矿山预裂爆破效果预测的BP神经网络法_齐留洋.pdf

矿山预裂爆破效果预测的BP神经网络法 齐留洋 1 王德胜 1 刘占全 2 崔凤 2 徐晓东 2 郭建新 2 （1. 北京科技大学土木与资源工程学院， 北京 100083； 2. 包钢钢联巴润矿业分公司， 内蒙古 包头 014080） 摘要为简化矿山预裂爆破效果预测环节、 提高预测精准度， 针对传统预裂爆破效果评价注重预裂坡面成 型的不足， 考虑到露天矿山边坡时常受到爆破破岩振动等动态荷载影响的特点， 结合BP神经网络， 提出了既考虑 坡面成型标准又顾及爆破振动对边坡影响的矿山预裂效果预测方法。将单孔装药量、 平均孔深、 孔距、 振动速度峰 值 （水平、 垂直） 、 振动主频 （水平、 垂直） 、 爆心距等参数作为神经网络输入参数， 将预裂坡面的平均振动速度、 半孔 率、 不平整度、 裂隙系数等参数作为神经网络输出参数。基于24次临近边坡的爆破技术数据建立了矿山预裂爆破 效果的BP神经网络预测模型。3次现场爆破预测试验表明 通过神经网络内部的自组织结构， 将岩石性质、 工程地 质条件等与控制预裂爆破效果有关的因素进行简化， 可将平均振动速度的预测相对误差控制在7左右， 将半孔 率、 不平整度、 裂隙系数的预测相对误差控制在3左右， 对于提高爆破预裂效果的预测精度有一定的参考价值。 关键词露天开采预裂爆破效果预测BP神经网络预测精度 中图分类号TD854， TD235文献标志码A文章编号1001-1250 （2019） -07-065-05 DOI10.19614/ki.jsks.201907011 Prediction of Pre-split Blasting Effect Based on BP Neural Network Qi Liuyang1Wang Desheng1Liu Zhanquan2Cui Feng2Xu Xiaodong2Guo Jianxin22 （1. Civil and Resource Engineering School， University of Science and Technology Beijing， Beijing 100083， China； 2. Barun Mining branch， Baotou Steel Union Co.， Ltd.， Baotou 014080， China） AbstractIn order to simplify the prediction process of mine pre-split blasting effect and improve the accuracy of predic- tion， in view of the traditional effect of pre-split blasting， which focuses on the defects of pre-split slope ation， considering that the slope of open-pit mine is often affected by the dynamic load such as blasting rock vibration， a neural network predic- tion of mine pre-splitting effect based on considering both the slope ing standard and the impact of blasting vibra- tion on slope is proposed.The parameters such as single hole charge， average hole depth， hole spacing， peak vibration velocity （horizontal， vertical） ， main vibration frequency（horizontal， vertical） ， blasting distance and so on are used as parame- ters of neural network.Parameters such as average vibration speed， half-hole rate， roughness and fracture coefficient are taken as the output parameters of the neural network.An prediction of mine pre-splitting blasting effect is established based on 24 blasting technical data of adjacent slope.3 on-site blasting prediction test results show that the rock properties， engineer- ing geological conditions an other factors related to the control of pre-splitting blasting effect are simplified and integrated into the neural network by its self-organizing structure.Therefore， the relative error of the average vibration velocity can be con- trolled at about 7 by the trained neural network using this data type， and the relative error of the half-porosity， roughness and fracture coefficient can be controlled at about 3. KeywordsOpen-pit mining， Pre-splitting blasting， Effect prediction， BP neural network， Prediction accuracy 收稿日期2019-06-10 作者简介齐留洋 （1994） ， 男， 硕士研究生。