的结果将更具指导意 义。针对新桥矿爆破存在的问题, 进行工艺和参数 改进, 采用上述工业试验与智能预测相结合的方法, 获得了优化参数, 并在矿山推广使用。 1 爆破技术现状 经过多年的生产实践, 新桥矿凿岩爆破工艺如 下 采场最大空顶高度6.0 6.5 m, 每循环回采、 充填 高度3.5 m, 工作空间高度 2. 5 3. 0 m; 利用凿岩台 车钻凿孔深3.8 m、 孔径 48 mm、 倾角 40 50的倾斜 炮孔, 炮孔交错布置, 排距 W 1 1. 5 m, 孔距 a 0.8 1.0 m, 边孔距每循环回采边界 0. 3 0. 4 m; 使 用 MRB 岩石乳化炸药, 药卷直径 φ 32 mm, 长度 200 mm, 装药密度0.95 g/ cm3; 孔内连续装药, 装药系 数0.95, 装药线密度 q10. 60 kg/ m; 雷管按同排同 段、 隔排分段布置原则; 爆破后再采用水平炮孔压顶, 最后用7655 气腿式凿岩机修顶, 以控制顶板安全。 存在的主要问题有以下几方面 一是沿用以前 的爆破参数, 且炮孔全凭工人经验自行定位, 导致凿 岩爆破材料消耗量大, 3. 8 m 倾斜炮孔炸药单耗达 1. 56 kg/ m3; 二是采用倾斜孔爆破, 最后水平孔压采 一次, 无轨设备移动频繁, 凿岩爆破工序复杂, 导致 生产效率较低; 三是炮孔直径与药卷直径不匹配、 工 艺技术应用不合理等导致爆破大块 (≥600 mm 率 偏高, 约 25 30。 2 爆破试验 2. 1 试验安排 为优化爆破工艺和参数, 进行如下改进 一是由 上向倾斜炮孔加水平压采的方式变为水平炮孔爆 破, 简化工序, 加快回采循环; 二是用孔口微差起爆, 节约导爆管长度, 降低爆破成本, 同时有效利用爆破 能量最大限度改善爆破效果; 三是优化最小抵抗线, 采用 Livingston 公式和新桥矿爆破漏斗试验 [6], 推 荐最优埋深 (即最小抵抗线 L优 W 0. 5289Q1/3 0. 74 m (Q 为单药包质量, kg , 炮孔间距 a (1 1. 5 W 0. 74 1. 11 m。 为了获取足够的预测样本, 在 W503、 W103、 W105 采场进行工业试验, 试验采场宽度 10 m, 工作 空间高度2. 5 m, 每次爆破高度3. 5 m。采用不耦合 连续装药以便获取较平整的爆破顶板断面和爆破块 度, 炮孔深 3. 8 m, 直径 48 mm, 装以 φ 32 mm 的乳 化炸药, 单孔装药量 2. 4 kg, 堵塞长度 0. 6 m, 如图 1。同时, 炮孔交错水平布置, 毫秒微差起爆, 段位为 1、 2、 3、 4、 5, 分别对应 0 ms、 25 ms、 50 ms、 75 ms、 100 ms, 起爆雷管布置在炮孔中部, 如图 2。 图 1 装药结构示意图 (单位 mm Fig. 1 Schematic diagram of charge structure (unit mm 图 2 炮孔排列和延迟起爆顺序图 Fig. 2 Hole arrangement and delayed initiation sequence 2. 2 试验结果 在固定装药结构和起爆顺序的前提下, 共计完 成了 13 组试验, 为下一步预测提供了足够的样本。 全部试验一次爆破成型, 精简了爆破工艺, 爆后轮廓 较为完整, 大块较少。根据试验数据, 爆破效果明显 优选原工艺, 大块率和炸药单耗都大幅降低, 生产效 率也大大提高。参数如表 1。 3 BP 神经网络优化 上述试验获取了大量的爆破参数预测样本。而 且, 样本取自本矿山, 避免了矿岩特征、 炸药性能等 诸多因素干扰, 具有很好的代表性和指导意义。BP 神经网络输入层信号自输入层经过隐含层逐层处理 到输出层。如果输出值不是期望值, 则变为反向传 播, 根据预测误差设定网络权值和阈值, 使得输出值 逐渐逼近期望值。 3. 1 预测模型 分别对所得的爆破试验数据进行处理, 建立 BP 神经网络训练样本数据库。经过简化, 选择最小抵 78第 35 卷 第 1 期 赵 彬, 张德明, 康 虔, 等 新桥矿爆破工艺与参数优化 万方数据 抗线 W、 孔间距 a、 周边孔距 Z 作为输入因子, 炸药单耗、 大块率作为输出因子, 建立预测模型。 表 1 工业试验结果参数汇总 Table 1 Summary of industrial test results 序号W/ ma/ mZ/ m 总孔深/ m 炸药 总耗/ kg 落矿 量/ t 每米炮孔崩矿 量/ (tm -1 炸药单耗/ (kgt -1 每米钻孔 破岩效率/ m3 大块率/ 11. 11. 30. 9072492493. 4580. 1960. 9059. 035 20. 91. 30. 901391235243. 7690. 2340. 9875. 211 30. 91. 10. 901561385323. 4100. 2690. 8935. 518 40. 90. 90. 901631495583. 4230. 2670. 8966. 273 50. 81. 21. 00105753853. 6670. 1940. 9605. 782 60. 81. 01. 001811195603. 0930. 2130. 8104. 215 70. 70. 90. 901701075463. 2120. 1960. 8418. 739 80. 81. 00. 801741105483. 