矿岩爆破参数预测新方法研究.pdf

第2 7 卷第4 期 2 0 1 0 年1 2 月 爆破 B L A S T I N G V 0 1 ．2 7 N o ．4 D e e ．2 0 1 0 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 0 ．0 4 ．0 0 7 矿岩爆破参数预测新方法研究木 王莉1 ，赵2 张德明3 ，白雪松1 1 ．辽宁工程技术大学安全科学工程学院，阜新1 2 3 0 0 0 ；2 ．中国五矿集团勘查开发有限公司，北京1 0 0 0 4 4 ； 3 ．中南大学资源与安全工程学院，长沙4 1 0 0 8 3 摘要提出了一种矿岩爆破参数预测新方法，针对目标矿山拟采用的爆破方式，大量选择国内外爆破效 果较好的类似矿山为学习训练样本，建立B P 神经网络模型，寻找爆破参数与主要因素之间的相关关系，从 而实现目标矿山的爆破参数预测。并以石人沟铁矿上向扇形中深孔爆破参数选择为例，优选出的参数适用 于矿岩条件。爆破效果良好。 关键词爆破参数；优化选择；B P 神经网络 中图分类号T D 2 3 5 ；T B 4 1文献标识码A文章编号1 0 0 1 4 8 7 X 1 2 0 1 0 0 4 0 0 2 7 0 4 R e s e a r c ho nN e wP r e d i c t i o nM e t h o do fB l a s tP a r a m e t e r s W A N GL i l ，Z H A OB i n 2 ，Z H A N GD e ．m i n 9 3 ，B A IX u e - s o n 9 1 1 ．C o l l e g eo fS a f e t yS c i e n c ea n dE n g i n e e r i n g ，L i a o n i n gT e c h n i c a lU n i v e r s i t y ，F u x i n1 2 3 0 0 0 ，C h i n a ； 2 ．M i n m e t a l sE x p l o r a t i o na n dD e v e l o p m e n tC oL t d ，C h i n aM i n m e t a l sC o r p o r a t i o n ，B e i j i n g1 0 0 0 4 4 ，C h i n a ； 3 ．S c h o o lo fR e s o u r c e sa n dS a f e t yE n g i n e e r i n g ，C e n t r a lS o u t hU n i v e r s i t y ，C h a n g s h a4 1 0 0 8 3 ，C h i n a A b s t r a c t An e wp r e d i c t i o nm e t h o do fb l a s tp a r a m e t e r sf o rag i v e nm i l l ew a sc a r r i e do u tt og e tt h ec o r r e l a t i v i t y b e t w e e nb l a s tp a r a m e t e r sa n di n f l u e n c ef a c t o r sb a s e do nB a c k P r o p a g a t i o nn e u r a ln e t w o r km o d e lw i t ht h es i m i l a r m i n e sw i t hg o o de f f e c t 鹊t h et r a i n i n gm m p l e sf r o mh o m ea n da b r o a dm i n e s ．t h e ng o ti t sp r e d i c t e db l a s tp a r a m e t e r s ． S i f t t e n - g o ui r o nm i n e 龟b l a s tp a r a m e t e r s ，u s i n gt h eb l a s t i n gt e c h n i q u ew i t hu p s e c t o rm e d i u m d e p t hh o l e ，W a so p t i m i z e da se x a m p l ef o rt h i sm e t h o dt oo r ec o n d i t i o n ．a n dg e tg o o db l a s tr e s u l t s ． K e yw o r d s p a r a m e t e r ；o p t i m i z ea n dc h o o s e ；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 0引言 合理的爆破参数是保证安全、高效回采的必备 前提⋯。