基于神经网络的台阶爆破参数优化设计.pdf

第 25卷 第 3期 2008年 9月 爆 破 BLASTING Vo. l 25 No . 3 Sep. 2008 文章编号1001- 487X 2008 03- 0022- 03 基于神经网络的台阶爆破参数优化设计 郑长青 1, 2 , 陈庆寿 1 , 徐海波 3 , 房泽法 3 1. 中国地质大学 北京 工程技术学院, 北京 100083; 2. 珠海爆破新技术开发有限公司, 广东 珠海 519000; 3. 武汉理工大学资源与环境工程学院, 湖北 武汉 430070 摘 要 台阶爆破技术作为一种破碎岩石的方法, 广泛应用于矿山、 水利水电工程、 交通工程、 土建工程等 领域, 而由于爆破对象及爆破过程的复杂性和不确定性, 很难用一套统一的计算公式来完成爆破设计。充分 利用神经网络的特点, 利用 BP神经网络建立台阶爆破设计优化模型, 将已有的成功实例输入模型, 采用 M atlab对模型训练, 使模型的传递函数相关系数趋于最优, 最后将模型应用于实际爆破工程, 结果表明, 该方 法具有一定的实际应用价值和工程指导意义。 关键词 台阶爆破; 神经网络; 爆破设计 中图分类号 TD 235 . 39 文献标识码 A Bench Blasting Design and Opti mization Based on NeuralNet work ZHENG Chang qing 1 , 2, CHEN Qing shou1, XUHai bo3, FANG Zhe fa3 1 . School of Engineering and Technology, China University ofGeosciences , Beijing 100083 , China ; 2 . Zhuhai Blasting Advanced Technology Co Ltd , Zhuhai 519000 , China; 3 . School ofResources and Environment Engineering, Wuhan University ofTechnology , Wuhan 430070 , China Abstract Bench blasting is a ofbroke rack and usedw idely inm ining engineering , hydraulic and hydro electric engineering , transportation eng ineering , civil engineering , etc . Because of the co mplication and uncertainty of blasting objects and blasting precess, it is very difficult to design the bench blastingw ith a set of for mulas . An opti m i zing modelused to design bench blasting is builtusing BackPropagation neural net work. In order to make the model para meters of transm itting functionsmore opti mum, some successfulengineering examples are used to train the model withM atlab. A t last , the opti m izedmodel is applied to actualbench blasting engineering , and the results indicate that themodel has some proctical application value and guiding significance . Key words bench blasting ;neural net work; blasting design 收稿日期 2008- 06- 23 . 作者简介 郑长青 1963- , 男; 北京 中国地质大学 北京 工程技 术学院博士. 