爆破振动的BP神经网络预测方法研究.pdf
第2 8 卷第4 期 爆破 V o l 2 8N o .4 2 0 1 1 年1 2 月B L A S T I N G、Dee.2011 D O I 1 0 .3 9 6 3 /j .i s s n .1 0 0 1 - 4 8 7 X .2 0 1 1 .0 4 .0 2 9 爆破振动的B P 神经网络预测方法研究术 陶挺1 ,林从谋1 ,程李凯2 1 .华侨大学土木工程学院,泉州3 6 2 0 2 1 ;2 .福建省交通建设质量安全监督局,福州3 5 0 0 0 1 摘要爆破所引起的震动强度在很大程度上具有随机性,它受到众多因素的影响,而且各因素之间存在 着极其复杂的非线性关系。运用人工神经网络原理,以孔深、孔数、孔距、最大齐爆药量、总药量和爆源距作 为影响爆破振动的主要因素,建立B P 神经网络模型1 ,对爆破振动速度进行预测,并与仅考虑最大齐爆药量 和爆源距作为输入量的B P 神经网络模型2 和萨道夫斯基公式预测结果以及现场监测结果进行了比较。分 析结果表明,模型l 的预测精度较模型2 提高6 %以上,较传统方法提高2 7 %以上。 关键词爆破振动;B P 神经网络;预测 中图分类号T D 2 3 5 .1 4文献标识码A文章编号1 0 0 l - 4 8 7 X 2 0 1 1 0 4 0 1 0 5 一0 3 P r e d i c t i o nM e t h o dR e s e a r c ho fB l a s t i n gV i b r a t i o n b a s e do nB PN e u r a lN e t w o r k T A OT i n 1 ,L I NC o n .m o u l ,C H E N GL i .k a i 2 1 .C o l l e g eo fC i v i lE n g i n e e r i n g ,H u a q i a oU n i v e r s i t y ,Q u a , h o u3 6 2 0 2 1 ,C h i n a ; 2 .F u j i a nT r a n s p o r t a t i o nC o n s t r u c t i o na n dQ SS u p e r v i s o r yA u t h o r i t y ,F u z h o u3 6 2 0 2 1 ,C h i n a A b s t r a c t T h ev i b r a t i o nc a u s e db yb l a s t i n gi sc h i e f l yr a n d o m .I ti sa g e e t e db yal o to ff a c t o r s ,a n dt h e r ei s a c o m p l i c a t e dn o n l i n e a rr e l a t i o n s h i pb e t w e e nt h ev a r i o u sh c t o 玛.An e u r a ln e t w o r km o d e lo n eb a s e do nt h e o r yo fa r t i f i c i a ln e u r a ln e t w o r ki se s t a b l i s h e dt of o r e a s tt h ev i b r a t i o nv e l o c i t yo fb l a s t i n gs e i s m .T h em a i nf a c t o r sa f f e c t i n gt h e b l a s t i n ga r et h eh o l ed e p t h ,n u m b e r ,a n dd i s t a n c e ,m a x i m u mc h a r g ew e i g h tp e rd e l a yi n t e r v a l ,t o t a lc h a i s ea n de x p l o - s i v ed i s t a n c e .T h em a x i m u mc h a r _ s ew e i g h tp e rd e h yi n t e r v a la n dt h ee x p l o s i o n8 0 u l ℃ed i s t a n c ea 1 1 ec o n s i d e r e d ∞t h e i n p u to ft h en e u r a ln e t w o r km o d e lt w o ,w h i c ha r ec o m p a r e dt ot h ep r e d i c t e dr e s u l t so fS a d o w s k yf o m u l a ra n dt h ef i e l d s u r v e i l l e n tr e s u