立井爆破效果预测及模糊综合评价.pdf

第 31 卷 第 3 期 2014 年 9 月 爆 破 BLASTING Vol. 31 No. 3  Sep. 2014 doi 10. 3963/ j. issn. 1001 -487X. 2014. 03. 003 立井爆破效果预测及模糊综合评价 王宇涛， 刘殿书， 梁书锋， 李洪超， 李明慧 （中国矿业大学 （北京）力学与建筑工程学院， 北京 100083） 摘 要 为了预测立井爆破效果以优化设计参数， 确定以影响立井爆破效果的 10 个设计参数及 “循环进 尺、 炮孔利用率、 平均单耗、 超欠挖量、 周边孔眼痕率” 5 个效果参数作为输入、 输出层样本， 建立基于 BP 神经 网络的立井爆破效果预测模型。结果表明 各参数的预测误差大多控制在 5豫以内， 模型能够较好地达到预 测目的； 为了对预测结果进行定量化评价， 以 “炮眼利用率、 炸药单耗、 超欠挖量、 周边孔眼痕率” 作为评价指 标， 建立模糊综合评价模型并应用于白家宫 2副井中， 评价结果与现场实际情况一致， 达到了定量化评价的 目的。将二者结合应用， 对于优化立井爆破设计参数具有重要作用。 关键词 立井爆破；BP 神经网络；爆破效果预测；模糊综合评价 中图分类号 TD235. 3 文献标识码 A 文章编号 1001 -487X （2014） 03 -0010 -05 Vertical Shaft Blasting Effect Prediction and Fuzzy Comprehensive uation WANG Yu-tao， LIU Dian-shu， LIANG Shu-feng， LI Hong-chao， XIAO Liao， LI Ming-hui （School of Mechanics Civil Engineering， China University of Mining and Technology （Beijing） ， Beijing 100083， China） Abstract In order to predict vertical shaft blasting effect to optimize the design parameters， ten parameters influ- encing blasting results and five effect parameters including 寓footage cycle， blast hole utilization， specific charge， quanti- ty of overbreak and underbreak， rate of smooth blasting hole defect寓 were taken as layer and output layer samples to establish vertical shaft blasting effect prediction model based on BP neural network. The result indicated that most of the parameters prediction error was controlled within 5豫 and the prediction model was easy to achieve. In order to e- valuate the prediction result quantitatively， the factors such as 寓blast hole utilization， specific charge， quantity of over- break and underbreak， rate of smooth blasting hole defect寓 was as uation index to establish fuzzy synthetic e- valuation model， which was applied in 2 auxiliary shaft of BaiJiagong and the uation results were consistent with actual situation. The two models played an important role in optimizing vertical shaft blasting design parameters. Key words vertical shaft blasting； BP neural network； blasting effect prediction； fuzzy comprehensive uation 收稿日期 2014 -04 -01 作者简介 王宇涛 （1986 - ） ， 男， 河北张家口人， 中国矿业大学 （北 京） 力学与建筑工程学院博士研究生， 从事岩石破碎与工 程爆破研究，（E-mail） w yt2052163. com。 