基于多源信息融合的矿岩可爆性评价及应用.pdf

基于多源信息融合的矿岩可爆性评价及应用 ① 蒋复量１，２， 李向阳１， 钟永明１， 李国辉１， 盛 宇１ （１．南华大学 环境保护与安全工程学院， 湖南 衡阳 ４２１００１； ２．中南大学 资源与安全工程学院， 湖南 长沙 ４１００８３） 摘 要 在数据挖掘的基础上，采用粗糙集对矿岩可爆性数据进行了数据级融合，除去冗余属性，然后采用 ＢＰ 神经网络进行特征 级融合，从而建立基于多源信息融合的矿岩可爆性评价模型。 对原始数据进行了离散归一化处理，应用粗糙集对决定矿岩可爆性 指数的 ６ 个因素进行了属性约简，剔除了平均合格率，而保留了漏斗体积、大块率、小块率、岩体声波速度和波阻抗等 ５ 个因素，并 对约简的准确性进行了验证。 分别建立了矿岩可爆性评价的 ＢＰ 神经网络模型和粗糙集⁃ＢＰ 神经网络模型，前者对矿岩可爆性指 数的预测值与实际值的平均偏差为 ８．３３％，而后者为 ６．７５％。 利用建立的粗糙集⁃ＢＰ 神经网络模型预测某矿山井下采场的矿岩可 爆性指数为 ７８．４３，计算出采场的炸药单耗为 ０．６５ ｋｇ／ ｍ３，而现场试验值为 ０．６７ ｋｇ／ ｍ３，进一步验证了该模型的正确性。 关键词 矿岩可爆性； 多源信息融合； 粗糙集⁃ＢＰ 神经网络； 可爆性指数； 炸药单耗 中图分类号 ＴＤ２３５文献标识码 Ａｄｏｉ１０．３９６９／ ｊ．ｉｓｓｎ．０２５３－６０９９．２０１４．０５．００７ 文章编号 ０２５３－６０９９（２０１４）０５－００２６－０５ Ｅｖａｌｕａｔｉｏｎ ｏｆ Ｒｏｃｋ Ｍａｓｓ Ｂｌａｓｔａｂｉｌｉｔｙ Ｂａｓｅｄ ｏｎ Ｍｕｌｔｉ⁃ｓｏｕｒｃｅ Ｄａｔａ Ｆｕｓｉｏｎ ａｎｄ ｉｔｓ Ａｐｐｌｉｃａｔｉｏｎ ＪＩＡＮＧ Ｆｕ⁃ｌｉａｎｇ１，２， ＬＩ Ｘｉａｎｇ⁃ｙａｎｇ１， ＺＨＯＮＧ Ｙｏｎｇ⁃ｍｉｎｇ１， ＬＩ Ｇｕｏ⁃ｈｕｉ１， ＳＨＥＮＧ Ｙｕ１ （１．Ｓｃｈｏｏｌ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ Ｐｒｏｔｅｃｔｉｏｎ ａｎｄ Ｓａｆｅｔｙ Ｅｎｇｉｎｅｅｒｉｎｇ， Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｓｏｕｔｈ Ｃｈｉｎａ， Ｈｅｎｇｙａｎｇ ４２１００１， Ｈｕｎａｎ， Ｃｈｉｎａ； ２．Ｓｃｈｏｏｌ ｏｆ Ｒｅｓｏｕｒｃｅｓ ａｎｄ Ｓａｆｅｔｙ Ｅｎｇｉｎｅｅｒｉｎｇ， Ｃｅｎｔｒａｌ Ｓｏｕｔｈ Ｕｎｉｖｅｒｓｉｔｙ， Ｃｈａｎｇｓｈａ ４１００８３， Ｈｕｎａｎ， Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ Ａｆｔｅｒ ｄａｔａ ｍｉｎｉｎｇ， ｔｈｅ ｒｅｄｕｎｄａｎｔ ａｔｔｒｉｂｕｔｅｓ ｗｅｒｅ ｒｅｍｏｖｅｄ ｆｏｒ ｒｏｃｋ ｍａｓｓ ｂｌａｓｔａｂｉｌｉｔｙ ｕｓｉｎｇ ｄａｔａ ｆｕｓｉｏｎ ｗｉｔｈ ｒｏｕｇｈ ｓｅｔ ｔｈｅｏｒｙ． Ｔｈｅｎ， ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｗａｓ ｕｓｅｄ ｆｏｒ ｉｎｆｏｒｍａｔｉｏｎ ｆｕｓｉｏｎ ｉｎ ｔｅｒｍｓ ｏｆ ｆｅａｔｕｒｅ， ｓｏ ａｓ ｔｏ ｂｕｉｌｄ ａｎ ｅｖａｌｕａｔｉｏｎ ｍｏｄｅｌ ｆｏｒ ｒｏｃｋ ｍａｓｓ ｂｌａｓｔａｂｉｌｉｔｙ ｂａｓｅｄ ｏｎ ｍｕｌｔｉ⁃ｓｏｕｒｃｅ ｄａｔａ ｆｕｓｉｏｎ． Ａｆｔｅｒ ａｔｔｒｉｂｕｔｉｏｎ ｒｅｄｕｃｔｉｏｎ ｗｉｔｈ ｒｏｕｇｈ ｓｅｔ ｔｈｅｏｒｙ ｆｏｒ ６ ｄｅｃｉｄｉｎｇ ｆａｃｔｏｒｓ ｏｆ ｒｏｃｋ ｍａｓｓ ｂｌａｓｔａｂｉｌｉｔｙ ｉｎｄｅｘ ｂａｓｅｄ ｏｎ ｔｈｅ ｄｉｓｃｒｅｔｉｏｎ ａｎｄ ｎｏｒｍａｌｉｚａｔｉｏｎ ｐｒｏｃｅｓｓｉｎｇ ｏｆ ｔｈｅ ｒａｗ ｄａｔａ， ｔｈｅ ａｔｔｒｉｂｕｔｅ ｏｆ ａｖｅｒａｇｅ ｑｕａｌｉｆｉｅｄ ｐｅｒｃｅｎｔａｇｅ ｗａｓ ｄｅｌｅｔｅｄ ｗｉｔｈ ａｔｔｒｉｂｕｔｅｓ ｏｆ ｃｒａｔｅｒ ｖｏｌｕｍｅ， ｍａｓｓ ｒａｔｉｏ ｏｆ ｂｉｇ ｒｏｃｋ ｂｌｏｃｋｓ， ｒａｔｉｏ ｏｆ ｓｍａｌｌ ｒｏｃｋ ｂｌｏｃｋｓ ａｎｄ ｗａｖｅ ｉｍｐｅｄａｎｃｅ ｒｅｔａｉｎｅｄ． Ｔｈｅ ａｃｃｕｒａｃｙ ｏｆ ｓｕｃｈ ｒｅｄｕｃｔｉｏｎ ｐｒｏｃｅｓｓ ｈａｓ ｂｅｅｎ ｖｅｒｉｆｉｅｄ． Ａ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｍｏｄｅｌ ａｎｄ ｒｏｕｇｈ ｓｅｔ⁃ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｍｏｄｅｌ ｗｅｒｅ ｒｅｓｐｅｃｔｉｖｅｌｙ ｅｓｔａｂｌｉｓｈｅｄ ｆｏｒ ｅｖａｌｕａｔｉｎｇ ｒｏｃｋ ｍａｓｓ ｂｌａｓｔａｂｉｌｉｔｙ， ｗｉｔｈ ｔｈｅ ａｖｅｒａｇｅ ｄｅｖｉａｔｉｏｎ ｒａｔｅ ｂｅｔｗｅｅｎ ｐｒｅｄｉｃｔｉｖｅ ｖａｌｕｅ ａｎｄ ａｃｔｕａｌ ｖａｌｕｅ ａｔ ８．３３％ ａｎｄ ６．７５％， ｒｅｓｐｅｃｔｉｖｅｌｙ． Ｂｙ ｕｓｉｎｇ ｔｈｉｓ ｅｓｔａｂｌｉｓｈｅｄ ｒｏｕｇｈ ｓｅｔ⁃ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｍｏｄｅｌ， ｔｈｅ ｂｌａｓｔａｂｉｌｉｔｙ ｉｎｄｅｘ ｏｆ ｒｏｃｋ ｍａｓｓ ｉｎ ｕｎｄｅｒｇｒｏｕｎｄ ｓｔｏｐｅ ｗａｓ ｐｒｅｄｉｃａｔｅｄ ｔｏ ｂｅ ７８．４３， ａｎｄ ｔｈｅ ｕｎｉｔ ｃｏｎｓｕｍｐｔｉｏｎ ｏｆ ｅｘｐｌｏｓｉｖｅ ｆｏｒ ｔｈｅ ｓｔｏｐｅ ｗａｓ ｃａｌｃｕｌａｔｅｄ ｔｏ ｂｅ ０．６５ ｋｇ／ ｍ３， ｗｈｉｃｈ ｃｏｍｐａｒｅｄ ｔｏ ｔｈｅ ａｃｔｕａｌ ｖａｌｕｅ ｏｆ ０．