1500. 2000. 8245. 209 90. 81. 00. 751321113952. 9900. 2810. 7504. 217 100. 80. 90. 751801495693. 1600. 2610. 7904. 041 110. 80. 80. 751561234232. 7100. 2910. 6803. 688 120. 81. 00. 701721425433. 1500. 2610. 7904. 393 130. 80. 90. 70116421572. 3100. 2650. 5803. 473 BP 神经网络训练经过网络初始化、 隐含层输出 计算、 输出层输出计算、 预测误差计算、 网络权值更 新、 网络阈值更新、 判断算法迭代是否结束等过 程 [7, 8]。隐含层的节点数采用如下公式选择 l1< n - 1(1 l2<(m n √ a(2 l3 log2n(3 式中 n 为输入层节点数; l 为隐含层节点数; m 为输出层节点数; a为 0 10 之间的常数。根据以 上公式, 隐含层的合理节点数为 1 13, 建立模型 时, 再根据网络收敛速度和预测误差进行比较, 确定 最佳隐含层节点数。 为避免输入输出数据数量级别相差较大而造成 预测误差较大, 需要对训练数据进行归一化, 将数据 转化为 [0, 1] 之间的数, 保证各维数据间没有数量 级差别。归一化采用的函数为 x [x - min (x ] / [max (x- min (x ] , 输出预测结果时, 对数据进行 反归一化。网络模型隐含层的神经元激励函数采用 “S” 型正切函数 tansig, 输出层激励函数采用线性函 数 purelin。 3. 2 训练和搜索 根据神经网络模型结构建立预测模型之后, 先 对网络调试, 确定最佳隐含层节点数 [9, 10]。检查隐 含层节点数为 6、 9、 12 时的网络性能, 得出在 10 -3 的低水平网络模型训练误差曲线图, 如图 3。可见, 当隐含层节点数为 6、 9 和 12 时, 分别经若干步运算 达到精度要求, 且当隐含层节点数为 9 的时候网络 的收敛速度高于其他两者, 故取隐含层节点数为 9。 将参数输入到训练好的网络模型中进行预测, 进一 步优化爆破参数, 部分结果见表 2。 图 3 预测模型训练精度曲线 Fig. 3 Training accuracy curve of predictive model 88爆 破 2018 年 3 月 万方数据 表 2 网络模型搜索情况 Table 2 Search results of network W/ mA/ mZ/ m 炸药单耗/ (kgt -1 大块率/ W/ mA/ mZ/ m 炸药单耗/ (kgt -1 大块率/ 0. 80. 80. 70. 27273. 45240. 91. 00. 70. 28424. 3437 0. 80. 80. 80. 24183. 48500. 91. 00. 80. 22635. 2446 0. 80. 80. 90. 29034. 67620. 91. 00. 90. 23096. 6421 0. 80. 81. 00. 23845. 22710. 91. 01. 00. 25466. 8165 0. 80. 90. 70. 26143. 47320. 91. 10. 70. 22965. 1434 0. 80. 90. 80. 24144. 33890. 91. 10. 80. 26556. 3151 0. 80. 90. 90. 22265. 56720. 91. 10. 90. 26945. 5182 0. 80. 91. 00. 21995. 66560. 91. 11. 00. 22897. 9499 0. 81. 00. 70. 26124. 39251. 00. 80. 70. 26998. 2845 0. 81. 00. 80. 20015. 20911. 00. 80. 80. 24086. 9203 0. 81. 00. 90. 19046. 20811. 00. 80. 90. 23825. 5276 0. 81. 01. 00. 21345. 21471. 00. 81. 00. 24546. 0399 0. 81. 10. 70. 24936. 09331. 00. 90. 70. 26945. 2736 0. 81. 10. 80. 23795. 85661. 00. 90. 80. 24546. 4311 0. 81. 10. 90. 20735. 97941. 00. 90. 90. 25515. 4977 0. 81. 11. 00. 22186. 20451. 00. 91. 00. 23566. 3515 0. 90. 80. 70. 25034. 70251. 01. 00. 70. 26855. 2427 0. 90. 80. 80. 26315. 53071. 01. 00. 80. 26236. 8359 0. 90. 80. 90. 21135. 24861. 01. 00. 90. 25177. 2121 0. 90. 81. 00. 25416. 30201. 01. 01. 00. 25478. 8032 0. 90. 90. 70. 21994. 20651. 01. 10. 70. 25646. 0571 0. 90. 90. 80. 25215. 47271. 01. 