珠海 珠海爆破新技术开发有限公司高工. 1 概 述 工程爆破在矿床开采、 道路修建、 水利水电和城 镇建设等领域发挥着重要的作用。近年来, 伴随着 经济的快速增长, 我国每年的工程爆破在数量上和 规模上不断增加; 而人们生活水平的提高和环保意 识的增强, 对爆破效果和爆破安全提出更高的要求。 于是, 爆破工作者不得不重新寻求爆破新技术、 新方 法、 新理论, 使工程爆破达到安全、 高效和经济目的。 目前,我国爆破施工的机械化、 自动化、 精细化、 数 字化程度低, 除部分大型露天矿山爆破外, 爆破设计靠 经验,人工装药普遍,爆破效率低,爆破安全隐患大。 鉴于岩石性质、 炸药爆炸反应和岩体爆破过程 的复杂性和不确定性, 给爆破设计问题带来了很多 困难, 因而有必要从一个新的角度来看待爆破设计 问题。影响爆破效果的因素主要有岩体特性、 炸药 爆炸特性以及爆破参数和工艺等。爆破设计的约束 条件 岩体特征和爆破技术要求 与爆破设计方案 炸药性能和爆破参数 是多因素与多目标的对应 关系, 而神经网络理论是解决这类问题的有效工 具 [ 12]。通过分析、 讨论台阶爆破效果及其影响因素 之间的关系, 利用神经网络理论来建立台阶爆破优 化设计模型。 2 台阶爆破效果及其影响因素 2 . 1 爆破效果 根据工程爆破不同的要求, 中深孔台阶爆破的 爆破效果主要表现为以下几个方面 [ 3] 1爆破块度适宜、 且具有一定的均匀性和粒度 匹配; 2合适的爆堆形状、 抛掷距离、 集中程度和松 散度; 3爆破后边坡具有一定的平整度; 4爆破对边坡等稳定性的影响小; 5无残孔、 伞岩和根底, 充分提高炮孔利用率; 6较小的爆破地震、 空气冲击波、 飞石、 噪音、 炮烟 有毒气体 等危害。 总之, 爆破效果应该集中表现在确保安全的前 提下尽可能提高爆破生产效率、 降低爆破成本。 2 . 2 爆破效果影响因素 影响爆破作用效果的因素很多, 有些是不可控 的, 有些是在一定条件下可以控制的。归纳起来, 就 影响岩石爆破效果的因素而言, 主要来自 4个方 面 [ 34] 第一, 爆破对象即岩体的特性, 如岩石的容 重、 抗压强度、 抗拉强度、 抗剪强度、 纵波波速及节理 裂隙发育情况等; 第二, 炸药爆炸性能, 如爆速、 爆 压、 猛度、 爆热、 气体比容及炸药密度等; 第三, 爆破 参数和工艺, 如孔网参数、 装药结构、 爆破作用指数 及施工工艺等; 第四, 炸药与岩石的匹配关系。 3 台阶爆破设计神经网路模型 3 . 1 BP神经网路 BP Back Propagation网络即反向传播网络, 是 最简单的多层神经网络, 也是神经网络中最具代表 性和广泛应用的一种网络模型。它是由非线性变换 单元组的一种前馈型网络, 一般由 3个神经元层次 组成, 即输入层、 输出层和隐含层。各层的神经元之 间互连连接, 属于同一层的神经元之间没有连接。 利用人工神经网络进行计算主要分两步 首先对网 络进行训练 网络的学习过程 , 再利用训练的网络 求解问题 网络的检验过程 。 BP网络的基本原理 是 利用最陡坡降法的概念, 将误差函数予以最小 化, 误差反向传播可以说是 BP网络的精髓所在, 它 把网络输出的误差归结为各连接权的 过错 , 通过 把输出层单元的误差逐层向输入层反向传播以 分 摊 给各层神经元, 从而获得各层单元的参考误差 以便调整相应的连接权, 直到网络的误差达到最小。 理论研究表明, 具有足够多的隐层神经元数的三层 BP网络具有逼近任何复杂函数的能力。BP网络属 于监督式的学习网络, 适合诊断、 预测、 评价等应用。 BP网络模型的架构示意图如图 1所示, 其中包 括 输入层、 隐含层、 输出层。 图 1BP神经网络模型结构图 1输入层 用来表示网络的输入变量, 其处理 单元数目 依问题而定。使用线 性转换函数, 即 f x x; 2隐含层 用来表示输入处理单元间的交互影 响, 使用非线性转换函数。其处理单元数目根据网 络调试或经验公式而定; 3输出层 用来表现网络的输出变量, 其处理 单元数目依问题而定。使用非线性转换函数。 BP网络最常用的非线性转换函数为双曲函数 Sigmoid function f x 1 1 e - x。这种函数当自 变量趋于正、 负无限大时, 函数值趋于常数, 函数值 域在 [ 0 , 1]之间。 3 . 