６７ ｋｇ／ ｍ３ｆｒｏｍ ａｎ ｏｎ⁃ｓｉｔｅ ｅｘｐｅｒｉｍｅｎｔ， ｖｅｒｉｆｉｅｄ ｔｈｅ ｍｏｄｅｌ′ｓ ｖａｌｉｄｉｔｙ． Ｋｅｙ ｗｏｒｄｓ ｒｏｃｋ ｍａｓｓ ｂｌａｓｔａｂｉｌｉｔｙ； ｍｕｌｔｉ⁃ｓｏｕｒｃｅ ｄａｔａ ｆｕｓｉｏｎ； ｒｏｕｇｈ ｓｅｔ⁃ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ； ｒｏｃｋ ｂｌａｓｔａｂｉｌｉｔｙ ｉｎｄｅｘ； ｕｎｉｔ ｃｏｎｓｕｍｐｔｉｏｎ ｏｆ ｅｘｐｌｏｓｉｖｅ 矿岩可爆性也称为矿岩的爆破性，它是表征矿岩 抵抗爆破难易程度的指标。 矿岩可爆性分级是一项应 用性很强的基础理论课题，它是进行爆破参数优化研 究的基础。 近几十年来，国内外学者进行了大量的研 究工作。 总的来说，取得了以下两方面的进展① 矿 岩可爆性分级从只考虑单因素向综合考虑多因素发 展［１－８］。 ② 采用数学建模或者人工智能方法对矿岩可 爆性进行分级，比如采用灰色理论［９］、神经网络［１０］、遗 传算法［１１］、模糊综合评判［１２］、蚁群算法［１３］、熵权属性 识别［１４］、加权聚类分析方法［１５］、博弈论⁃物元可拓模 型［１６］等。 由于现场试验费时、费力，而从公开发表的文献来 看，采用数学建模或者人工智能方法进行矿岩可爆性 研究大多只是与其他文献进行比较，与实际工程相结 ①收稿日期 ２０１４－０４－１６ 基金项目 湖南省科技计划资助项目（２０１２ＳＫ３１６０）；国家安监总局安全生产重大事故防治关键技术科技项目（２０１２－３５４）；湖南省教育厅科 研资助项目（１０Ｃ１１３０）；南华大学博士启动基金项目（２０１２ＸＱＤ２２） 作者简介 蒋复量（１９７８－），男，湖南永州人，博士，副教授，主要从事矿山安全领域的研究。 第 ３４ 卷第 ５ 期 ２０１４ 年 １０ 月 矿矿 冶冶 工工 程程 ＭＩＮＩＮＧ ＡＮＤ ＭＥＴＡＬＬＵＲＧＩＣＡＬ ＥＮＧＩＮＥＥＲＩＮＧ Ｖｏｌ．３４ №５ Ｏｃｔｏｂｅｒ ２０１４ 合的较少。 本文在东北大学钮强等人建立的“岩石爆 破指数”分级方法的基础上，采用多源信息融合中的 粗糙集和 ＢＰ 神经网络理论，建立了新的矿岩可爆性 评价模型，对评价模型的准确性进行了验证，并在云南 某地下矿山的采场深孔爆破中进行了实际应用。 １ 多源信息融合的概念与实现方法 多源信息融合技术起源于美国，它是关于如何协 同利用多源信息，以获得对同一事物或目标更客观、更 本质认识的综合信息处理技术。 多源信息融合的常用 方法分为传统数学方法和人工智能两大类。 前者有加 权平 均 法、 卡 尔 曼 滤 波 法、 多 贝 叶 斯 估 计 法 和 Ｄｅｍｐｓｔｅｒ⁃Ｓｈａｆｅｒ（Ｄ⁃Ｓ）证据推理等；后者有模糊逻辑理 论、神经网络、粗糙集理论和专家系统等［１７］。 １．１ 粗糙集 粗糙集理论首先由波兰的 Ｐａｗｌａｋ［１８］教授于 １９８２ 年提出，可以有效解决属性冗余的问题。 在该理论中， 知识的表达通过信息系统来实现，以四元组 Ｓ＝（Ｕ，Ａ， Ｖ，ｆ） 的形式存在。 其中 Ｓ 为知识表达系统； Ｕ ＝ ｘ１，ｘ２，，ｘｎ{}，称为论域；Ａ ＝ ａ１，ａ２，，ａｍ{}，Ａ 中的 每个 ａｊ（ｊ≤ｍ）称为一个属性；Ｖ∪ ａ∈ＡＶａ，Ｖａ 为属性 ａ 的值 域；ｆＵＡ→Ｖ 为一信息函数，表示对每一个 ａ∈Ａ， ｘ∈Ｕ， ｆ（ｘ，ａ）∈Ｖａ。 １．１．１ 可辨识矩阵 可辨识矩阵为求取属性约简提 供了方便，它可记为 ｍｉｊ＝ ａ ∈ Ｃａ（ｘｉ） ≠ ａ（ｘｊ），ｄ（ｘｉ） ≠ ｄ（ｘｊ） Φｄ（ｘｉ） ＝ ｄ（ｘｊ） － １ ∀ａ，∃ａ（ｘｉ） ＝ ａ（ｘｊ），ｄ（ｘｉ） ≠ ｄ（ｘｊ） （１） 式中 ａ（ｘ）是对象 ｘ 在属性 ａ 上的值；ｄ（ｘ）是记录 ｘ 在 Ｄ 上的值；Ｃ 和 Ｄ 分别表示条件属性集和决策属性集。 １．１．２ 属性重要度 对于可辨识矩阵 Ｍ＝（ｍｉｊ）ｎｎ，研 究认为① 某属性在可辨识矩阵 Ｍ 中出现的次数越 多，则该属性的重要性越大；② 在可辨识矩阵 Ｍ 中某 属性项越短，则该属性的重要性越大。 因此，属性 ａ 的 重要度计算公式为 ｆ（ａ） ＝∑ ｎ ｉ ＝ １ ∑ ｎ ｊ ＝ １ λｉｊ ｍｉｊ （２） 其中 λｉｊ＝ ０ａ∉ｍｉｊ １ａ∈ｍｉｊ { ，ｍｉｊ表示 ｍｉｊ包含属性的个数。 １．１．３ 属性约简 属性约简指的是在保持知识库分 类能力不变的情况下，去掉其中不重要或者不相关的 冗余属性，可以采用计算机编程或者相关软件来实现。 １．２ ＢＰ 神经网络 ＢＰ 神经网络是一种基于误差反馈的人工神经网 络，典型的网络结构由一个输入层，一个隐含层和一个 输出层构成。 神经网络的预测结果与隐含层节点的数 目关系密切，隐含层节点的个数 Ｌ 可以由以下 ２ 个公 式来确定［１９］ Ｌ＝ ｓ＋ｗ＋ａ（３） Ｌ＝ ０．４３ｓｗ＋０．１２ｗ２＋２．５４ｓ＋０．７７ｗ＋０．３５＋０．５１（４） 式中 ｓ，ｗ 分别表示输入节点和输出节点的个数；ａ 为 １～１０之间的常数。 １．３ 矿岩可爆性评价的多源信息融合 根据多源信息融合中的数据抽象层次，信息融合 可以划分为 ３ 个级别，即数据级融合、特征级融合和 决策级融合［２０］。 本文主要采用数据级融合和特征级 融合。 １．３．１ 基于粗糙集的数据级融合 用 Ｃｉ（ｉ＝１，２，，６） 表示由漏斗体积、大块率、小块率、平均合格率、岩体声 波速度和波阻抗组成的属性集，则矿岩可爆性数据级 融合过程如图 １ 所示。 图 １ 矿岩可爆性数据级融合 １．３．２ 基于 ＢＰ 神经网络的特征级融合 用 Ｃｊ（ｊ≤５） 表示粗糙集约简后的属性集，则矿岩可爆性特征级融 合过程如图 ２ 所示。 图 ２ 矿岩可爆性特征级融合 ７２第 ５ 期蒋复量等 基于多源信息融合的矿岩可爆性评价及应用 ２ 数据的来源与处理 ２．１ 数据的来源 钮强等人曾对我国 １０ 余个金属矿山的 ５１ 种典型 矿岩进行了可爆性分级试验，得到 ５６ 组数据，并建立 了一个可爆性指数 Ｎ 值的计算公式［４］ Ｎ ＝ ｌｎ ｅ６７．２３Ｋ７．４２ １ （ρｃｐ） ２．０３ ｅ３８．４４ＶＫ４．７５ ２ Ｋ１．３３４ ３ （５） 式中 Ｎ 为矿岩可爆性指数；Ｖ 为爆破漏斗的体积，ｍ３； Ｋ１为大块率，％； Ｋ２为小块率，％； Ｋ３为平均合格 率，％；ρ 为矿岩密度，ｇ／ ｃｍ３；ｃｐ为矿岩弹性纵波的速 度，ｍ／ ｓ；ρｃｐ为矿岩弹性波阻抗，ＭＰａ／ ｓ。 