通讯作者 刘殿书 （1960 - ） ， 男， 山东潍坊人， 中国矿业大学 （北京） 力 学与建筑工程学院教授、 博导， 从事岩石破碎与工程爆破， 材料的动态力学性能研究，（E-mail） lds cumtb. edu. cn。 基金项目 教育部博士点基金项目 （编号 20100023110001） 立井爆破作业是立井施工中一项重要的工艺， 由于现场岩石条件千差万别， 设计参数需实时调整。 因此， 能够对设计参数所对应的爆后效果提前进行 有效预测， 对于优化设计方案并提高施工质量具有 重要的作用。但是， 如果对于预测的爆后效果所采 用的评价是定性的， 如 “好、 一般、 差” 等， 那么所预 测结果的精确度就会折减， 反推设计参数的调整亦 会受到影响。因此， 如何来定量而精确地评价爆后 效果， 对于爆后效果预测结果的精确度和有效运用 将具有重大意义。 通过实践发现 ［1-3］， 运用 BP 神经网络对爆破效 果进行预测并结合模糊数学综合评判方法对其结果 进行定量化地评价， 是解决上述问题的有效途径。 1 立井爆破效果预测模型研究 1. 1 模型建立工具 现阶段较为成熟的以 MATLAB 语言编写的神 经网络工具箱 ［4］， 包含了较多成熟的可运用于 BP 神经网络分析与设计的函数。其核心是一个基于矩 阵运算的快速解释程序， 它交互式地接受用户输入 的各项命令， 输出计算结果。 1. 2 预测模型输入、 输出参数的选取 立井爆破作业中， 钻孔机械设备、 火工品等一般 变化较小。因此， 孔径、 掏槽孔的圈径、 炸药规格比 较固定， 其值作为设计参数的不变量。掏槽设计影 响进尺， 周边孔设计控制成型 ［5］。 综上， 选取岩石普氏系数 f， 掏槽孔掏槽形式、 孔 深 Lb1、 孔距 E1、 装药系数 ψ、 周边孔的光爆层厚度 W、 炮孔密集系数 m、 装药集中度 a、 孔深 Lb2、 总装药 量 Q， 这 10 个参数作为神经网络的输入层神经 元 ［6］； 选取循环进尺 l、 炮孔利用率 η、 平均单耗 q、 超 欠挖量 m、 周边孔眼痕率豫， 这 5 个参数作为神经网 络的输出层神经元 ［7］。 1. 3 隐含层神经元个数的确定 对于隐含层神经元个数的确定， 如果数目过多 会导致网络学习的时间过长、 误差不一定最佳， 因 此， 存在一个最佳的隐含层神经元个数。根据经验 总结， 可以参照以下公式进行设计 ［8］ 槡 S n m a（1） 式中 S 为隐含层神经元个数； n 为输入层神经元个 数； m 为输出层神经元个数； a 为 1 耀 10 之间的 常数。 设计网络的输入层神经元个数为 10 个， 输出层 神经元个数为 5 个， 据上式可得隐含层神经元的个 数应该在 5 耀14 之间。所以， 按照上述范围先选取 个数小的对网络进行训练， 并测试网络的逼近能力， 然后逐渐增加个数， 直到测试的误差不再有明显的 较小值为止。最后通过误差对比， 确定出最佳的隐 含层神经元个数。经测试， 得到隐含层最佳神经元 的个数为 11 个， 其计算误差如表 1 所示。 表 1 不同隐含层神经元个数对应的 BP 神经网络误差 Table 1 BP Network training error of neurons between different hidden layers 神经元个数56789 网络误差0. 05680. 04400. 05780. 03520. 2020 神经元个数1011121314 网络误差0. 03270. 01280. 04090. 08400. 0151 2 立井爆破效果预测模型的应用 2. 1 立井爆破参数样本 现场调研陕西彬长矿业集团有限公司小庄煤矿 白家宫 2副井， 选择其中具有代表性和完整性的 12 个循环的爆破参数及爆后效果数据作为神经网络的 参数样本， 输入层参数样本如表 2 所示， 输出层参数 样本如表 3 所示。 表 2 网络输入层参数样本表 Table 2 of the network layer parameters sample table 循环 序号 普氏 系数 f 掏槽 形式 掏槽孔孔深 Lb1/ m 掏槽孔距 E1/ m 掏槽孔装药 系数 ψ1 光爆层 厚度 W/ m 周边孔密集 系数 m1 装药集中度 a/ （kgm -1） 周边孔孔 深 Lb2/ m 总装药量 Q/ kg 1404. 70. 6500. 450. 6851. 