基于BP神经网络的地下采场爆破振速预测.pdf

doi10. 3969/ j. issn. 1001-8352. 2019. 06. 011 基于 BP 神经网络的地下采场爆破振速预测 ❋ 马海越①② 张云鹏①② 刘宏颖①② ①华北理工大学河北省矿业开发与技术重点实验室河北唐山，063210 ②华北理工大学矿业工程学院河北唐山，063210 [摘 要] 为降低矿石开采中爆破振动的危害并达到最佳爆破效果，以河北唐山某矿山地下采场 －156 m 阶段爆 破开采为例，采集了爆破振动监测数据，运用 BP 神经网络与萨道夫斯基经验公式分别对爆破峰值振速进行预测。 结果表明BP 神经网络平均误差为 17. 22％；萨氏公式平均误差为 40. 76％。 BP 神经网络预测地下采场爆破振速 是可行的。 [关键词] BP 神经网络；爆破振动；地下采场；振速预测 [分类号] TD235. 1 Prediction of Blasting Vibration Velocity in Underground Stope Based on BP Neural Network MA Haiyue①②， ZHANG Yunpeng①②，LIU Hongying①② ①Mining Development and Safety Technology Key Laboratory， North China University of Science and Technology Hebei Tangshan， 063210 ②College of Mining Engineering， North China University of Science and Technology Hebei Tangshan， 063210 [ABSTRACT] In order to eliminate the harm of blasting vibration and achieve the optimum blasting effect， blasting vi- bration velocity at －156 m stage in an underground stope of Tangshan was predicted and studied. Monitoring data of blas- ting vibration were collected， and the peak value of blasting vibration was predicted by BP back-propagation network model and Sadov’s ula. The results show that the average error of BP neural network is 17. 22％， and the average error of Sadov’s ula is 40. 76％. It is feasible to use BP neural network to predict the blasting vibration velocity of underground stope. [KEYWORDS] back-propagation network； blasting vibration； underground stope； vibration velocity prediction 引言 矿山开采爆破产生的地震及振动是爆破有害效 应之一[1-5]。 相关学者对露天采场爆破振动的研究 较多。 包括地震波传播规律、建筑物安全判据、爆破 地震监测与预测等[6-9]。 常用的研究方法有萨道夫斯基经验萨氏公 式、灰色关联理论，神经网络方法等[8，10-13]。 萨氏公 式应用较为普遍。 灰色关联分析是通过对统计序列 几何关系的标记来计算系统中多因素间关联程 度[10]；将矿山爆破设计数据和实测数据输入到 Mat- lab 中进行灰色关联矩阵计算，就可得出影响爆破振 动因素的主次顺序及关联度[14]，可以为矿山爆破设 计 提 供 参 考 。 BP 神 经 网 络 back-propagation net- work，即反向传播神经网络，是对生物体中神经元 的近似仿真。通过样本数据的不断训练，逼近期望 输出，同时找到输入变量与输出变量之间的非线性 关系；将有关数据输入到训练好的BP神经网络中， 就能够得到准确度较高的预测结果[11-12，15]。例如， 将实测最大段药量、爆心距、爆破分段数、泊松比等 与岩石基本质量指标选为输入变量，得到的预测结 果与实测振速的相对误差较小[13]。由实测数据建 立爆破垂直振速神经网络预测模型，经验证，发现预 第 48 卷 第 6 期 爆 破 器 材 Vol. 48 No. 6 2019 年 12 月 Explosive Materials Dec. 2019 ❋ 收稿日期2019-05-17 基金项目河北省自然科学基金项目E2016209388 ；河北省教育厅项目ZD2015020 第一作者马海越1994 － ，男，硕士，主要从事安全管理与评价等研究。 E-mail1309132＠163. com 测精度较高[14，16]。 地下采场爆破不同于露天爆破。 露天爆破地震 波一般是沿地表传播，属于表面波；而地下采场爆破 地震波沿岩体传播，属于体积波。 有关地下采场爆 破地震研究相对较少。 