由于篇幅限制，部分数据见表 １，详细数据请查阅 文献［４］，为了与信息融合中的相关表述方法一致，对 上述参数重新用相关字母表述，即Ｃ１，Ｃ２，Ｃ３，Ｃ４，Ｃ５， Ｃ６和 Ｎ 分别表示漏斗体积、大块率、小块率、平均合格 率、岩体声波速度、波阻抗和矿岩可爆性指数。 表 １ 矿岩可爆性分级原始数据 编号Ｃ１Ｃ２Ｃ３Ｃ４Ｃ５Ｃ６Ｎ １０．４２４５６．６５．２１２．７４ ３５７１４９７３．６３ ２０．６６３２５．６７．８２２．２３ ４８７１１５５５．０７ ３０．６５２４３．３７．４１６．４３ ５６６１１８６０．３３ ４０．６９７３８．７８．３１７．７４ ０５５１０５５６．８５ ︙ ５４０．０７５２９．４２６．２１４．８５ ５３３１４５７４．１９ ５５０．０９３７７．９６．５５．２４ ９６３１２９８９．０７ ５６０．００７４２．９４１．２５．３４ ８９６１３１７９．１５ ２．２ 数据的处理 ＲＳＥＳ 软件需要对输入的数据进行离散归一化处 理，通常采用的计算公式为 ｓｔｅｐ ＝ （ｍａｘ － ｍｉｎ） ／３（６） 式中 ｍａｘ 表示每一列的最大值，ｍｉｎ 表示每一列的最 小值。 首先通过式（６）把每一列的属性值分为 ３ 个等 级，即“高”∈［ｍｉｎ＋２ｓｔｅｐ，ｍａｘ），用“２”表示；“中”∈ ［ｍｉｎ＋ｓｔｅｐ，ｍｉｎ＋２ｓｔｅｐ），用“１”表示；“低”∈［ｍｉｎ，ｍｉｎ＋ ｓｔｅｐ），用“０”表示。 然后得出各指标属性及其归一化 值域，决策属性 Ｄ 表示目标参数，本文中代表矿岩可 爆性指数。 表 ２ 为离散归一化处理后的分级数据。 ３ 数据的约简与分析 ３．１ 基于粗糙集的数据约简 属性约简要求在保证知识库分类和决策能力不变 的条件下，删除不相关或不重要的冗余属性。 ＲＳＥＳ 软 件给出了２种进行属性约简的方法，即穷举算法和遗 表 ２ 离散归一化后的矿岩可爆性分级数据 编号 Ｃ１Ｃ２Ｃ３Ｃ４Ｃ５Ｃ６ Ｄ １１２０１２１２ ２１００２１１１ ３１１０１１１１ ４１１０２１１１ ︙ ５４０１０１２１２ ５５０２００２１２ ５６０１１０２１２ 传算法。 应用这 ２ 种方法对表 ２ 进行约简，结果分别 见图 ３ 和图 ４。 图 ３ 穷举算法约简结果 图 ４ 遗传算法约简结果 由图 ３～４ 可知，采用穷举算法和遗传算法对表 ２ 中的数据进行约简得到的约简集都只有 １ 个，即 Ｒ＝ Ｃ１，Ｃ２，Ｃ３，Ｃ５，Ｃ６{}，通过计算，５ 个属性的重要性 排序为Ｃ１＞Ｃ２ ＝Ｃ ６＞Ｃ３ ＝Ｃ ５。 “岩石爆破指数”分级法以能量守恒原理为依据， 当炸药能量及其他条件一定时，爆破漏斗体积的大小 和爆破块度的粒径组成，均直接反应了能量的消耗状 态和爆破效果，从而表征岩石的爆破特征。 通过数据 级融合发现，爆破漏斗体积（Ｃ１）、大块率（Ｃ２）和小块 率（Ｃ３）用于表征影响岩石吸收爆破能量的程度和形 式，而块度平均合格率（Ｃ４）被证明是冗余属性，应予 以剔除；岩体声波速度（Ｃ５）和波阻抗（Ｃ６）反映了岩体 的节理、裂隙情况及岩石的弹性模量、泊松比、密度等 物理力学特性。 ３．