l t s .T h er e s u l t sr e v e a l e dt h a tT h ef i r s tm o d e lf o r e c a s t i n gp r e c i s i o nw 舾p m v e dt ob es a t i s f a c t o r yw i d lt i n e r r o rr a t i ol 嘲t h a n6 %.a n di t sp r e c i s i o ni sb e t t e rt h a nt h et r a d i t i o n a lm e t h o dw i t ha l li n c l e a s eo f2 7 %. K e yw o r d s b l a s t i n gv i b r a t i o n ;b a c k .p r o p a g a t i o nn e u r a ln e t w o r k ;p r e d i c t i o n 在爆破技术得到广泛应用的同时,爆破引起的 负面效应也越来越引起人们的重视,其中危害最大 的爆破负面效应就是爆破振动对周围建 构 筑物 的破坏⋯。因此,合理正确的估计爆破振动危害对 整个爆破工程的施工安全进度有着至关重要的作 收稿E t 期2 0 1 1 - 0 3 ~0 5 作者简介陶挺 1 9 8 6 一 ,男,硕士,主要从事地下结构工程研究, E m a i l t a o y a l 9 8 6 h q u .e d u .c n 。 通讯作者林从谋 1 9 5 7 一 ,男,教授,主要从事岩石与隧道工程研 究。 E - m a i l c m l i n h q u .e d u .c n 。 基金项目福建省交通科技发展项目 N o .2 0 1 0 1 4 ,2 0 0 9 2 0 1 1 用。然而目前工程中通常是根据现场爆破振动监测 结果以萨道夫斯基公式进行回归分析,然后基于萨 道夫斯基公式预测后续爆破振动速度瞄J 。但是考 虑到爆破振动不仅与爆破性质、爆破条件及爆破技 术有关,而且还和地震波传播介质的条件有关,因此 在通常情况下,用萨道夫斯基公式预测爆破振动的 精度并不高。 人工神经网络是近几十年来发展起来的- f q 新 兴交叉学科,该方法具有极强的非线性动态处理的 能力。它的主要特征为网络的全局使用、大规模并 万方数据 爆破 2 0 1 1 年1 2 月 行分布处理、高度的容错性和鲁棒性及学习联想能 力。基于这些认识,不少学者把人工神经网络方法 引入到了爆破振动速度预测中,结果显示预测精度 均高于萨道夫斯基公式。但目前多数学者未全面考 虑到影响爆破振动的各因素4J ,仅把最大齐爆药量 和爆源距作为输入量,建立神经网络预测模型,得出 的结果与实际结果尚有一定差距。因此,鉴于前人 的研究,运用人工神经网络原理,综合考虑了影响爆 破振动的多种因素 孔深、孔数、孔距、最大齐爆药 量、总药量和爆源距 ,建立了B P 神经网络模型l , 对质点爆破振动速度进行预测,并与仅考虑单一因 素 最大齐爆药量和爆源距 作为输入量的B P 神经 网络模型2 和萨道夫斯基公式预测结果以及现场监 测结果进行了比较。 1 B P 神经网络模型 B P 神经网络即误差逆传播神经网络,它是能实 现映射的前馈型网络中最常用的一类网络。一个典 型的3 层前馈型B P 神经网络的学习算法结构如 图1 所示。3 层分别为输入层M 、隐层馏和输出层 L C 同层节点无关联,异层神经元间前向连接。图l 中小圆圈表示神经元髫,,石,⋯,‰为输入信号,即 输入的数据,c 。,c ,⋯,C 。为输出信号。其中输入层 有m 个节点,对应于B P 网有m 个输入;隐层含有n 个节点,与B P 神经网络的/7 , 中输出响应对应;输出 层有H 个节点。输入层与输出层的节点数视具体问 题定。 I 三√警新 材岛 教 师 信 号 图1B P 神经网络的学习算法结构 .1B Pn e u r a ln e t w o r ks t r u c t u r el e a r n i n ga l g o r i t h m 2 爆破振动速度峰值的预测模型 预测模型采用典型的3 层前馈型B P 神经网路 进行建模旧J ,即网络由输入层、隐含层和输出层组 成。针对不同的爆破要求和爆破环境,每层中神经 元个数的选取可以不同,但大都遵循m 2 n 1 的 规律 m 为隐含神经元数,n 为输入神经元数 。运 用M a t l a b 语言构建的B P 神经网络,网络输入层神 经元传递函数采用S 型,对数函数l o g s i g ;中间层的 神经元传递函数采用S 型,正切函数t a n g s i g 。