目前主要的研究方法是对收 集的爆破振动数据进行回归分析，计算出萨氏公式 的 K 和 α 值，再代回萨氏公式，计算既定距离和单 段装药量下的振速，将振速和比例药量进行线性拟 合，得出爆破振动波传播衰减规律[17-18]。 本文中，以实际观测的数据为基础，基于 BP 神 经网络及萨氏公式预测地下采场爆破的峰值振速。 1 爆破振动观测 河北省唐山市某铁矿地下采场现阶段使用无底 柱分段崩落法，阶段高度为 60 m， 分 段 高 度 12 m。 Ⅰ＃矿体进路间距 10. 5 m，回采进路沿矿体走向分 布，矿块长度为 100 m。 Ⅱ＃矿体进路间距 12. 5 m， 回采进路垂直矿体走向分布，回采巷道均为矩形，回 采方式为由上向下分层[19]。 开采深度为 － 156 m， 炮孔直径为 65 mm，孔深 6. 7 15. 0 m，采用乳化炸 药，条形连续装药结构，最小抵抗线 1. 37 1. 93 m。 现场测试时最大药量为 420 kg，测点布置在爆 心距 12. 5 50. 1 m，水平高度 －156 －132 m。 测 得 3 轴方向的峰值振速与主频，如表 1 所示。 图 1 为测振方案及仪器布点。 在地下采场内进 行爆破振动数据采集，将 5 台 TC-4850 测振仪布置 在 23＃29＃水平进路，仪器的位置随每次爆破地点 的不同做出相应调整。 安装时，传感器应保持水平， 在水平的地面使用速凝石膏将其牢牢固定；若岩石 环境无法使用速凝石膏，则需要将传感器固定在配 套的铁质底托上，再将铁钎插入岩石，确保传感器稳 固后，与底托拧紧，最后将传感器 X 轴拧向炸药爆 炸的地方。 表 1 现场测试数据 Tab. 1 Field vibration data 起爆药量/ kg 爆心距/ m 水平高度/ m 峰值振动速度/ cm��s －1 XYZ v合/ cm��s －1 振动主频/ Hz XYZ 41012. 5－13213. 3217. 305. 4622. 5120. 2520. 7393. 05 39012. 5－14412. 9613. 117. 6219. 9519. 2817. 2017. 28 41015. 5－15611. 956. 362. 5413. 7713. 2730. 3027. 78 40015. 6－1325. 514. 935. 949. 4835. 0925. 4877. 67 42017. 7－14411. 6912. 204. 7917. 5641. 2436. 7018. 96 41018. 3－1563. 174. 884. 557. 3918. 6921. 9853. 85 42024. 2－1323. 824. 964. 867. 7613. 9411. 0249. 08 41025. 3－1565. 361. 327. 239. 1028. 5715. 2684. 21 41027. 2－1562. 323. 991. 854. 9744. 9455. 5626. 85 40030. 5－1323. 323. 761. 925. 3745. 2051. 6115. 15 40031. 5－1443. 074. 051. 245. 2322. 3523. 6056. 86 42036. 3－1561. 112. 461. 363. 0233. 0639. 4130. 08 42037. 2－1327. 503. 563. 108. 8620. 5116. 2919. 40 41037. 5－1442. 960. 011. 753. 4435. 2433. 3355. 50 42038. 5－1562. 152. 981. 714. 3228. 8833. 4756. 96 41039. 5－1322. 671. 491. 153. 2739. 4143. 0228. 69 39040. 3－1442. 762. 491. 273. 9334. 1237. 0128. 53 40042. 2－1441. 511. 920. 862. 5847. 0157. 2239. 26 40044. 3－1322. 280. 010. 772. 4126. 4927. 4918. 52 42050. 1－1441. 340. 011. 211. 8126. 4926. 2320. 15 41050. 2－1561. 351. 401. 312. 3437. 1527. 3018. 33 39052. 0－1323. 391. 080. 673. 6229. 4931. 0517. 51 42052. 6－1441. 982. 681. 163. 6235. 2150. 0034. 43 41061. 2－1561. 021. 401. 402. 2372. 0724. 7757. 55 ��65�� 爆 破 器 材 第 48 卷第 6 期 图 1 测振方案示意图 Fig. 1 Schematic diagram of vibration measurement scheme 选取 19 组数据为训练集，其余 5 组数据为检验 集[5]。 分别将 X、Y 方向作为后续萨氏公式与 BP 神 经网络预测的样本。 2 BP 神经网络模型建立 2. 1 BP 神经网络模型 BP 神经网络由输入层、隐层和输出层组成，在 输入层输入信息后，经过隐层的处理，再由输出层传 出，如图 2 所示。 