２ 数据约简规则的自动获取与准确性检验 为了检验上述约简规则的准确性，对两种方法得 到的约简规则进行了测试，结果见图 ５～６。 图 ５ 穷举法约简规则准确性检验结果 ８２矿 冶 工 程第 ３４ 卷 图 ６ 遗传算法约简规则准确性检验结果 由图 ５～６ 可知，两种方法生成规则测试分类准确 度相同，均为 ９２．９％，数据总的覆盖率都为 １００％，表明 这两种分类计算方法是可靠的。 ４ 基于多源信息融合的矿岩可爆性预 测及评价 ４．１ 基于 ＢＰ 神经网络的矿岩可爆性预测 ＢＰ 神经网络模型的拓扑结构包括输入层（Ｉｎｐｕｔ）、 隐含层（Ｈｉｄｅ Ｌａｙｅｒ）和输出层（Ｏｕｔｐｕｔ Ｌａｙｅｒ），一个 ３ 层 的 ＢＰ 网络可以完成任意的 ｎ 维到 ｍ 维的映射，单隐 含层 ＢＰ 神经网络可以获得令人满意的精度。 ＢＰ 神 经网络预测模型中的输入层采用 ６ 个指标即爆破漏 斗体积、大块率、小块率、平均合格率、岩体声波速度、 波阻抗，模型的输出层目标值为矿岩的可爆性指数，根 据式（３）和式（４）进行计算，最佳的隐含层节点个数为 ６ 个。 采用 ５６ 组数据样本对网络进行学习和训练，其中 ５０ 个样本作为训练样本，其余 ６ 个样本（表 １ 中的 ４、 １４、２４、３４、４４ 和 ５４ 号数据）作为检测样本，预测结果 如图 ７ 所示。 ４．２ 基于粗糙集⁃ＢＰ 神经网络的矿岩可爆性预测 按照约简后的属性集，在表 １ 的基础上删除平均 合格率（Ｃ４）这一列，并去掉 ４ 号、１４ 号、２４ 号、３４ 号、 ４４ 号和 ５４ 号数据便得到约简后的神经网络训练样 本，把 ４ 号、１４ 号、２４ 号、３４ 号、４４ 号和 ５４ 号数据作为 检测样本。 同样采用 ３ 层 ＢＰ 神经网络结构，取最佳 的隐含层节点个数为 ７ 个，预测结果见图 ７。 图 ７ 基于多源信息融合的矿岩可爆性指数预测值与实 际值的比较 ４．３ 结论与分析 从图 ７ 可以看出，粗糙集⁃ＢＰ 神经网络预测结果 相比单纯的 ＢＰ 神经网络更为接近实际值。 进一步分 析得到，ＢＰ 神经网络预测的平均误差为 ８．３３％；而粗 糙集⁃ＢＰ 神经网络预测的平均误差为 ６．７５％，且最大 误差不超过 ２０％，满足工程要求。 因此，应优先采用 粗糙集⁃ＢＰ 神经网络模型对矿岩可爆性指数进行预测 和评价。 ５ 应用实例 云南某地下矿山为了扩大生产能力，采用“采矿 环境再造连续采矿嗣后充填采矿法”。 在采场深孔爆 破试验前，为了事先获取炸药单耗，采用了两种方法， 一种是先在与采场岩性相似的巷道中进行爆破漏斗试 验，然后反演炸药单耗；另外一种就是先获得矿岩的可 爆性指数，再通过公式计算得到炸药单耗。 通过数据 挖掘和文献检索获得了试验采场矿岩的可爆性分级基 础数据，详见表 ３。 表 ３ 试验矿山矿岩可爆性分级基础数据 漏斗体积 ／ ｍ３ 大块率 ／ ％ 小块率 ／ ％ 岩体声波速度 ／ （ｍｓ －１ ） 波阻抗 ／ （ＭＰａｓ －１ ） ０．１８９５３１．７５２３．６７５５ ９５２１８７ 根据表 ３ 中的基础数据，采用建立的粗糙集⁃ＢＰ 神经网络模型预测得到试验矿山矽卡岩的可爆性指数 Ｎ＝７８．