000. 2184. 5501. 0 2404. 70. 6500. 500. 6851. 000. 2184. 5525. 8 3404. 90. 8350. 450. 7210. 950. 2184. 7520. 4 4604. 90. 8350. 500. 7740. 950. 2614. 7491. 7 5614. 91. 2500. 450. 7120. 850. 2604. 7469. 3 6624. 90. 6900. 650. 7420. 950. 2554. 7498. 1 7724. 70. 6900. 600. 9190. 800. 2804. 5452. 4 8724. 70. 6900. 650. 8850. 800. 2744. 5480. 0 9814. 50. 7650. 600. 7170. 900. 2964. 3467. 4 10814. 50. 7350. 600. 7240. 850. 2954. 3482. 0 11824. 50. 6900. 700. 6720. 900. 2954. 3479. 0 12824. 50. 6900. 750. 6370. 950. 2874. 3490. 7 注 掏槽形式以 0 表示一阶直眼筒形掏槽， 1 表示二阶同深直眼筒形掏槽， 2 表示一阶锥形掏槽； 掏槽孔的孔距、 孔深、 装药系数均为最外圈的值。 11第 31 卷 第 3 期 王宇涛， 刘殿书， 梁书锋， 等 立井爆破效果预测及模糊综合评价 表 3 网络输出层参数样本表 Table 3 Output of the network layer parameters sample table 循环 序号 循环进 尺 l/ m 炮眼利 用率 η 炸药单耗 q/ （kgm -3） 超欠挖 量/ m 周边孔眼 痕率/ 豫 13. 700. 831. 640. 0600. 75 23. 780. 841. 720. 0450. 66 33. 900. 831. 630. 0430. 71 43. 950. 841. 540. 0520. 48 54. 200. 891. 470. 0470. 53 64. 100. 881. 560. 0350. 49 74. 000. 901. 480. 0640. 37 84. 100. 911. 570. 0560. 34 93. 700. 851. 600. 0600. 51 103. 700. 861. 650. 0360. 58 113. 750. 871. 640. 0410. 42 123. 600. 841. 680. 0550. 71 2. 2 立井爆破效果的预测结果 选择上述样本中的前 1 耀 8 组输入层和输出层 参数值作为训练样本，对网络进行训练，经过 1408 次训练后， 网络达到要求， 其训练结果如图 1 所示。 图 1 网络训练结果 Fig. 1 Network training results 得到预测结果与真实爆后统计结果对比如表 4 所示。 由表 4 可以看出， 第 9 耀12 循环爆破效果参数 预测值与真实值的相对误差绝大部分控制在 5豫之 内， 满足要求。因此该模型能够较好地来预测立井 爆破的爆后效果。 表 4 预测值与真实值对比 Table 4 Comparison table between simulation and actual value 效果参数 9 循环序号 10 11 12 真实值 预测值 误差/ 豫 真实值 预测值 误差、 豫 真实值 预测值 误差、 豫 真实值 预测值 误差、 豫 循环进尺 l/ m3. 703. 5668 -0. 0360 3. 7003. 8813 0. 0490 3.7503. 5036 -0. 0657 3. 6003. 8268 0. 0630 炮眼利用率 η0. 850. 8316 -0. 0217 0. 860 0. 8978 0. 0439 0. 8700. 8018 -0. 0784 0. 8400. 8986 0. 0698 炸药单耗 q/ （kgm -3） 1. 601. 5670 -0. 0206 1. 6501. 6741 0. 0146 1. 6401. 6498 0. 0060 1. 6801. 6731 -0. 0041 超欠挖量/ m0. 060. 0634 0. 0567 0. 0360. 0346 -0. 0388 0. 0410. 0427 0. 0414 0. 0550. 0518 -0. 0583 周边孔眼痕率/ 豫0. 510. 5385 0. 0558 0. 6800. 6605 -0. 0287 0. 7200. 7226 0. 0036 0. 7100. 