运用GA-BP神经网络对爆破振动速度预测.pdf

第37卷第3期 2020年9月 Vol. 37 No. 3 Sep. 2020 bMg do i 10. 3963/j. issn . 1001 -487X. 2020.03.025 运用GA-BP神经网络对爆破振动速度预测* 郭剜T,杨仕黏2,朱忠外，相志旷,张帥2,胡光眾 1.南华大学资源环境与安全工程学院，衡阳421000； ；2,广东锡源爆破科技股份有限公司，惠州516000 摘要为了更好的预测爆破振动速度,运用遗传算法 GA对BP神经网络的权值与阈值进行优化，构建 GA-BP神经网络预测模型。结合华润小径湾实际爆破工程监测数据，确定以最大单段药量、爆心距以及测点 至爆心的高程差作为输入参数，对爆破振动速度进行预测，并与BP神经网络模型的预测结果进行对比。结 果表明GA-BP神经网络模型预测结果的平均相对误差为5.80,明显小于BP神经网络模型预测的平均误 差14.19。相比之下，GA-BP神经网络模型的预测精度更高，稳定性更好，可为多因素彩响下类似工程爆 破振动速度预测提供借鉴经验。 关键词爆破振速；GA-BP神经网络；权值阈值；预测模型 中图分类号TD235 文献标识码A 文章编号1001 -487X202003 - 0148 - 05 Prediction of Blasting Vibration Velocity using GA-BP Neural Network GUO Qin-peng2, YANG Shi-jiao1 ,ZHU Zhong-hua2,XIANG Zhi-bin2, ZHANG Zi-han ,HU Guang-qiu 1. Sch o o l o f Reso u r se En vir o n men t a n d Sa fet y En gin eer in g, Un iver sit y o f So u t h Ch in a , Hen gy a n g 421000,Ch in a；2. Gu a n gdo n g Xiy u a n Bl a st in g Tech n o l o gy Co Lt d,Hu izh o u 516000,Ch in a Abstract The g enetic alg orithm GA is used to optimize the weig ht and threshold of BP neural network,and the GA-BP neural network prediction model is constructed to predict the blasting vibration velocity precisely. I n the actu al blasting eng ineering of China Resources Xiaojing wan, monitoring data, including the maximum sing le-dose amount, the blasting distance and the elevation difference from the measuring point to the blasting heart, is taken as pa rameters. The blasting vibration velocity predicted by the GA-BP neural network model is compared with the one sol- uted by the BP neural network. The results show that the averag e relative error of the GA-BP neural network model is 5. 80 ,which is sig nificantly smaller than that 14. 19 predicted by the BP neural network model. As a result, the GA-BP neural network model presents hig her prediction accuracy and better stability, which can provide reference experience for similar eng ineering blasting vibration velocity prediction under the influence of multiple factors. Key words blasting vibration velocity ； ； GA-BP neural network ； ； weig ht threshold ； ； predictive model 从经典的爆破振速预测公式萨道夫斯基经验公 式到萨道夫斯基经验公式的拓展公式，许多专家学 收稿日 收稿日 132020-04-29 作者简介郭钦鹏1995 -,男，硕士研究生，从事爆破工程研究, E-mail 1516682242 qq. como 通讯作者通讯作者杨仕教1964 -，男，教授，主要从事采矿工程、岩土工程 , E-mail 649292197 qq. com0 基金项目基金项目国家自然科学基金项目50974076;广东锡源爆破科技 股份有限公司项目资助 者做出了坚持不懈的努力，如在萨道夫斯基经验公 式基础上添加了测点至爆心的高程差等⑴。随着 计算机技术的发展，各种对爆破振速预测方法层出 不穷。如基于支持向量机建立的预测岩体爆破震动 损伤情况的SVM模型[2] , ACOR-LSSVM等⑶。考 虑到爆破振速预测是一个非常复杂的非线性问题, 同时,对振速的影响因素的复杂性以及不确定性，国 内外研究学者普遍采用具有强大的非线性动态处理 第37卷第3期郭钦鹏，杨仕教,朱忠华，等 运用GA-BP神经网络对爆破振动速度预测149 能力的BP神经网络BPNN进行预测血］。