网络 训练参数的选择通过经验与实验确定,其中训练次 数l0 0 0 次,训练目标0 .0 0 01 ,学习速率O .1 ,程序 的核心算法如下 n e t n e w c f [ M i n ‘M a x ’] ,[ 251 ] ,{ ‘l o g s i g ’, ‘t a n s i g ’,‘p u r e l i n ’} ; n e t .t r a i n P a r a m .e p o c h s 1 0 0 0 ; n e t .t r a i n P a r a m .g o a l l e - 4 ; n e t .t r a i n P a r a m .1 r O .1 [ n e t ,t r ,Y 1 ,E ] t r a i n n e t ,P ,t ; 2 .1B P 神经网络预测模型1 输人参数孔深L 、孔数肘、孔距A 、最大齐爆药 量Q 。、总药量Q 和爆源距尺;输出参数质点震动速 度V 。中间层的神经元个数遵循K o l m o g o l o v 映射神 经网络存在定理输入层有6 个神经元,隐层有1 3 个 神经元,即采用6 - 1 3 - l 三层B P 神经网络结构。 2 .2B P 神经网络预测模型2 输入参数段药量Q 和爆心距R ;输出参数质 点振动速度亿中间层的神经元个数遵循K o l m o g - o l o v 映射神经网络存在定理输入层有2 个神经元, 隐层有5 个神经元,即采用2 - 5 .1 三层B P 神经网络 结构。 3 各模型训练与预测结果比较 试验样本来自南惠高速公路第N H A 5 合同段路 基开挖现场爆破振动监测,该拟爆区域属丘陵地貌, 山体岩石主要为花岗岩。在对神经网络进行训练 时,选取爆破振动实测数据中的前1 6 次实测数据作 为训练学习样本,后3 次数据作为检验样本,用训练 好的B P 神经网络模型1 和模型2 预测了后3 次爆 破振动速度。同时,利用拟合得到的萨道夫斯基公 式做了相同的3 次预测。爆破振动实测数据见 表l ,预测及其比较结果见表2 。从表2 可以看出, 利用萨道夫斯基公式预测时误差较大,平均为 3 6 .1 4 %,最大误差达到了4 1 .9 6 %,而B P 神经网络 预测的最大误差为2 5 .6 8 %,明显优于萨氏公式;B P 神经网络预测模型l 的平均误差为9 .1 2 %,预测模 型2 的平均误差为1 5 .8 7 %,模型1 的预测值较模 型2 的预测值更接近于实测值。 4 结语 用神经网络模型预测爆破振动速度,得到以下 结论 1 建立的神经网络模型1 较全面的考虑了影 万方数据 第2 8 卷第4 期 陶挺,林从谋,程李凯爆破振动的B P 神经网络预测方法研究 1 0 7 响爆破振动的因素 孔深、孔数、孔距、最大齐爆药 量、总药量和爆心距 ,其预测的爆破振动速度与实 测值较接近。 表1 爆破振动实测数据 T a b l e1 B l a s t i n gv i b r a t i o nm e a s u r e dd a t a 序爆源距孔深孔数孔距最大齐爆总药量实测振速/ 号 /m/m /个/m药量/k g /k g e m s ‘1 表2 预测结果与实测值对比 T a b l e2 C o m p a r i s o nb e t w e e np r e d i c t e da n dm e a s u r e d 2 爆破振动预测结果表明,考虑多因素输入 参数的B P 神经网络模型1 较单一输人参数的B P 神经网络模型2 的预测精度提高6 %以上,较传统 方法提高2 7 %以上。 3 预测模型中并未考虑最小抵抗线、堵塞长 度以及爆破地质条件等,这还有待于以后进一步 研究。 参考文献 R e f e r e n c e s [ 1 ]高尔新,杨仁树.爆破工程[ M ] .北京中国矿业大学 出版社,1 9 9 9 . [ 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,2 0 0 0 , 1 7 3 1 3 - 1 7 . [ 2 ] Z H A N GS h i - x i o n g ,Y A N GM i n g - l i a n g ,Y I NJ i a - g u o ,e ta 1 . A ne m p i r i c a lf o r m u l ao fc a l c u l a t i n gt h ev i b r a t i n gi n t e n s i t y o fe x p l o s i v ew a v ea n di t sa p p l i c a t i o ni nm i n i n g [ J ] .B i a s r i n g ,2 0 0 0 ,1 7 3 1 3 1 7 . i nC h i n e s e [ 3 ]闫鸿浩,李晓杰,曲艳东,等.爆破振动速度测试精细 分析[ J ] .岩土力学,2 0 0 7 ,2 8 1 0 2 0 9 1 - 2 0 9 4 . [ 3 ] Y A NH o n g h a o ,L IX i a o - j i e ,Q UY a n - d o n g ,e ta 1 .F i n e a - n a l y s i so fb l a s t i n gv i b r a t i o nv e l o c i t yt e s t i n g [ J ] .R o c ka n d S o i lM e c h a n i c s ,2 0 0 7 ,2 8 1 0 2 0 9 1 - 2 0 9 4 . i nC h i n e s e [ 4 ] 蔡德所,胡铁松,张继春.