长期以来，国内外部分矿山采用经验公 式最小抵抗线W 2 5 3 0 d d 为炮孑L 直径 及 排距a 1 ～1 ．5 形等[ 2 引，该方法仅得到一个较大 范围内的值，具有一定指导意义，但无法实现真正意 义上的优化预测；另外，部分采用工程类比法，即参 考类似性质矿山的参数情况[ 4 ] ，但往往考虑不周全， 收稿日期2 0 1 0 0 5 2 5 作者简介王莉 1 9 8 5 一 ，女。硕士研究生，从事采矿及安全技术 研究，E - m a i l w a n g l i 5 2 9 1 2 7 1 6 3 ．C O I I I 。 基金项目国家自然科学基金项目 5 0 7 0 4 0 1 9 容易受主观因素左右；再者，现场爆破试验也被广泛 采用”剖，但需要花费大量的人力、财力、物力及时间， 且不同地段的试验具有局限性，难以达到理想的效 果。因此，爆破参数预测新方法的研究势在必行。 文献[ 7 ] 研究表明炮孔排距、孔底距及一次炸 药单耗是矿岩最主要的爆破参数；而矿岩的固有属 性，包括容重、弹性模量、抗拉强度、抗压强度、摩擦 角及粘结力是影响矿岩爆破参数的最主要因素。因 此，理想的爆破参数与主要因素间必定存在着一定 的函数相关关系。基于此种思路，提出一种矿岩爆 破参数预测的新方法，即针对目标矿山拟采用的爆 破方式，大量选择国内外爆破效果较好的类似矿山 为学习训练样本，建立B P 神经网络模型，寻找爆破 万方数据 爆破 2 0 1 0 年1 2 月 参数与主要因素之间的相关关系，并应用于目标矿 山，实现目标矿山的爆破参数预测。 1 B P 神经网络预测模型 以矿岩容重、弹性模量、抗拉强度、抗压强度 用 矿岩坚固性系数表示 、摩擦角及粘结力为输入因子， 以炮孔排距、孔底距及一次炸药单耗为输出因子，并 设置中间隐含层，构成3 层网络结构。训练样本集的 规模极其重要，太少学习意义不大，太多影响训练速 度，甚至不能收敛到预定精度，取6 2 5 为宜。由 K o l m o g o r o v 定理可得隐含层神经元个数应在1 3 左 右，建立模型时，可选用隐含层神经元个数3 个值，即 1 0 、1 3 、1 5 ，进行神经网络收敛速度、预测误差比较，选 出适合的隐含层神经元数，再进行预测。 由于各个指标互不相同，原始样本中各向量数 量级差别很大，为计算方便及防止神经元过饱和，应 对样本进行归一化处理，公式为 菇’ [ 菇一m i n 髫 ] ／[ m a x x 一m i n x ] 归一化后的数据处于[ O ，1 ] 区间内，则网络隐含层的 神经元传递函数采用5 型正切函数t a n s i g ，输出层神 经元传递函数采用．s 型对数函数l o g s i g 。在网络训练 过程中，设置的训练次数和误差极其重要，直接影响 的网络的运算速度和精度，参考文献[ 8 ] 和文献[ 9 ] ， 分别设为10 0 0 和0 ．0 0 01 。预测输出的是归一化后 的结果，为了更加直观，应进行反归一化，公式旧圳 戈 石7 [ m a x z 一r a i n 石 ] m i n 戈 。步聚女口] ； 1 收集国内外类似矿山的矿石容重扎弹性模 量E 、抗压强度盯。、抗拉强度吼、摩擦角妒及粘结力 C ，建立网络学习样本。 2 对输入样本数据进行无量纲归一化处理，对 网络进行训练，比较不同结构的网络性能，优选出最 佳B P 神经网络。 3 以目标矿山的矿岩物理力学性能参数为输 入参数，以最佳的网络进行爆破参数预测。 4 对预测结果进行反归一化处理 归一化公式 的逆运算 ，即可得到目标矿山的爆破参数值。 矿岩爆破参数的B P 神经网络预测、优选模型 算法流程如图1 。 初始化 给网络提供学习样本 二二二[ 二二 计算隐含层、输出层 各单元的输入、输出 二二] 二二二 计算目录输出和各 实际输出的偏差 二二二[ 二 找出偏差绝对值 的最大值 荔奎篓窭委蔓董馨嚣塞p ≈至耍巫 训练误差或学习次数大H 给出预测值，结束 于最大给定的学习次数I i 查 计算输出层和隐含层 各单元的一般化误差 调整输入层和隐含层、 隐含层至输出层之问的 连接权值及单元的输出 阀值 更新学习模式 图1 神经网络算法流程图 F i g ．1 F l o wc h a r to fa r i t h m e t i ci nt h en e u r a ln e t w o r k 2 实例分析 石人沟铁矿隶属于河北矿业集团，拟采用上向 扇形中深孔爆破工艺，研究采用该法对其爆破参数 进行预测，以指导矿山生产。 2 ．1 样本获取 针对石人沟生产条件，选取国内7 个应用效果 良好的矿山作为训练样本，如表l 。 表l 爆破参数优选训练样本集 T a b l e1 S a m p l e so ft r a i n i n gf o rb l a s t i n gp a r a m e t e r s 万方数据 第2 7 卷第4 期王莉，赵彬，张德明，等矿岩爆破参数预测新方法研究 2 ．2 应用程序 应用的程序如下 ％输入样本，P 为输入向量，t 为目标向量 P [ 3 ．2 53 ．7 21 0 ．11 03 71 5 ．6 7 ；4 ．4 34 ．7 7 4 ．