但是, 神经网络也存在一定的缺陷,而且当结果精度要求 过高时，神经网络的结果很难达到其要求口⑧。对 于爆破振动速度预测来说，依靠经验公式以及提高 训练样本的精确度这些问题似乎都可以忽略不计, 但是神经网络存在一个致命缺陷初始权值和阈值 的取值问题。对于爆破振速预测这个复杂的非线性 问题,初始权值和阈值的取值至关重要。目前，许多 专家学者普遍采用一些智能算法来优化BP神经网 络的权值和阈值，比如粒子群算法PSO、蚁群算法 人、遗传算法9人等［92。 采用遗传算法优化BP神经网络初始的权值与 阈值，以36组华润小径湾监测的爆破振动监测数据 为训练样本对网络进行训练，构建GA-BP神经网络 GA-BPNN预测模型对爆破振动速度进行预测,通 过对比无优化的BP神经网络的预测结果，验证GA- BP 神经网络预测模型的可行性与优越性。 1 GA-BP神经网络理论 1.1 GA-BP神经网络数学模型神经网络数学模型 采用遗传算法优化BP神经网络，主要是利用 遗传算法的全局搜索能力，可以对解空间的多个解 进行适应度评价的特点来优化BP神经网络的权值 和阈值2⑸。GA-BP神经网络算法基本流程为 1随机生成多个解BP神经网络的权值和阈值， 并对解进行编码；2对解空间中的解通过适应度 函数进行适应度评价，这里的适应度函数为BP神 经网络;3如果评价结果达到要求，即神经网络输 出层结果的误差在允许的范围内,则表示GA已经 搜索到最优解。如果评价结果不满足要求,则对解 空间中的解进行交叉、复制、变异生成新的种群，即 新的解，并返回过程2重新进行适应度评价，直到解 满足要求为止。整个GA-BP神经网络算法如图1。 在适应度函数评价中,评价方法采用均方误差 MSE，则GA-BP神经网络算法的数学模型为 1 n 叫 min Ew1 ,wr ,br ,62二亍丫 丫 ［兀j -必 乙 il jl s.tW\ e Rmxp,w2 e Rpxn ,b. e Rp ,b2 e Rn 1 式中仞i、仞2分别为输入层、输出层的权值矩 阵;分别为输入层、输出层的阈值矩阵；m、p、n 分别为输入层、隐含层、输出层层数;化表示第i个 隐含层的样本数;E为样本误差。 1.2建立建立GA-BP神经网络模型神经网络模型 1输入层和输出层参数的确定 由于对爆破振动速度产生影响的因素众多,而 且各个因素之间的关系也呈现出非常复杂的非线性 关系,考虑到参数的代表性、易获取性等因素，再加 上经典的爆破振速预测公式萨道夫斯基经验公式等 原因,综合考虑输入层选择最大单段药量0、爆心距 R以及测点至爆心的高程差H作为本个GA-BP神 经网络模型的输入层。根据本次构建模型的目的选 取振动速度V为输出层。 图1 GA-BP神经网络算法流程图 Fig . 1 GA-BP neural network alg orithm flow chart 2隐含层层数的确定 隐含层层数对BP神经网络的性能影响很大。 一般来说，隐含层层数越多,BP神经网络的性能越 好。但是可能会导致训练时间过长,或者产生过拟 合现象，所以选择合适的隐含层数极其重要。目前 来说,并没有一个合适的解析式来确定隐含层层数, 通常的做法是根据经验公式得的隐含层层数的估计 值，或者是根据个人经验选取合适的隐含层层数。 本次模型根据经验公式p /m n a选择10 作为隐含层的层数。则模型的神经网络部分的拓扑 结构如图2。 2运用GA-BP神经网络模型对爆破 振动速度预测 2.1训练训练GA-BP神经网络神经网络 本次实验数据共41组，数据来源于华润小径湾 爆破工程,现场设置振动监测点监测爆破振动速度， 采用TC-4850测振仪，现场布置如图3。 从实验数据随机选取36组数据作为训练样本 对GA-BP神经网络进行训练,剩下的5组数据作为 150爆破2020年9月 测试样本以验证GA-BP神经网络训练后得到的最 优权值和阈值的可靠性,并与无优化的BP神经网 络的预测结果进行对比,来验证GA-BP神经网络的 可行性和优越性。训练样本见表1。 图2 BP神经网络拓扑结构 Fig . 2 BP neural network topolog y 图3现场测振仪 Fig . 3 Field vibrometer 在编程过程中，需要对BP神经网络的一些传 递函数和数据进行设置。隐含层选取Ta n -Sigmo id 作为传递函数，而输出层选取线性函数作为传递函 数。并且在权值修正过程中选择Leven ber g-Ma r - q u a r dtt r a in l m反向传播算法训练函数。同时,设定 训练模型精度为0.0001，学习率为0.1，最大迭代次 数为1000 o 在对GA-BP神经网络训练前首先对训练样本 利用公式2归一化处理，防止因训练参数具有不 同的量纲和数量级导致精度的损失。 通过表1样本训练，得到了一组分别为3 x 10、 10 x 1输入层到隐含层的权值矩阵和阈值矩阵、 10 xl Jxl 隐含层到输出层的权值矩阵和阈值矩 阵的矩阵。同时在训练结束后，笔者对训练样本 的预测结果及相对误差进行了输出。结果见表2。 由于位置有限，表格只展示预测速度和相对误差保 留小数点两位数之后的结果。 表1训练样本 Table 1 Train samples 编号炸药/血距离/m高程差/m 速度/ cm s 1 119.041.05.04. 10 214.045.04.82.30 310.046.04.71.25 416.043.05.03.00 519.026.02.09.70 612.030.02.02.00 715.031.01.92.80 817.028.02.34.00 915.030.02.02.50 1028.825.03.09.20 1112.026.03.03.00 1225.028.02.86.00 1317.029.03.12.00 1428.016.003.00 1515.015.001.25 1612.038.07.02.50 1710.036.07.52.00 189.042.07.01.00 1911.063.001.70 2010.060.00.51.60 2110.070.001.50 2231.226.05.05.02 2316.229.74.81.25 2425.023.05.03.90 2531.025.05.05.00 2620.028.05.12.30 2731.046.03.04.10 2816.051.02.71.80 2924.043.03.03.70 3020.040.03.22.90 3130.026.05.015.70 3228.024.05.012.50 3329.028.54.914.00 3430.046.03.05.00 3528.044.03.04.50 3630.043.03.06.00 第37卷第3期郭钦鹏，杨仕教,朱忠华，等 运用GA-BP神经网络对爆破振动速度预测151 表2训练样本结果和误差 Table 2 Train sample results and errors 编号 实测速度/ cm ・ ・ s 1 预测速度/ cm s 1 相对误差/ 14. 