2 基于神经网络的台阶爆破设计模型 研究表明, 单隐层的 BP网络就可以逼近任意 的非线性映射, 得到很高的精度, 而过多的隐含层会 导致 BP网络训练时间增长, 精度下降。因此, 该模 型采用一个输入层、 一个隐含层、 一个输出层的三层 网络结构。 由于影响爆破效果因素较多, 并且有些用数学 方法难以表达, 因此, 在考虑到获取这些指标的可能 23第 25卷 第 3期 郑长青 等 基于神经网络的台阶爆破参数优化设计 性和可靠性的基础上, 只考虑主要的影响因素, 突出 主要矛盾, 对该模型作了适当的简化 1由于岩体的复杂多变性, 本模型并没有考虑 全部的岩石性质, 只考虑了对爆破作用有较大影响 的因素, 如物理力学性质和一些地质构造特性, 而对 于地下水、 节理裂隙等较难用数学方法表达的一些 条件, 未加考虑; 2在爆破参数和工艺上, 本模型只考虑了均匀 布孔、 连续装药、 排间微差起爆等常规的爆破方法, 这对于常规的矿山生产爆破尚可, 但实际上, 爆破设 计是门艺术, 是随着爆破对象、 环境和要求等而灵活 多变的; 3对于炸药的爆炸特性, 并没有做出全面的考 虑; 同时, 工程爆破中还有很多可变因素的影响, 如爆 破施工工艺、 人为因素等, 不能也不可能面面俱到。 本台阶爆破设计的三层神经网络模型如图 2所 示。输入层和输出层的神经元参数的选择如下 1输入层 岩石的物理力学性质参数包括容 重、 抗压强度、 抗拉强度、 弹性模量、 岩石纵波速, 构 造特性包括平均节理间距; 爆破效果要求包括平均 块度、 大块率、 根底率、 前冲距离、 后冲距离和爆堆隆 起高度; 由于对于某一矿山而言, 生产设备已基本固 定, 因而台阶高度和孔径基本确定。所以输入层一 共有以上 14个参数, 神经元个数为 14 。 2输出层 直接影响爆破作用及爆破效果的炸 药特性是炸药密度、 爆热和爆速, 而猛度、 爆压和气 体比容对爆破作用的影响也不容忽视; 爆破参数包 括孔深、 孔距、 排距、 底盘抵抗线、 堵塞长度、 超深、 炸 药单耗和排间微差时间。输出层一共有 14个参数, 神经元个数为 14。 图 2 台阶爆破设计神经网络模型 3 . 3 BP网络模型的训练 网络确定后, 比较重要的是对网络进行学习和 训练, 以确定各神经元的权值, 其中, 学习速率是训 练过程的重要因子, 它决定每一次循环中的权值变 化量, 在一般情况下, 倾向于选择较小的学习速率以 保证学习的稳定性, 这里先取学习速率为 0 . 05 。 BP网络将输入信号先向前传播到隐含层节点, 经过传递函数后, 再把隐含层节点的输出信息传播 到输出节点, 最后给出输出结果。如果输出结果与 期望的输出有误差, 则转入反向传播, 将误差信号沿 原来的连接通路返回, 通过修改各层神经元的连接 权值, 重新计算, 直至误差信号达到要求。 根据已有的工程实例数据, 选取 50组数据样本 对网络进行学习和训练, 其中选出 40个样本作为神 经网络的训练样本, 其余 10个样本作为仿真和检测 样本。利用 MATLAB神经网络工具箱建立台阶爆 破设计的 BP神经网络模型, 设置好训练目标和学 习速率, 对输入样本进行训练。训练完毕, 用剩余的 10组样本检验已训练网络模型的可靠性。 检验结果表明通过训练过的模型设计误差较 小, 具有很好的相关性, 网络模型预测值与真实值之 间的平均误差均在 5 7左右, 除个别在 12 左 右外, 其他均在 10 以下, 能够满足工程要求。 4 台阶爆破设计神经网络模型的应用 以某采石场的台阶爆破设计参数为例, 利用训 练过的台阶爆破设计 BP网络模型来进行设计。输 入参数的数据及对应的归一化输入向量如表 1所 示, 将该向量输入网路后输出的设计结果、 对应的归 一化结果及预测误差如表 2所示。 由表 2可知, 设计误差基本都在 10 以下, 基 本能够满足该采石场的爆破设计要求, 说明本模型 对工程爆破有很好的指导意义和参考价值。 下转第 28页 24爆 破 2008年 9月 的振速对围岩的影响最大, 在拱顶和底板上, Y方向 的振动破坏性最大, 由振速分布可知, 在相同爆心距 的截面上, 直立墙上的 X 方向振速要大于拱顶和底 板上 Y 方向的振速, 这一点与文献 [ 4]是一致的。 在实际工程中, 洞室围岩的稳定必须综合考虑爆破 振动和静力的影响, 由于重力的影响, 实际工程中隧 洞拱顶往往是最危险的部位 [ 5]。 