４３，矿岩可爆性等级为Ⅳ级，属于“难爆”级别。 根据王明林等人的研究，炸药单耗与矿岩可爆性指数 有如下关系［１］ ｑ ＝ ０．０１６Ｎ － ０．６０３９（７） 其中 ｑ 为炸药单耗，ｋｇ／ ｍ３；Ｎ 为矿岩可爆性指数。 将粗糙集⁃ＢＰ 神经网络模型预测得到的矿岩可爆 性指数代入式（６），计算得到炸药单耗为 ０．６５ ｋｇ／ ｍ３， 这与爆破漏斗试验得出的结论“炸药单耗略高于 ０．５７ ｋｇ／ ｍ３” ［１］是吻合的。 在云南某矿山进行现场试验， 总的装药量为 ３ ８１１．３ ｋｇ，矿房的爆破体积约为２５６０ ｍ３，实测的炸药 单耗为 ０．６７ ｋｇ／ ｍ３。 因此，由基于多源信息融合得到 炸药单耗与实测值基本一致，进一步验证了该模型的 有效性和正确性。 ６ 结 论 １） 矿岩可爆性的评价和分级受多种因素的影响， 而且可爆性分级标准目前还不统一。 本文引入多源信 息融合理论，在前人研究的基础上，建立了矿岩可爆性 ９２第 ５ 期蒋复量等 基于多源信息融合的矿岩可爆性评价及应用 评价的粗糙集⁃ＢＰ 神经网络预测与评价模型，为研究 矿岩可爆性提供了新的思路和方法。 ２） 研究过程中选取爆破漏斗体积、大块率、小块 率、平均合格率、岩体声波速度、波阻抗等 ６ 项影响矿 岩可爆性的指标，对收集整理的数据进行了离散归一 化处理，然后采用粗糙集对数据进行了属性约简，从而 实现了矿岩可爆性的数据级融合。 进一步分析认为， 爆破漏斗体积、大块率和小块率等 ３ 项指标用于表征 岩石的爆破特征；而岩体声波速度和波阻抗等 ２ 项指 标反映了岩体的节理、裂隙情况及岩石的弹性模量、泊 松比、密度等物理力学特性。 ３） 研究认为，在属性约简的基础上，粗糙集⁃ＢＰ 神经网络的预测精度比 ＢＰ 神经网络更高。 在多源信 息融合模型的基础上，研究了某矿山的矿岩可爆性，通 过矿岩的可爆性指数，计算得到了矿房深孔爆破的炸 药单耗。 通过多源信息融合计算得到的炸药单耗与采 用爆破漏斗试验反演计算及现场试验实测的结果非常 接近，从而验证了该方法的可靠性。 参考文献 ［１］ 蒋复量． 金属矿矿岩可爆性评价及井下采场深孔爆破参数优化的 理论与试验研究［Ｄ］． 长沙中南大学资源与安全工程学院， ２０１１． ［２］ Ｆ Ｃ Ｂｏｎｄ． Ｔｈｒｅｅ ｐｒｉｎｃｉｐｌｅｓ ｏｆ ｃｏｍｍｎｉｎｕｔｉｏｎ［Ｊ］． Ｅｎｇｉｎｅｅｒｉｎｇ Ｇｅｏｌｏｇｙ， １９６０（１２）２０５－２２３． ［３］ 汪旭光． 爆破手册［Ｍ］． 北京冶金工业出版社，２０１０． ［４］ 钮 强，龙凌霄，王明林． 我国岩石爆破性分级的试验研究［Ｊ］． 金属矿山，１９８４（１２）２－８． ［５］ 黄苹苹． 岩体可爆性的模糊综合评判分级法［Ｊ］． 长沙矿山研究 院季刊，１９８９，９（４）６３－７２． ［６］ 葛树高． 矿岩可爆性评价与合理炸药单耗的确定［Ｊ］． 有色矿山， １９９５，４７（２）１１－１５． ［７］ 杨德强，池恩安，潘玉忠，等． 应用层次分析法分析土石方爆破影 响因素的权重［Ｊ］． 矿冶工程，２０１３（５）３０－３２． ［８］ 李超亮． 露天矿山爆破效果与综合成本优化研究［Ｊ］． 