图 2 m k n 3 层 BP 神经网络模型 Fig. 2 m k n three-layer BP neural network model 网络选用 S 型传递函数 fx ＝ 1 1 ＋ e － x。 1 误差函数 E 通过反传误差函数不断调节网络 权值，阈值达到极小。 E ＝ ∑iti＋ Oi2 2 。2 式中ti为期望输出；Oi为网络的计算输出。 2. 2 模型求解 2. 2. 1 网络结构设计 1输入、输出层设计。 该模型以每组数据的爆心距、药量与水平高度 作为输入，以峰值振速作为输出，所以输入层的节点 数为 3，输出层的节点数为 1。 2隐层设计。 目前，对于隐层中神经元数目的确定并没有明 确的公式[20]，只能根据经验公式 l ＝n ＋ m ＋ a。3 式中n 为输出层神经元个数；m 为输入层神经元个 数；a 为[1，10]之间的常数。 根据式3可以计算出神经元个数在 3 13 之 间。 在本次实验中选择隐层神经元个数为 10。 2. 2. 2 模型实现 选用 Matlab 2016a 的神经网络工具箱进行网络 的训练。 预测模型时，将选取的 19 组样本数据对应 的爆心距、药量、水平高度作为 3 19 的变量，命名 为 ；对应的峰值振速作为 1 19 的变量，命名 为 Output；各变量输入到 Matlab 中。 打开 Neural Net Fitting 工具箱，s 中导入 3 19 的变量，Targets 中导入 1 19 的变量；选择 80％ 的数据作为训练， 15％的数据作验证，5％ 的数据作预测；选择隐层神 经元数量为 10，训练算法为 Levenberg-Marquardt。 参数设定完毕后，开始训练 BP 神经网络。 3 萨氏公式拟合 萨氏公式为 v ＝ K 3 Q R α 。4 式中Q 为单段最大药量，kg；R 为爆心距，m；K、α 为 爆破地震波传播介质、爆破方式和装药结构的参数。 对式4两边同时取对数，可得到 lnv ＝ lnK ＋ αln 3 Q R 。5 分别令 y ＝ lnv，b ＝ lnK，a ＝ α，x ＝ ln 3 Q/ R ，则式 5变为 y ＝ ax ＋ b 。6 式6是一元线性回归方程，a 和 b 为回归系 数，y 是对应于自变量 x 的回归值。 根据线性回归与最小二乘法的基本原理，利用 Matlab 编程计算，实现萨氏公式的回归推导，得到本 次测试的爆破振动衰减方程 v ＝ K 3 Q R α ＝27. 615 9 3 Q R 1. 265 。7 即K ＝27. 615 9，α ＝1. 265。 所得相关系数为 0. 825 8，拟合效果较好。 拟合曲线如图 3 所示。 ��75��2019 年 12 月 基于 BP 神经网络的地下采场爆破振速预测 马海越，等 万方数据 图 3 萨氏公式峰值振速拟合 Fig. 3 Peak vibration velocity fitting of Sadov’s ula 4 预测结果分析 选取 5 组数据，利用训练好的 BP 神经网络进 行预测[20]，并与萨氏公式预测结果进行对比。 从表 2 中可以看出，BP 神经网络预测的峰值振速的平均 相对误差为 17. 22％，萨氏公式预测的峰值振速平 均相对误差为40. 76％。 在爆心距较小时，萨氏公式 预测较为准确；随着爆心距的增加，BP神经网络预 测 的结果较为准确。由于3＃样本的水平高度为 －132m，距爆破工作面 －156 m较远，萨氏公式预 测振速误差较大；这表明高程因素对爆破峰值振速 表 2 BP 神经网络与萨氏公式预测结果对比 Tab. 2 Comparison of prediction results between BP neural network and Sadov’s ula 样本1＃2＃3＃4＃5＃ 药量/ kg 410410420400410 爆心距/ m 15. 525. 337. 242. 250. 2 水平高度/ m －156－156－132－144－156 实测振速/ cm��s －1 11. 955. 367. 501. 921. 40 BP 预测 振速/ cm��s －1 9. 449 0 3. 285 3 6. 869 5 2. 221 3 1. 367 2 相对误差/ ％ 20. 9338. 718. 4115. 692. 34 萨氏预测 振速/ cm��s －1 10. 892 1 5. 860 5 3. 635 5 3. 036 3 2. 463 2 相对误差/ ％ 8. 859. 3451. 5358. 1475. 94 有一定影响，这可能是萨氏公式中没有反应高程的 参数所致。 5 结 论 1BP 神经网络预测爆破振动速度适用于对于 地下采场等爆破振速影响因素复杂、爆破振速较难 测量的地区，不需要建立输出变量与输入变量间的 分析模型，便于矿山工作人员操作使用。 2基于 BP 神经网络模型的峰值振速预测结果 平均相对误差为 17. 22％，萨氏公式预测的平均相 对误差 40. 76％；所以将 BP 神经网络应用到地下采 场爆破振速预测是可行的，也是对传统萨氏公式预 测振速的补充。 3虽然 BP 神经网络预测已考虑到了水平高 度、药量以及爆心距，但对地下采场的地质数字化描 述还有所欠缺；同时，收集到的样本参数与数量有 限，一定程度上影响了模型的预测精度，还需要在以 后的工作中寻求解决办法。 参 考 文 献 [1] 费鸿禄，苏强，蒋安俊，等. 