基于前馈网络的岩体爆破效 应预测研究[ J ] .岩土工程学报,1 9 9 7 ,1 9 1 4 3 4 9 . [ 4 ] C A ID e - S U O ,H UT i e s o n g ,Z H A N GJ i - c h u n .F o r e c a s t r e - s e a r c hO ne f f e c t o fv i b r a t i o na n dd a m a g ei nr o c km 8 8 s b l a s t i n g [ J ] .C H I N E S EJ O U N A LO FG E O T E C H N I C A L E N G l N E E R I N G ,1 9 9 7 ,1 9 1 4 3 4 9 . i nC h i n e s e [ 5 ] 夏梦会,董香山,张力民,等.神经网络模型在爆破振 动强度预测中的应用研究[ J ] .有色金属 矿山部分 , 2 0 0 4 ,5 6 3 2 5 - 2 7 . [ 5 ] X I AM e n g - h u i ,D O N GX i a n g - s h a n ,Z H A N GL i - m i n ,e ta 1 . N e u r a ln e t w o r km o d e li nt h ep r e d i c t i o no fb l a s t i n gv i b r a - t i o ni n t e n s i t yi nt h ea p p l i e dr e s e a r c h [ J ] .N o n f e r r o u sM e t - a 1 8 M i n i n g ,2 0 0 4 ,5 6 3 2 5 - 2 7 . i nC h i n e s e [ 6 ] 周志华,张金山,刘勤.基于人工神经网络的爆破震 动速度峰值的预报[ J 】.包头钢铁学院学报,2 0 0 3 , 2 2 1 8 - 1 0 . [ 6 】Z H O UZ h i h u a ,Z H A N GJ i n - s h a n ,L I UQ i n .T h ep r e d i e t i o no fb l a s t i n gv i b r a t i o nv e l o c i t yb yn e u r a ln e t w o r k [ J ] . J o u r n a lo fB a o t o uU n i v e r s i t yo fI r o na n dS t e e lT e c h n o l o g y , 2 0 0 3 ,2 2 I 8 - 1 0 . i nC h i n e s e [ 7 ] 林丽群,林从谋,蔡丽光,等.隧道爆破振动的B P 神经 网络预测及应用研究[ J ] .爆破,2 0 0 9 ,2 6 4 4 - 7 . [ 7 】L I NL i - q u n ,L I NC o n g m o u ,C A IL i g u a n g ,e ta 1 .P r e d i c t i o na n da p p l i c a t i o nr e .a r c ho ft u n n e lb l a s t i n gv i b r a t i o n b a s e dO i lB Pn e u r a ln e t w o r k [ J ] .B l a s t i n g ,2 0 0 9 ,2 6 4 4 .7 . i nC h i n e s e [ 8 】葛宏伟,梁艳春,刘玮,等.人工神经网络与遗传算 法在岩石力学中的应用[ J ] .岩石力学与工程学报,. 2 0 0 4 ,2 3 9 1 5 4 2 - 1 5 5 0 . [ 8 ] G EH o n g w e i ,L I A N GY a h c h u n ,L I UW e i ,e t8 1 .A p p l i c a - t i o n so fa r t i f i c i a ln e u r a ln e t w o r k sa n dg e n e t i ca l g o r i t h m st o r o c km e c h a n i c s [ J ] .C h i n e s eJ o u r n a lo fR o c kM e c h a n i c s a n dE n g i n e e r i n g ,2 0 0 4 ,2 3 9 1 5 4 2 1 5 5 0 . i nC h i n e s e 万方数据