6889 -0. 0297 3 立井爆破效果的模糊综合评价 3. 1 立井爆破效果模糊综合评价模型 （1）立井爆破效果因素集和评价集的确定 因素集为 U （炮眼利用率， 炸药单耗， 超欠挖量， 周边孔 眼痕率） ； 表示为 U （u1， u2， u3， u4） ； 对于其评价分为 4 个等级， 即评价集为 V （很好， 较好， 一般， 差） ； 表示为 V （v1， v2， v3， v4） 。 评价集 v1 100 耀 90 （很好） ； v2 89 耀 75 （较 好） ； v374 耀60 （一般） ； v4 59 耀 40 （差） 。取其均 值得到各等级的权重分配矩阵， 即 ［9］ VT（v1， v2， v3， v4） T （95， 82， 67， 49） T 95 82 67           49 （2） 各评判指标评价等级的划分 模糊综合评判的关键是确定隶属函数， 它主要 是根据统计或经验来确定。要想确定出合适的隶属 函数， 首先需要根据实际工程经验或爆破专家的建 议对上述 4 个评判指标划分评价等级， 如表 5 所示。 （3） 隶属函数的确定 ①炮孔利用率隶属函数 立井爆破的炮孔利用率一般在 65豫 耀 90豫 之 间， 大于 90豫为很好， 小于 65豫则认为很差， 即此次 爆破设计不合理， 其隶属函数由下式表示 21爆 破 2014 年 9 月 μA（u1） 0 ， u1≤ 0. 65 5u1- 3. 5， 0. 65 0.  9 （2） ②炸药单耗隶属函数的确定 立井爆破的炸药单耗与岩石性质和井筒断面有 关， 小庄煤矿的井筒直径为 6. 5 m， 岩石普氏系数 f 4 耀8， 根据国家 煤炭建设工程定额 规定的竖井 井筒基岩施工炸药消耗量定额及工程实例统计可 知， 以 1. 5 kg/ m3为最好 ［10］， 则拟定其隶属函数如下 所示 μA（u2） 1 ， u2≤ 1. 5 1 1 3 （u2- 1. 5） ， u2 1.5 （3） 表 5 立井爆破评判指标等级划分 Table 5 The classification of shaft blasting judging inds 等级 炮孔利用率/ 豫炸药单耗/ （kgm -3） 超欠挖量/ mm 周边孔眼痕率/ 豫 范围均值范围均值范围均值范围均值 很好9095200200200 mm 时， 则认为没有达到 光爆的要求。其隶属函数如下所示 μA（u3） 1 ， u3≤ 40 1 1 0. 07 （0. 1u3- 4） ， u340 （4） ④周边孔眼痕率隶属函数的确定 周边孔眼痕率与岩石的普氏系数、 周边孔的设 计参数以及施工水平有关， 一般认为大于 60豫时效 果很好， 小于 30豫则认为差。其隶属函数如下所示 μA（u4） 1 ， u4≥60豫 1 1 0.016 （60 - 100u4） ， u4μA（u） ≥0.7 较好； 0.7 μA（u） ≥0.5 一般；μA（u）0.5 差。 （5）权系数矩阵的确定 对于上述 4 个评价因素， 根据经验及专家评分， 确定各因素之间的权重分配。即构成权系数矩阵， 如下所示 A ［0. 4 0. 3 0. 2 0. 1］ 3. 2 立井爆破效果模糊综合评判模型的应用 根据上述选用的白家宫 2副井 12 组爆破效果 数据， 按照上述综合评判模型计算各评价指标的隶 属度并结合隶属度评价原则对其作出评价， 如表 6 所示。 表 6 所示为立井爆破 4 个评价指标的隶属度与 评价等级结果， 其单因素评价矩阵 R 中的元素 rij就 是第 i 个因素中属于第 j 个评价的爆破次数占爆破 总次数的百分比。由此得到单因素评价矩阵 R R 1 3 1 2 1 6 0 1 6 7 12 1 4 0 3 4 1 4 00 5 12 7 2                     00 根据模糊综合评判模型由权系数矩阵 A 与单 因素评价矩阵 R 之积便可得到综合评判矩阵 B， 如 下所示 B AR ［0. 4 0. 3 0. 2 0. 1］ 1 3 1 2 1 6 0 1 6 7 12 1 4 0 3 4 1 4 00 5 12 7 2                     00 ［0. 375 0. 483 0. 142 0］ 最终， 根据 N BVT可得到立井爆破效果综 合评价的定量化评分结果 ［12］ N BVT［0. 375 0. 483 0. 142 0］ 31第 31 卷 第 3 期 王宇涛， 刘殿书， 梁书锋， 等 立井爆破效果预测及模糊综合评价 95 82 67           49 84. 75 分 从上面结果可知 对于 12 个循环的爆破效果， 其中很好的占 37. 5豫， 较好的占 48。 3豫， 一般的占 14。2豫。