3 结 语 通过数值模拟, 研究了掏槽孔起爆时开挖隧洞的 动力响应规律,得到了爆破地震波沿隧洞拱顶、 直立墙 及底板的衰减规律, 研究结果与试验结果一致, 研究方 法为研究掏槽孔、 崩落孔和光爆孔对开挖洞室的影响 提供了思路, 研究结果可以为实际工程提供参考。 参考文献 [ 1] 刘 慧. 邻近爆破对隧道影响的研究进展 [ J]. 爆破, 1999 , 16 1 5763. [ 2] 杨文东, 范高军. 地下洞室爆破振动控制研究 [ J]. 爆 破, 2007, 24 1 8790. [ 3] 易长平, 卢文波, 张建华. 爆破振动作用下地下洞室临 界振速的研究 [ J]. 爆破, 2005, 22 4 47. [ 4] 赵海鸥. LSDYNA 动力分析指南 [M ]. 北京 兵器工业 出版社, 2003. [ 5] 黄承贤. 土岩爆破中岩体和坑道爆破破坏分区的试验 研究 [ J]. 岩土力学, 1986, 7 1 1722 . 上接第 24页 表 1 模型输入数据 输入参数 容重 / t∀ m- 3 抗压强度 /M Pa 抗拉强度 /MPa 弹性模量 /GPa 岩石纵波速 /m∀ s- 1 节理间距 /m 台阶高度 /m 原始数据3. 56127 . 66. 3178. 433 6350 . 4712 . 0 归一化数据0 . 560 610. 390 790. 266 050. 508 260. 534 420. 216 560. 500 0 输入参数 孔径 /mm 平均块度 /cm 大块率 / 根底率 / 前冲 /m 后冲 /m 隆起高度 /m 原始数据25021. 73. 82025. 03 . 02. 5 归一化数据0 . 727 270. 732 560. 351 6800. 333 3300. 711 11 表 2 模型输出数据及预测误差 输出参数 爆速 /m∀ s- 1 爆压 /GPa 猛度 /mm 爆热 / kJ∀ kg- 1 气体比容 / L∀ kg- 1 炸药密度 / g∀ c m- 3 孔深 /m 输出数据0 . 272 920 . 058 4890. 375 320. 065 0950. 187 580. 291 510 . 514 36 反归一化数据3 991. 34. 546 412. 753 24 475. 11896. 240. 916 614 . 129 目标数据4 0004 . 300134 125918. 31. 0014. 0 相对误差 /0. 217 55. 730 21. 898 58. 487 52. 402 38. 340 . 921 43 输出参数孔距 /m排距 /m 底盘抵 抗线 /m 堵塞长度 /m 超深 /m 炸药单耗 / kg∀ t- 1 排间微差 时间 /ms 输出数据0 . 345 680. 684 800. 433 320 . 593 230. 102 670. 888 110 . 995 49 反归一化数据8. 092 65. 339 28. 166 64. 252 91. 864 30. 203 674 . 774 目标数据8. 05. 08. 04. 02. 00. 189 275. 0 相对误差 /1. 157 56. 784 02. 083 06. 323 06. 785 07. 611 00 . 301 33 5 结 论 采用 BP神经网络模型来指导台阶爆破工程设 计, 优选爆破方案, 即根据工程要求, 如块度、 级配要 求及爆破安全等要求, 模型即可通过已训练好的传 递系数来进行优化设计, 这样, 不仅达到了台阶爆破 的预期目标, 同时也提高了设计施工的进度和效率。 当然, 由于样本数量和质量的限制, 模型的传递函数 相关系数还未达到最优, 同时本模型的实用性还有 待今后在实践中进一步地改进和完善。 参考文献 [ 1] 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, 2004 , 23 9 1 5421 550. [ 2] 盛建龙, 赵建海. 巷道围岩变形的神经网络模型 [ J]. 爆破, 2005, 22 1 1619. [ 3] 刘殿中. 工程爆破实用手册 [M ]. 北京 冶金工业出版 社, 1999. [ 4] 蒲传金. 爆孔因素对露天台阶爆破效果的影响分析 [ J]. 爆破, 2008, 25 1 2528. 28爆 破 2008年 9月