103.895.01 22.302.320.95 31.251.282.50 43.003.020.70 59.709.412.98 62.002.176.33 72.802.4014.43 84.004.8621.46 92.503.1325.21 109.208.2010.86 113.002.5814.16 126.005.823.02 132.001.4527.46 143.002.874.21 151.251.4616.63 162.502.413.73 172.001.923.94 181.601.8616.26 191.701.596.71 201.000.990.96 211.501.585.32 225.024.843.54 231.251.4818.29 243.903.822.11 255.005.000.09 262.302.320.98 274.103.963.37 281.801.677.22 293.703.905.34 302.902.5312.81 3115.7015.431.75 3212.5012.661.27 3314.0015.5911.38 345.003.6227.51 354.504.284.88 366.005.2013.31 其中，训练样本的预测相对误差最大为 25. 21，最小则为0. 09，其中平均相对误差为 8.52O 2.2预测预测 通过训练建立GA-BP神经网络模型并得到优 化后的权值和阈值后，建立BP神经网络，导入训练 后的权值和阈值对剩下的五组测试样本进行预测, 预测样本见表3。同时采用无优化的BP神经网络, 导入训练样本进行训练后对预测样本进行预测,其 中在模型训练精度、学习率及最大迭代次数等参数 与GA-BP神经网络模型一致。由于对训练样本及 预测样本进行了归一化，所以对无优化的BP神经 网络的权值阈值设定取值范围为】-2,2],因而导 致每次无优化的BP神经网络模型预测结果不同。 笔者运用无优化的BP神经网络进行了多次预测, 取预测结果相对误差和最小的一组作为对比。两次 结果及相应的相对误差见表4。预测结果和误差分 析图分别见图4、图5。 表3测试样本 Table 3 Test sample 编号炸药/炖距离/m高程差/m 实测速度/ cm s 1 12945.03.04.50 21514.001.20 32828.55.113.00 41750.03.01.60 51040.06.92.30 表4预测结果及误差 Table 4 Prediction results and errors 14 编号 实测 速度/ cm s_1 GA-BPNN 模型预测 结彩 cm s _1 相对 误差/ BPNN模型 预测结果/ cm s _1 相对 误差/ 14.503.9711.884.9710.43 21.201.181.681.4218.29 313.0012.930.5614.219.29 41.601.534.211.653.15 52.302.0610.651.6129.81 10 8 6 4 2 12 样本编号 ■ GA-BPN N预测速度 a实测速度 ■ BPNN预测速度 厂S UI。氯 S S 蚤 图4预测结果分析图 Fig . 4 Forecast result analysis chart 由表可知,GA-BP神经网络模型预测结果相对 误差最大为11.88，最小仅为0. 56，平均相对误 差为5.80。而无优化的BP神经网络模型预测结 果相对误差最大可达到29. 81 ,平均相对误差为 14.19。虽然样本1和样本4预测结果比GA-BP 152爆破2020年9月 神经网络模型好，但相对于总体来说GA-BP神经网 络预测模型要优于BP神经网络预测模型。 图5误差分析图 Fig . 5 Error analysis chart 3结论 1 通过GA对BP神经网络的权值阈值进行 优化，构建GA-BP神经网络预测模型对爆破振动速 度预测，并得到了良好的爆破振动速度预测结果，证 明GA-BP神经网络预测模型用于爆破振动速度预 测是可行的。 2 通过对比两种预测模型的预测结果和误 差，得出GA-BP神经网络预测模型的平均相对误差 5.80,比BP神经网络模型预测的平均误差低 8. 39，证明了 GA-BP神经网络预测模型的预测性 能优于BP神经网络预测模型。 参考文献参考文献References [1]田 浩,张义平,杨淞月基于回归分析在爆破振动速 度预测中的应用与研究[J]爆破,2018,353159- 165. [1] TI AN Hao, ZHANG Yi-ping, YANG Song -yue. Application and study of reg ression analysis on blasting vibration ve locity prediction[ J]. Blasting,2018 ,35 3 159-165. in Chinese [2] 邵晓宁，徐 颖.岩体爆破振速和损伤预测的支持向量机 方法[J].