其爆破效果综合评价的评分为 84. 75 分， 评价等级为较好， 所以由此便可以定量的来描述这 12 个循环的总体爆破效果还是较好的， 这与现场观 察到的实际情况是一致的。因此， 运用模糊综合评 价方法通过构建模型可以实现定量化地评价爆破 效果。 表 6 立井爆破各评判指标的隶属度和评价 Table 6 The uation inds and membership of the shaft blasting judging inds 循环 序号 炮眼利用率 η 炸药单耗 q 超欠挖量 周边孔眼痕率 隶属度评价隶属度评价隶属度评价隶属度评价 10. 65一般0. 70较好0. 88较好1. 00很好 20. 70较好0. 60一般0. 97很好1. 00很好 30. 65一般0. 72较好0. 98很好1. 00很好 40. 70较好0. 89较好0. 92很好0. 84较好 50. 95很好1. 00很好0. 95很好0. 89较好 60. 90很好0. 85较好1. 00很好0. 85较好 71. 00很好1. 00很好0. 86较好0. 73较好 81. 00很好0. 83较好0. 90很好0. 71较好 90. 75较好0. 77较好0. 88较好0. 87较好 100. 80较好0. 69一般1. 00很好0. 97很好 110. 85较好0. 70较好0. 99很好0. 78较好 120. 70较好0. 65一般0. 90很好1. 00很好 4 结论 （1） 通过研究分析， 选取合理的输入层、 输出层 参数， 以小庄煤矿白家宫 2副井的 12 次爆破数据 作为样本， 选择合理的神经网络参数， 建立了基于 MATLAB 的 BP 神经网络对立井爆破效果的预测模 型。通过对比发现， 其误差精度满足要求， 能够达到 预测的目的。 （2） 利用模糊数学综合评判方法可以定量地对 立井爆破效果进行评价， 弥补了定性描述的不准确 性。同时， 对于效果较理想的循环可以将其对应的 爆破设计参数储存， 建立综合数据库， 以便指导后续 设计； 效果不理想的循环则需要寻找原因， 调整设计 参数， 以期达到最优效果。 （3） 将上述两个模型综合起来， 运用模糊数学 综合评判方法对 BP 神经网络的预测结果进行定量 化地评价， 从而可以实现在爆破之前有效地预测爆 后效果， 并对其结果进行定量评价， 以期达到优化爆 破设计参数的目的。 参考文献 （References） ［1］ 王长友， 唐又驰. 光面爆破效果 BP 神经网络预测 ［J］ . 辽宁工程技术大学学报， 2005， 24 （1） 73-75. ［1］ WANG Chang-you， TANG You-chi. Smooth blasting effect prediction based on BP neural network ［J］ . Journal of Liaon- ing Technical University， 2005， 24 （1） 73-75. （in Chinese） ［2］ ZHU Hong-bing， WU Liang. Application of gray correla- tion analysis and artificial neural network in rock mass blasting ［J］ . Journal of Coal Science and Engineering. 2005， 11 （1） 44-47. ［3］ 张建华， 夏岸雄. 逐孔起爆爆破效果的模糊综合评价 ［J］ . 爆破， 2013， 30 （4） 83-86. ［3］ ZHANG Jian-hua， XIA An-xiong. Blasting effect of hole- by-hole initiation based on fuzzy complex uation ［J］ . Blasting， 2013， 30 （4） 83-86. （in Chinese） ［4］ 飞思科技产品研发中心. 神经网络理论与 MATLAB 7 实现 ［M］ . 北京 电子工业出版社， 2005. ［5］ 韩 博， 张乃宏. 立井井筒基岩段深孔爆破技术参数 优化分析 ［J］ . 煤炭工程， 2012 （3） 29-31. ［5］ HAN Bo， ZHANG Nai-hong. Analysis on parameter opti- mization of blasting technology for deep borehole in base rock section of mine shaft［ J ］ . Coal Engineering， 2012 （3） 29-31. （in Chinese） ［6］ 王新民， 赵 彬， 王贤来， 等. 