10. 80. 23998. 2589 0. 90. 90. 90. 26716. 27331. 01. 10. 90. 23487. 9113 0. 90. 91. 00. 25866. 35101. 01. 11. 00. 22879. 8993 通过现场工业试验结合神经网络预测结果, 确 定综合爆破参数, 取最小抵抗线为 W 0. 8 m, 孔间 距 a 1 m, 周边孔孔距 Z 0. 8 m, 炸药单耗为 0. 2001 kg/ t, 仅为原工艺的 50; 大块率 5. 2091, 仅为原工艺的 20; 生产效率提高约 65。优化后 爆破效果与原工艺对比见图 4。 图 4 爆破效果对比图 Fig. 4 Blasting effect comparison chart 4 结论 针对新桥矿爆破生产存在的问题, 提出了改进方 案。使用有限的现场爆破工业试验获取大量的预测 样本, 再结合 BP 神经网络预测技术, 对试验结果样本 进行学习、 训练、 预测, 得到优化的爆破参数组合。该 种方法能够以低成本获取真实的样本, 并根据有限样 本预测最优参数, 结果可靠、 效率高、 成本低。 参考文献 References [1] 王 宁, 韩志型, 李向东. 缓倾斜极薄矿脉开采爆破参 数优化试验研究 [J] . 爆破, 2007, 24 (3 26-29. [1] WANG Ning, HAN Zhi-xing, LI Xiang-dong. Optimization on blasting parameters of gently inclined and very thin ore vein stope [J] . Blasting, 2007, 24 (3 26-29. (in Chinese 下转第 115 页 98第 35 卷 第 1 期 赵 彬, 张德明, 康 虔, 等 新桥矿爆破工艺与参数优化 万方数据 tion of cooling towers [J] . Blasting. 2013, 30 (4 92-95. (in Chinese [7] 蒋 超, 郭子如. 冷却塔爆破拆除的数值模拟研究 [J] . 爆破, 2014, 31 (1 92-95. [7] JIANG Chao, GUO Zi-ru. Numerical simulation of explo- sive demolition of cooling towers [ J] . Blasting, 2014, 31 (1 92-95. (in Chinese [8] 傅建秋, 王永庆, 高荫桐, 等. 冷却塔拆除爆破切口参 数研究 [J] . 工程爆破, 2007 (3 53-55. [8] FU Jian-qiu, WANG Yong-qing, GAO Yin-tong, et al. Re- search on cut parameters for demolition of the cooling tow- er [J] . Engineering Blasting, 2007 (3 53-55.(in Chi- nese [9] 詹振锵, 赵明生, 池恩安, 等. 数值模拟在冷却塔爆破 拆除中的应用 [J] . 爆破, 2012, 29 (1 73-76. [9] ZHAN Zhen-qiang, ZHAO Ming-sheng, CHI En-an, et al. Application of numerical simulation in blasting of cooling tower [J] . Blasting, 2012, 29 (1 73-76. (in Chinese [10] 徐鹏飞, 褚怀保, 张英才. 冷却塔在高卸荷槽切口下 爆破拆除振动数值分析 [J] . 工程爆破, 2014 (4 11- 14. [10] XU Peng-fei, CHU Huai-bao, ZHANG Ying-cai. Vibra- tion numerical analysis of cooling tower blasting at high unloading slotincision[ J ] . EngineeringBlasting, 2014 (4 11-14. (in Chinese [11] 刘 敏, 陈兵, 林 峰, 等. 大型冷却塔倒塌致地面振 动影响因素 [J] . 振动与冲击, 2016 (10 126-132. [11] LIU Min, CHEN Bing, LIN Feng, et al. Factors affecting the ground vibration caused by the collapse of a super large cooling tower [J] . Journal of Vibration and Shock, 2016 (10 126-132. (in Chinese [12] 蒋耀港, 沈兆武, 龚志刚. 构筑物爆破拆除振动规律 的研究 [J] . 振动与冲击, 2012 (5 36-41. [12] JIANG Yao-gang, SHEN Zhao-wu, GONG Zhi-gang. Vi- bration law of structure blasting demolition [J] . Journal of Vibration and Shock, 2012 (5 36-41. (in Chinese [13] 张光雄, 杨 军, 金 波. 70 m 高冷却塔爆破拆除震 动测试及分析 [J] . 