爆破载荷下隧道围岩破坏 裂隙范围研究[J]. 爆破器材，2019，48251-56. FEI H L，SU Q， JIANG A J， et al. Damage fracture range of tunnel surrounding rock under blasting load[J]. Explosive Materials，2019，48251-56. [2] 张云鹏，杨曦，朱晓玺. 爆破振动影响下露天边坡临界 振速及安全距离计算[J]. 化工矿物与加工，2018， 828-30. ZHANG Y P， YANG X， ZHU X X. Critical velocity and safety distance calculation under influence of blasting vi- bration[J]. Industrial Minerals and Processing，2018， 828-30. [3] 操鹏，钟冬望，何理，等. 露天矿微差爆破振动对多层 建筑的影响[J]. 武汉科技大学学报，2015，382122- 124，151. CAO P， ZHONG D W， HE L， et al. Effect of millise- cond blasting vibration in open-pit mine on the multi- storey building [ J].Journal of Wuhan University of Science and Technology， 2015，382122-124，151. [4] 陈钧璠. 铜录山矿露天爆破对地下采场围岩稳定性的 影响研究[J]. 中国矿业，1996，5223-26. CHEN J F. Effect of blasting in open-pit on stability of surrounding rock of underground stopes in Tonglushan Mine[J]. China Mining Magazine， 1996，5223-26. [5] 段红波，张聪瑞，帅金山，等. 复杂充填体下残矿回采 ��85�� 爆 破 器 材 第 48 卷第 6 期 万方数据 爆破振动效应研究[J]. 爆破，2018，35261-66. DUAN H B， ZHANG C R， SHUAI J S， et al. Study on blasting vibration effect of residual mining under complex filling body[J]. Blasting， 2018， 35261-66. [6] 王宇新，李晓杰，闫鸿浩，等. 炸药爆速的连续测量技 术研究[J]. 爆破器材，2017，46659-64. WANG Y X， LI X J， YAN H H， et al. Study on conti- nuous testing technique of detonation velocity of explo- sives [J]. Explosive Materials， 2017， 46659-64. [7]CHEN S H， WU J， ZHANG Z H. Blasting vibration cha- racteristics and PPV calculation ula considering cylin- drical charge length [J]. Environmental Earth Sciences， 2017，76674. [8] 赵学龙，郝家旺. 某矿区爆破振动对邻近建筑稳定性 影响研究[J]. 矿业研究与开发， 2018， 38748-51. ZHAO X L， HAO J W. The influence of blasting vibra- tion on adjacent buildings stability in a mining area[J]. Mining Research and Development，2018，38748-51. [9] 李新平，吴泽民，罗忆，等. 中深部大型地下洞室高边 墙爆破振动高程效应研究[J]. 爆破， 2019， 3611- 5，43. LI X P， WU Z M， LUO Y， et al. Study on blasting vibration altitude effect of high-sidewalls in deep large underground cavern [J]. Blasting， 2019，3611-5， 43. [10] 施建俊，张琪，李庆亚，等. 基于灰色分析和神经网络 的爆破振速峰值预测[J]. 中国矿业， 2016， 25增刊 1410-415. SHI J J， ZHANG Q， LI Q Y， et al. Prediction of peak velocity of blasting vibration based on pray analysis and neural network [J]. China Mining Magazine， 2016， 25 Suppl. 1410-415. [11] 申旭鹏，璩世杰，王福缘，等. 基于 BP 神经网络的爆 破振速峰值预测[J]. 