基于 BP 神经网络的凿岩 爆破参数选取 ［J］ . 中南大学学报 （自然科学版） ， 2009， 40 （5） 1411-1416. ［6］ WANG Xin-min， ZHAO Bin， WANG Xian-lai， et al. Drill- ing and blasting parameters selection based on BP neural network ［J］ . Journal of Central South University （Natural Science Edition） ， 2009， 40 （5） 1411-1416. （in Chinese） （下转第 27 页） 41爆 破 2014 年 9 月 参考文献 （References） ［1］ FORRESTAL M J， TZOU D Y. A spherical cavity-expan- sion penetration model for concrete targets ［J］ . Interna- tional Journal of Solids and Structures， 1997， 34 （31-32） 4127-4146. ［2］ YE N S. Dynamics of breaking zone development during explosion of a concentrated charge in a brittle medium ［J］ . Journal of Mining Science， 2000， 36 （5） 464-475. ［3］ Y B M. High-velocity interaction of bodies ［M］ . Russian Science Academic Institute of Russian， 1999. ［4］ 穆朝民， 齐 娟. 柱状装药爆破应力分布的研究 ［J］ . 振动与冲击， 2010， 29 （10） 91-94， 252. ［4］ MU Chao-min， QI Juan. Distribution of stress caused by column charge blasting ［ J］ . Journal of Vibration and Shock， 2010， 29 （10） 91-94， 252. （in Chinese） ［5］ 蒋志刚， 宋殿义， 曾首义. 有限柱形空腔膨胀理论及其 应用 ［J］ . 振动与冲击， 2011， 30 （4） 139-204. ［5］ JIANG Zhi-gang， SONG Dian-yi， ZENG Shou-yi. A finite cylindrical cavity expansion theory and its application ［J］ . Journal of Vibration and Shock， 2011， 30 （4） 139- 204. （in Chinese） ［6］ 王明洋， 邓宏见， 钱七虎. 岩石中侵彻与爆炸作用的近 区问题研究 ［J］ . 岩石力学与工程学报， 2005， 24 （16） 2859-2863. ［6］ WANG Ming-yang， DENG Hong-jian， QIAN Qi-hu. Study on problems of near cavity of penetration and explosion in rock ［J］ . Chinese Journal of Rock Mechanics and Engi- neering， 2005， 24 （16） 2859-2863. （in Chinese） ［7］ 葛 涛， 吴华杰， 陶剑青， 等. 岩石中爆炸破碎区边界 参数研究 ［J］ . 爆破， 2005， 22 （3） 5-8. ［7］ GE Tao， WU Hua-jie， TAO Jian-qing， et al. Study on boundary parameters of crushing zone during explosion in rock ［J］ . Blasting， 2005， 22 （3） 5-8. （in Chinese） ［8］ 葛 涛， 王明洋， 冯淑芳， 等. 岩体中爆破压碎区速度 场研究 ［J］ . 爆破器材， 2006， 35 （1） 1-4. ［8］ GE Tao， WANG Ming-yang， FENG Shu-fang， et al. Study on the field in crushed zone of blasting in rock ［J］ . Explo- sive Materials， 2006， 35 （1） 1-4. （in Chinese） ［9］ 王在晖， 杨 英， 葛 涛. 