工程爆破, 2005 (4 76-79. [13] ZHANG Guang-xiong, YANG Jun, JIN Bo. Monitoring and analysis of impact vibration caused by demolishing a cooling tower of 70m high [J] . Engineering Blasting, 2005 (4 76-79. (in Chinese 上接第 89 页 [2] 陈俊桦, 李新平, 张家生. 基于爆破损伤的岩台保护层 开挖爆破参数研究 [J] . 岩石力学与工程学报, 2016, 35 (1 98-108. [2] CHEN Jun-hua, LI Xin-ping, ZHANG Jia-sheng. Study on blasting parameters of protective layer excavation of rock bench based on blasting-induced damage [ J] . Chinese Journal ofRockMechanicsandEngineering,2016, 35 (1 98-108. (in Chinese [3] 李 鸿, 胡浩川, 赵明生, 等. 某矿山爆破岩体破裂范 围试验分析 [J] . 爆破, 2016, 33 (2 45-48. [3] LI Hong, HU Hao-chuan, ZHAO Ming-sheng, et al. Exper- imental analysis of rock mass rupture range by mine pro- duction blasting [J] . Blasting, 2016, 33 (2 45-48.(in Chinese [4] ZHANG L P, YU H J, HU S X. Optimal choice of parame- ters for particle swarm optimization [J] . J Zhejiang Univ Sci, 2005, 6 (6 528-534. [5] 王 莉, 赵 彬, 张德明, 等. 矿岩爆破参数预测新方 法研究 [J] . 爆破, 2010, 27 (4 27-30. [5] WANG Li, ZHAO Bin, ZHANG De-ming, et al. Research on new prediction of blast parameters [J] . Blas- ting, 2010, 27 (4 27-30. (in Chinese [6] 康 虔. 缓倾斜厚大矿体无间柱开采地压监测及控制 [D] . 长沙 中南大学, 2016. [6] KANG Qian. Ground pressure monitoring and control for non-pillar mining of slowly inclined large and thick ore body [D] . Changsha Central South University, 2016. (in Chinese [7] ABDULLAH N A, PRASHANT K, ABDUL R K. Predic- tion of airborne nanoparticles at roadside location using a feed - forward artificial neural network [J] . Atmos Pollut Res, 2017, 8 (3 446-454. [8] SYED M A, ANKUR G, DINESH K C, et al. Voltage sta- bility monitoring of power systems using reduced network and artificial neural network [J] . Int J Elec Power, 2017, 87 43-51. [9] 王德永, 袁艳斌, 钱兆明, 等. 基于 GA - BP 神经网络矿 岩爆破参数优选 [J] . 爆破, 2013, 30 (1 30-34. [9] WANG Yong-de, YUAN Yan-bin, QIAN Zhao-ming, et al. Optimization of mine blast parameters based on GA-BP neural network [J] . Blasting, 2013, 30 (1 30-34.(in Chinese [10] 张 蕾, 章 毅. 大数据分析的无限深度神经网络方 法 [J] . 计算机研究与发展, 2016, 53 (1 68-79. [10] ZHANG Lei, ZHANG Yi. Gig data analysis by infinite deep neural networks [J] . Journal of Computer Research and Development, 2016, 53 (1 68-79. (in Chinese 511第 35 卷 第 1 期 张宝岗, 赵明生, 余红兵, 等 切口角度对冷却塔爆破拆除影响研究 万方数据