4 853 94 ．6 8 ；2 ．8 46 ．2 47 ．3 883 9 ．97 ．5 6 ；4 ．6 7 1 4 ．0 71 3 ．9 51 33 2 ．63 ．5 ；3 ．27 ．1 45 ．4 273 5 ．54 5 ； 2 ．8 93 ．1 03 ．0 875 3 ．8 11 5 ．9 9 3 ．2 25 ．2 04 ．4 87 4 1 ．9 62 0 ] ’； t [ 1 ．62 ．7 50 ．5 2 ；1 ．2 51 ．90 ．2 5 ；1 ．31 ．9 0 ．4 5 ；1 ．71 ．50 ．3 5 ；l2 ．40 ．4 2 ；1 ．220 ．4 5 ；1 ．92 ．2 0 ．1 6 ] ’； ％对输入向量P 与目标向量t 进行归一化 f o ri 1 6 P i ， P i ， 一r a i n P i ， ／ m a x P i ， 一r a i n P i ， ； e n d f o ri l 3 T i ， t i ， 一r a i n t i ， ／ m a x t i ， 一r a i n t i ， ； e n d ％建立神经网络 n e t n e w f f m i l l I l l l t X P ，[ 1 5 ，3 ] ，{ ‘t a n s i g ’， ‘l o g s i g ’} ； n e t ．t r a i n P a r a m ．e p o c h s l o o o ；％N 练次数为l0 0 0 n e t ．t r a i n P a r a m ．g o a l 0 ．0 0 01 ；％训练目标误 差小于0 ．0 0 01 ％对网络进行训练 n e t t r a i n n e t ，P ，T ；％P 为输入向量，T 为目 标向量 P _ t e s t P o u t s i m n e t ，P t e s t ； ％分别绘制3 种训练目标量形、口、儿。的预报误 差曲线 p l o t 1 7 ，T 1 ， 一o u t 1 ， ，‘k s ’ ； h o l dO n p l o t 1 7 ，T 2 ， 一o u t 2 ， ，‘r 一0 ’ ； h o l do n p l o t 1 7 ，T 3 ， 一o u t 3 ， ，‘g d ’ ； ％进行神经网络预测 P t e s t [ 3 ．4 04 ．8 02 ．2 61 13 82 ．4 ] 7 ；％预测 输入向量 石人沟铁矿矿石物理力学性质 O u t s i r e n e t ，P _ t e s t ；％神经网络预测 O u t 2 ．3 结构选择 对3 种隐含层结构的B P 神经网络进行学习。 得到的网络性能曲线见图2 一图4 。 。、＼＼ ＼ ＼ 0l23 4567891 0l l P e r f o r m a n c ei s8 ．3 9 93 5 e 一0 0 5 ．G o a li 80 ．0 0 01 a 训练误差曲线 b 预测误差曲线 图2 隐单元‰1 0 的网络性能 F i g ．2C a p a b i l i t y1 3 U I V eo fB Pn e u r a ln e t w o r k c o n c e a l e dc e l l 1 0 由以下的网络训练误差、预测误差曲线图可见， 隐含层神经元个数为1 0 、1 3 和1 5 时，分别经1 1 、9 和1 0 步运算即达到精度要求，中间网络的收敛速度 略快于其它两者；而三者的最大预测误差分别为 0 ．0 2 1 、0 ．0 3 1 、0 ．0 1 4 ，后者远低于前两者。综合考 虑，隐含层神经元数取1 5 ，网络收敛速度较快，预测 误差较小，除第7 次外误差均极小，即采用第3 种神 经网络模型。 2 ．4 预测结果 以第3 种B P 神经网络模型对石人沟铁矿爆破 参数进行预测，输人参数为3 ．4 0 ，4 ．8 0 ，2 ．2 6 ，1 l ， 3 8 ，2 ．4 ，对得出的结果进行反归一化得1 ．6 8 49 ， 1 ．8 2 53 ，0 ．4 5 ，即石人沟铁矿上向扇形中深孔爆破参数 的B P 神经网络优选参数为炮孔排距肜 1 ．6 8 49i n ，孔 底距口 1 ．8 2 53m ，儿l O ．4 5l , e , ／t o 该参数已经成功应用于石人沟铁矿，生产实践 证明，爆破参数合理，爆破矿岩块度大块率低、成本 低、工艺简单。 坩 ” 叭 ” 卟 一u膏一∞●{o。o；一∞●M皇一矗一可．I-1． 万方数据 3 0 爆破 2 0 1 0 年1 2 月 3结论 。 ＼＼ 0 ．0 4 O ．0 3 O ．0 2 0 ．O l 0 - 0 ．O l - 0 ．0 2 012345678912 P e r f o r m a n c ei 89 ．3 6 47 9 e - 0 0 5 ．G o a li s0 ．0 0 01 a 训练误差曲线 1 0 5 3 4567 9 E p o c h s b 预测误差曲线 图3 隐单元数1 3 的网络性能 F i g ．