岩体中封闭爆炸破碎区尺寸 参数的近似计算方法 ［J］ . 解放军理工大学学报 （自然 科学版） ， 2006， 7 （5） 454-457. ［9］ WANG Zai-hui， YANG Ying， GE Tao. Analysis of crush zone size in rock mass under explosion load ［J］ . Journal of PLA University of Science and Technology， 2006， 7 （5） 454-457. （in Chinese） ［10］ 王礼立. 应力波基础 ［M］ . 北京 国防工业出版社， 2010 227-228. ［11］ 王明洋， 戎小力， 钱七虎， 等. 弹体在岩石中侵彻与贯 穿计 算 原 理 ［ J］ . 岩 石 力 学 与 工 程 学 报， 2003， 21 （11） 1811-1816. ［11］ WANG Ming-yang， RONG Xiao-li， QIAN Qi-hu， et al. Cal- culation principle for penetration of projectiles into rock ［J］ . Chinese Journal of Rock Mechanics and Engineering， 2003， 21 （11） 1811-1816. ［12］ 夏志皋. 塑性力学 ［M］ . 上海 同济大学出版社， 2002 240-241. ［13］ 张 奇. 柱形装药在岩体内的爆炸作用过程 ［J］ . 中 国有色金属学报， 1992， 2 （3） 15-18. （上接第 14 页） ［7］ 张召冉. 炮掘岩巷掘进影响因子系统分析及综合评价 研究 ［D］ . 北京 中国矿业大学 （北京） ， 2013. ［7］ ZHANG Zhao-ran. Impact factor system analysis of blas- ting rock drift drivage and comprehensive uation re- search ［D］ . Beijing China University of Mining Tech- nology， Beijing， 2013. （in Chinese） ［8］ 李祥龙. 高台阶抛掷爆破技术与效果预测模型研究 ［D］ . 北京 中国矿业大学 （北京） ， 2010. ［8］ LI Xiang-long. Research on the technology and effect pre- diction models of high bench cast blasting ［D］ . Beijing China University of Mining Technology， Beijing， 2010. （in Chinese） ［9］ 单仁亮， 黄宝龙， 李广景. 基于灰色关联分析的综合评 价模型在爆破方案选定中的应用 ［ J］ . 岩土力学， 2009， 30 （S1） 206-210. ［9］ SHAN Ren-liang， HUANG Bao-long， LI Guang-jing. Com- prehensive uation model based on gray correlative a- nalysis and its application to selecting blasting scheme ［J］ . Rock And Soil Mechanics， 2009， 30 （S1） 206-210. （in Chinese） ［10］ 中国煤炭建设协会. 煤炭建设工程定额 ［M］ . 北京 煤炭工业出版社， 2007. ［11］ 赵国彦， 黄治成， 刘 高， 等. 中深孔爆破效果的 AHP 模糊综合评价方法 ［J］ . 矿业研究与开发， 2010 （2） 106-108. ［11］ ZHAO Guo-yan， HUANG Zhi-cheng， LIU Gao， et al. The effect of AHP-hole blasting fuzzy comprehensive ua- tion ［ J］ . Mining Research and Development， 2010 （2） 106-108. （in Chinese） ［12］ 周保成. 模糊数学实用集萃 ［M］ . 北京 中国建筑工 业出版社， 1991. 72第 31 卷 第 3 期 唐 廷， 周健南， 吴华杰， 等 岩石中柱形装药爆破破坏区域的理论计算