采矿与安全工程学报,2011,28⑶⑶384-390. [2] SHANG Xiao-ning, XU Ying . Prediction of vibration ve locity and damnification during rock blasting based on support vector machine [ J]. Journal of Mining Safety Eng ineering,2011,283 384-390. in Chinese [3] 郑皓文，赵 根,胡英国，等基于ACOR-LSSVM算法 的爆破振动速度预测[J] 爆破,2018,353 154-158. [3] ZHENG Hao-wen,ZHAO g en,HU Ying -g uo,et al. Prediction of blasting vibration velocity based on ACOR-LSSVM alg o- rithm[ J]. Blasting,2018 ,353 154-158. in Chinese [4] 申旭鹏，琥世杰,王福缘，等.基于BP神经网络的爆破 振速峰值预测[J ] 爆破,2013,301 122-125,130. [4 ] SHEN Xu-peng, QU Shi-jie, WANG Fu-yuan, et al. Pre diction of blasting peak particle velocityby BP neural net work modelf J]. Blasting ,2013 ,301 122-125,130. in Chinese [5] 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[J] 爆破,2018,352177-181. [5 ] PU Chuan-jin, GUO Wang -lin, QI N Xiao-xing, et al. Predic tion of vibration speed of pile foundation based on BP neural networkf J]. Blasting,2018,352 177-181. in Chinese [6] MAHDI Saadat, MANOJ Khandelwal, M Monjezi. An ANN-based approach to predict blast-induced g round vi bration of Gol-E-Gohar iron ore mine,I ran[ J]. Journal of Rock Mechanics and Geotechnical Eng ineering, 2014, 61 67-76. [7 ] MASSI MO Buscema. Supervised artificial neural net works backpropag ation neural networks [ M ]. Spring er N etherlan-ds 2013-06-15. [8]程相君，陈生潭.神经网络原理及其应用[M].北京 国防工业出版社,1995. [8] CHENG Xiang -jun, CHEN Sheng -tan. The principle of neural network and its application[ M]. Beijing National Defense I ndustry Press, 1995. in Chinese [9] REN C,AN N,WANG J,et al. Optimal parameters selec tion for BP neural network based on particle swarm opti mization A case study of wind speed forecasting [ J ]. Knowledg e-Based Systems ,2014,56 226-239. [10] 李静宜.蚁群神经网络的研究及其应用[D].镇江江 苏科技大学,2010. [10] LI Jing -yi. Research on neural network based on ant col ony optimization alg orithm and the application [ D ]. Zhenjiang Jiang su University of Science and Technolo g y ,2010. in Chinese [11] 付晓明，王福林，尚家杰基于多子代遗传算法优化 BP神经网络[J].计算机仿真,2016,333258-263. [11] FU Xing -ming, WANG Fu-lin, SHANG Jia-jie. Optimiza tion of BP neural network based on multi-child g enetic alg orithm [J ]. Computer Simulation, 2016,33 3 258- 263. in Chinese [12] 张莉.几类神经网络的分析与优化及其应用研究 [D].西安西安电子科技大学,2012. [12] ZHANG Li. Analysis and Optimization of Several Neural Networks and Their Applications [ D ]. Xian Xidian Uni versity ,2012. in Chinese [13 ] OLI VER Kramer. Genetic alg orithms [ M ]. Spring er I n ternational Publishing 2017-06-15. [14] STEPHEN Lynch. Neural networks [ M ]. Spring er I nter national Publishing 2018-10-10. [15 ] AMER Zayeg h, NI ZAR Al Bassam. Neural network prin ciples and applications [ M ]. I ntechOpen 2018-l 1-28. 英文编辑何松