3C a p a b i l i t yC U l N eo fB Pn e u r a ln e t w o r k c o n c e a l e dc e l l 1 3 。、 。 ＼ 、 ’ ＼ ＼ O ．0 1 5 0 ．0 1 0 0 ．0 0 5 0 - 0 ．0 0 5 - 0 ．0 1 0 - 0 ．0 1 5 01234567891 0 12 P e r f o r m a n c ei s3 ．7 5 66 e 一0 0 5 ．G o a li s0 ．0 0 01 a 训练误差曲线 34567 1 0E p o c h s b 预测误差曲线 图4 隐单元数1 5 的网络性能 F i g ．4C a p a b i l i t yc u r v eo fB Pn e u r a ln e t w o r k c o n c e a l e dc e l l 1 5 1 提出了一种爆破参数预测的全新思路，以矿 岩的容重、弹性模量、抗拉强度、抗压强度 坚固性 系数 、摩擦角及粘结力为输入因子，炮孔排距、孔 底距及一次炸药单耗为输出因子，国内外爆破工艺 类似、效果良好的矿山为样本，建立B P 神经网络进 行预测。 2 B P 神经网络作为一种输入- 输出的高度非线 性映射，通过对作用函数的多次复合，实现了矿岩爆 破参数预测中输入与输出之间的高度非线性映射。 预测、优选过程不需要建立数学方程，具有自适应性、 学习能力以及容错性和鲁棒性，可避免传统的矿岩爆 破参数选择法的种种弊端，具有广泛的应用前景。 参考文献 [ 1 ] M A R T I NPL D r i l la n db l a s to p t i m i z a t i o na tt h es p o r k h u l e l i m e s t o n eq u a r r y [ J ] ．J o u r n a l0 fE x p l o s i v e sE n g i n e e r i n g ， 2 0 0 6 ，2 3 4 6 - 1 2 ． 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，2 0 0 7 ，2 4 3 2 6 - 2 9 ． W A N GN i l l g ，H A NZ h i x i n g ，L IX i a n g d o I l g ．O p t i m i z a t i o n o nb l a s t i n gp a r a m e t e r so fg e n t l yi n c l i n e da n dv e r yt h i no r e v e i ns t o p e [ J ] ．B l a s t i n g ，2 0 0 7 ，2 4 3 2 6 - 2 9 ． i nC h i n e s e 胡坤伦，杨仁树，徐晓峰，等．煤矿深部软岩巷掘进爆 破试验研究[ J ] ．辽宁工程技术大学学报，2 0 0 7 ， 2 6 6 8 5 6 8 5 8 ． H UK u n - l u n ，Y A N GR e n s h u ，X UX i a o f e n g ，e ta 1 ．B i a s t i n gt e s ta n ds t u d yo nd r i v i n go fd e e p s e a t e dr o c kt u n n e l s o fc o a lm i n e s U ] ．J o u r n a lo fL i a o n i n gT e c h n i c a lU n i v e r s i t y ，2 0 0 7 ，2 6 6 8 5 6 - 8 5 8 ． i nC h i n e s e Z H A N GLP ．Y UHJ ，H USX ．O p t i m a lc h o i c eo f p a r a m e - t e r sf o rp a r t i c l es w a r mo p t i m i z a t i o n [ J ] ．J o u r n a lo fZ h e - j i a n gU n i v e r s i t yS c i e n c e ，2 0 0 5 ，6 6 5 2 8 - 5 3 4 ． 下转第3 9 页 加 仃 ” 仃 i 。 旷 一。时一苗●．【醇oo oj一宙●薯葺一日一一-L O l 2 3 ● m I 。 一u膏一∞●一膏oo o，一∞●M口一葺一日h■ 1 J 1 J 1 J 1 J 1 J 心 心 口 口 H 万方数据 第2 7 卷第4 期宗琦，刘菁华煤矿岩石巷道中深孔爆破掏槽技术应用研究 3 9 上接第3 0 页 [ 5 ] 于宝新．齐大山铁矿爆破优化试验研究[ J ] ．金属矿 山，2 0 0 7 5 3 5 - 3 7 ． [ 5 ] Y UB a o - x i n ．T e s tr e s e a r c ho nb l a s t i n go p t i m i z a t i o ni nq i c l a s h a ni r o nm i n e [ J ] ．