爆破，2013，301122-125， 130. SHEN X P， QU S J， WANG F Y， et al. Prediction of blasting peak particle velocity by BP neural network model [J]. Blasting， 2013，301122-125，130. [12] 粟闯，刘敦文，向海波，等. 基于 BP 神经网络不同输 入变量的爆破振速预测[J]. 工业安全与环保，2012， 38251-52，56. SU C， LIU D W， XIANG H B， et al. Prediction of blasting vibration by BP neural network based on diffe- rent variables [J]. Industrial Safety and Environ- mental Protection， 2012， 38251-52，56. [13] 张袁娟. 露天矿爆破振动对边坡的影响及其预测研 究[D]. 武汉武汉理工大学，2012. ZHANG Y J. Influence of blasting vibration to open-pit slope and vibration prediction[D]. WuhanWuhan Uni- versity of Technology， 2012. [14] 张青成，王家磊，李德璇，等. 露天矿山爆破振动影响 因素分析研究[J]. 辽宁工程技术大学学报自然科 学版， 2013， 32101334-1338. ZHANG Q C， WANG J L， LI D X， et al. Gray correla- tion in the application of influence factors analy- sis of open-pit mine blasting vibration [J]. Journal of LiaoningTechnicalUniversity NaturalScience ， 2013， 32101334-1338. [15] LV S R， LV S J. Applying BP neural network model to forecast peak velocity of blasting ground vibration[J]. Procedia Engineering， 2011，26257-263. [16] 张云鹏，杨曦，朱晓玺. 基于 BP 神经网络的多台阶地 形爆破振速预测对比分析[J]. 矿业研究与开发， 2017，37644-46. ZHANG Y P， YANG X， ZHU X X. Comparative analy- sis of blasting vibration velocity prediction based on BP neural network in multi-level terrain [ J ].Mining Research and Development，2017，37644-46. [17] 崔毛毛. 地下采矿爆破震动对地面民房建筑物的影 响[D]. 包头内蒙古科技大学，2012. CUI M M.Damage of the building on underground mining blasting vibration[D]. Baotou Inner Mongolia University of Science and Technology， 2012. [18] 王鹰鹏，汪令辉. 冬瓜山铜矿地下采场爆破振动传播 规律研究[J]. 现代矿业，20131215-17. WANG Y P， WANG L H. Research on the propagation law of underground mining blasting vibration in Dong- guashan Copper Mine [J]. Modern Mining， 201312 15-17. [19] 刘王政. 地下深孔爆破振动作用下采空区及充填体 稳定性研究[D]. 唐山华北理工大学，2016. LIU W Z. Study on the stability of stope and filling body under the effect of underground deep-hole blasting vibra- tion[D]. TangshanNorth China University of Science and Technology， 2016. [20] BADRAKH-YERUUL T，夏岸雄，张建华，等. 基于遗 传算法的神经网络在爆破振动预测中的应用[J]. 爆 破，2014，313140-144. BADRAKH-YERUUL T， XIA A X， ZHANG J H， et al. Application of neural net-work based on genetic algo- rithm in prediction of blasting vibration [J]. Blasting， 2014， 313140-144. ��95��2019 年 12 月 基于 BP 神经网络的地下采场爆破振速预测 马海越，等 万方数据