矿冶工程， ２０１２（６）２６－２８． ［９］ 何功卓，邹雪芹，范文忠． 东鞍山矿矿岩可爆性分区灰色模型及其 应用［Ｊ］． 中国矿业，１９９３（５）２７－２９． ［１０］ 冯夏庭． 岩石可爆性神经网络研究［Ｊ］． 爆炸与冲击，１９９４，１４ （４）２９８－３０６． ［１１］ 蔡煜东． 岩体可爆性等级判别的遗传程序设计方法［Ｊ］． 爆炸与 冲击，１９９５，１５（４）３２９－３３４． ［１２］ 叶海旺． 土岩爆破智能化系统研究［Ｄ］． 武汉武汉理工大学土 木工程与建筑学院，２００３． ［１３］ 方 崇，成艳荣，代志宏，等． 基于蚁群算法岩体可爆性分级的投 影寻踪回归方法［Ｊ］． 工程爆破，２０１０，１６（１）１２－１５． ［１４］ 薛剑光，周 健，史秀志，等． 基于熵权属性识别模型的岩体可爆 性分级评价［Ｊ］． 中南大学学报（自然科学版），２０１０，４１（１）２５１ －２５６． ［１５］ 周 楠，王德胜，常建平，等． 基于综合赋权聚类分析的岩石爆破 性分区评价［Ｊ］． 岩石力学与工程学报，２０１３，３２（Ｓ１）２８１７－ ２８２４． ［１６］ 尚俊龙，胡建华，莫荣世，等． 可爆性分级的博弈论⁃物元可拓预测 模型及其应用［Ｊ］． 采矿与安全工程学报，２０１３，３０（１）８６－９２． ［１７］ 韩崇昭，朱洪艳，段战胜，等． 多源信息融合［Ｍ］． 北京清华大学 出版社，２０１０． ［１８］ 张文修． 粗糙集理论与方法［Ｍ］． 北京科学出版社，２００１． ［１９］ 钱枫林，崔 健． ＢＰ 神经网络模型在应急需求预测中的应 用 以地震伤亡人数预测为例［Ｊ］．中国安全科学学报，２０１３， ２３（４）２０－２５． ［２０］ 王新涛． 多源信息融合方法研究［Ｄ］． 哈尔滨哈尔滨工程大学 计算机科学与技术学院，２０１２． 􀪎􀪎􀪎􀪎􀪎􀪎􀪎􀪎􀪎􀪎􀪎􀪎􀪎􀪎􀪎􀪎􀪎􀪎􀪎􀪎􀪎􀪎􀪎􀪎􀪎􀪎􀪎􀪎􀪎􀪎􀪎􀪎􀪎􀪎􀪎􀪎􀪎􀪎􀪎􀪎􀪎􀪎􀪎􀪎􀪎􀪎􀪎􀪎􀪎 （上接第 ２５ 页） 经基本稳定，且逼近理论回归值。 可以判断，最终变形 稳定。 ４ 结 论 根据关虎冲隧道的监控量测数据及其分析可见 在施工过程中，各断面的周边收敛及拱顶沉降都是前 期变化较快，后期变化十分缓慢，变形基本稳定。 因此 可以判断，隧道施工过程中，围岩应变处于允许范围内 且最终稳定。 这也说明本隧道衬砌结构的设计合理可 靠，监控量测方案可行。 参考文献 ［１］ 胡惠林． 隧道拱顶沉降累计值数据分析［Ｊ］． 山西建筑，２０１１，３７ （１７）１７８－１７９． ［２］ 秦之富，唐 健． 高速公路隧道监控量测及应用［Ｊ］． 公路交通技 术，２００６（２）９９－１０４． ［３］ 叶 飞，丁文其，朱合华，等． 公路隧道现场监控量测及信息反馈 ［Ｊ］． 长安大学学报（自然科学版），２００７，２７（５）７９－８３． ［４］ 李德宏． 连拱隧道施工监测与分析［Ｊ］． 现代隧道技术，２００３，４０ （１）５９－６４． ［５］ 武 科，马明月，李术才． 付家冲隧道监控量测与稳定性评价［Ｊ］． 地下空间与工程学报，２０１２，８（３）５４３－５４８． ０３矿 冶 工 程第 ３４ 卷