M E T A LM I N E ，2 0 0 7 5 3 5 - 3 7 ． i nC h i n e s e [ 6 ] 夏红兵，徐颖，宗琦，等．深部软岩巷道爆破卸压 技术及工程应用研究[ J ] ．安徽理工大学学报 自然科 学版 ，2 0 0 7 ，2 7 1 1 3 - 1 6 ． [ 6 ] X I AH o n g - b i n g ，X UY i n g ，Z O N GQ i ，e ta 1 ．R e s e a r c hO i l t h et e c h n o l o g yo fu n l o a d i n gb l a s tf o rad e e ps o f tr o c kt u n - n e la n di t se 晒n e e r i n ga p p l i c a t i o n [ J ] ．J o u r n a lo fA n h n i U n i v e r s i t yo fS c i e n c ea n dT e c h n o l o g y N a t u r a lS c i e n c e ， 2 0 0 7 ，2 7 1 1 3 - 1 6 ． i nC h i n e s e [ 7 ] 王新民，赵彬，张德明，等．基于A H P 的矿岩爆破破 碎性能影响因素分析[ J ] ．爆破，2 0 0 8 ，2 5 4 l 一6 ． [ 7 ] W A N GX i n m i n ，Z H A OB i n ，Z H A N GD e - m i n g ，e ta 1 ．I n - f l u e n c ef a c t o r sa s s a yo fe x p l o s i o na n dc r a s hp r o p e r t i e so n m i n eb a s e do nA H P [ J ] ．B l a s t i n g ，2 0 0 8 ，2 5 4 1 - 6 ． i n C h i n e s e [ 8 ] 邓建，古德生，李夕兵．可视化自适应神经网络及在 矿业中的应用[ J ] ．中南工业大学学报 自然科学版 ， 2 0 0 0 ，3 1 3 2 0 5 - 2 0 7 ． [ 8 ] D E N GB a n ，G UD e s h e n g ，L IX i n b i n g ．S e l f a d a p t i v en e u r a ln e t w o r ka n di t s a p p l i c a t i o ni nm i n i n ge n g i n e e r i n g 【J ] ．J o u r n a lo fC e n t r a lS o u t hU n i v e r s i t yo fT e c h n o l o g y S c i e n c ea n dT e c h n o l o g y ，2 0 0 0 ，3 1 3 2 0 5 - 2 0 7 ． i n C h i n e s e [ 9 ] M A NzH ，W UHR ，P A L A N I S W A M IM ．A na d a p t i v e t r a c k i n gc o n t r o l l e ru s i n gn e u r a ln e h y o r k Bf o rac l a s so f n o n l i n e a rs y s t e m s [ J ] ．I E E ET r a mN e u r a lN e t w o r l 【s ， 1 9 9 8 ，1 9 5 9 4 7 _ 9 5 5 ． 上接第3 4 页 4 结论 对爆炸冲击波超压峰值的测量不产生明显的影响。 在相同试验条件下对同一规格型号的压电式压 力传感器采用不同的热防护措施进行了比较试验， 通过对测试结果的分析，得出以下结论 1 爆炸产生的瞬变热辐射对压电式压力传感 器热输出影响非常大，必须采取热防护措施。 2 在爆炸冲击波超压测量中，采用对压电式压 力传感器的膜片前端涂抹凡士林或包裹玻璃纤维 布，都能有效地补偿瞬态温度误差。 3 就试验结果而言，涂抹凡士林或覆盖玻璃纤 维布以后，传感器的高频响应将受到一定损失，但却 [ 2 ] [ 3 ] [ 4 ] [ 5 ] 参考文献 吴松，陈宏，谷笳华，等．一种压电压力传感器的 防热方法[ J ] ．科学通报，2 0 0 7 ，5 2 8 8 6 6 - 8 6 9 ． 程鹏，程江，闫冠．压电式压力传感器热冲击效应 的试验研究[ J ] ．传感器与微系统，2 0 0 6 ，2 5 2 2 7 - 2 9 ． 田裕鹏，姚恩涛，李开宇．传感器原理[ M ] ．北京科学 出版社．2 0 0 7 1 8 8 - 2 2 1 ． 蒋敦斌，李文英．非电量测量与传感器应用[ M ] ．北 京国防工业出版社，2 0 0 5 2 8 3 - 2 8 4 ． 邱艳宇，卢红标，蔡立艮．爆炸冲击波信号处理方法比 较[ J ] ．爆破，2 0 1 0 ，2 7 1 9 2 - 9 5 ． 万方数据