通讯作者王德胜 （1961） ， 男， 教授， 博士， 博士研究生导师。 总第 517 期 2019 年第 7 期 金属矿山 METAL MINE Series No. 517 July 2019 露天矿山在预裂爆破开挖形成岩性边坡时 ［1］， 爆 破荷载在对岩石完成破碎的同时， 还将对保留区域 内的岩体产生爆破振动损伤 ［2-5］。边坡损伤区域在后 续开挖施工作业期间也将继续受到扰动、 降雨等因 素的影响， 尤其是当开挖台阶不断下降时， 靠帮边坡 越来越陡， 更加需要控制爆破振动对边坡稳定性的 影响 ［6-8］。 矿山预裂爆破效果与爆破振动之间存在着复杂 关系， 目前无论从理论上还是方法上对于该类复杂 内在联系的研究深度均有所欠缺。寻找能够在多因 65 ChaoXing 金属矿山2019年第7期总第517期 素与多指标之间建立某种映射关系的方法， 进而实 现对矿山预裂爆破效果的预测， 是现阶段爆破控制 研究迫切需要解决的问题。目前比较成熟的人工神 经网络以其高度非线性映射、 自组织结构、 高度并行 处理和无需预先建模等优点为解决上述问题提供了 可能 ［9］， 采用神经网络方法对矿山预裂爆破影响因素 与预裂效果之间的关系进行分析， 是进行爆破预裂 效果预测的有效方法。 近年来， 神经网络已经被广泛应用于工程领 域。尹光志等 ［10］应用神经网络建立了煤体瓦斯渗透 率与3个主要影响因素之间的预测关系模型， 该模型 的主要特点是 有多个输入参数但仅有一个输出参 数， 多对一的神经网络模型可以有效提高预测精度； 徐黎明等 ［11］应用神经网络预测了乌东德水电站近坝 库区内3条泥石流的平均流速， 该神经网络模型在数 据输入和输出时均使用了数据归一化方法来提高预 测精准度。上述两例中的神经网络模型均是多对一 输出类型， 虽然神经网络结构较为简单， 但数据处理 方法具有较好的借鉴价值。汪学清等 ［12］利用神经网 络对爆破块度进行了预测， 建立了多个爆破效果影 响因素与爆破块度之间的预测模型， 模型输入与输 出数据类型为多对多， 预测精度基本优于1。本研 究在上述3类预测模型的基础上， 采用归一化数据处 理方式， 建立多对多的数据输入与输出模型， 结合现 场试验， 对矿山预裂爆破效果进行预测。 1神经网络的训练与数据分析 巴润矿已开采形成了深度近200 m的深凹露天 采场， 为保障最终边坡在矿山服务期间稳定， 靠帮普 遍采用预裂爆破技术， 对预裂爆破坡面成型效果的 控制及预裂面对临近坡面的爆破振动速度控制至关 重要。参照相关工程经验， 本研究选取岩性及地质 构造相近的大孤山铁矿临近边坡预裂爆破的技术数 据进行模拟试验， 提出适合巴润矿的预裂爆破效果 评价及预测方法 ［13-17］。 1. 1预裂爆破效果预测的神经网络结构 本研究模型基于Kolmogorov 3层神经网络映射 存在定理， 选取单孔装药量、 平均孔深、 孔距、 振动速 度峰值 （水平、 垂直） 、 振动主频 （水平、 垂直） 、 爆心距 共8个影响因素作为输入层R8， 隐含层单元个数 2R117， 通过训练发现， 隐含层节点数为21个时， 收敛效果较好。以平均振动速度、 半孔率、 不平整 度、 裂隙系数4个爆破效果评价因素作为输出层， 建 立了一个包含隐含层在内的3层人工神经网络 ［18］。 神经网络隐含层传递函数为Sigmoid型函数， 输出层 传递函数为Purelin型函数 ［19］。 由于样本中各变量的单位和大小不同， 需要对 样本数据进行归一化和无量纲化处理， 以保证各因 素之间的等效性及预测结果的准确性。本研究采用 最大值化方法对样本数据进行处理。样本数据如表 1、 表2所示。 1. 2神经网络训练 采用MATLAB软件对样本数据进行神经网络训 练， 设定其目标误差为0.000 1， 学习阶段初始速率为 0.001， 最大迭代次数为2 000次， 但经过多次试验发 现， 迭代次数一般不超过100次便可满足要求。从样 本数据中任意选取23组数据对神经网络进行训练， 66 ChaoXing 剩余的1组数据用于检验神经网络的预测精度。 1. 3试验分析 本研究分别采用归一化处理后的数据和未归一 化处理后数据进行预裂爆破效果预测。对预测精度 除了采用实测值与预测值之间的相对误差进行评价 外， 还引入了评判量决定系数R2来评价预测精度， R2越接近1， 表明预测值与实测值之间的相关程度越 高， 模型拟合度更好。R2计算公式为 R2 ■ ■ ■ ■ ■ ■ l∑ i1 l yi yi-∑ i1 l yi ∑ i1 l yi 2 ■ ■ ■ ■ ■ ■ ■ ■ l∑ i1 l yi 2 - ■ ■ ■ ■ ■ ■∑ i1 l yi 2 ■ ■ ■ ■ ■ ■ ■ ■ l∑ i1 l yi2- ■ ■ ■ ■ ■ ■∑ i1 l yi 2 ， 式中，yi （i1,2,3,,l） 为第i个样本的预测值；yi （i1,2,3,,l） 为第i个样本的实测值；l为样本数 目。 相关预测结果如表3、 表4所示。 齐留洋等 矿山预裂爆破效果预测的BP神经网络法2019年第7期 由表3可知 预测结果相对误差的最大值达到 62.53 （第3组平均振动速度的相对误差） ， 绝大多数 相对误差为10～20。由表4可知 预测结果的相 对误差最大值达到4 453.53 （第1组半孔率的相对 误差） ， 大部分预测结果的相对误差均超过100。 可见， 将数据进行归一化处理后， 有助于大幅提升预 测精度。进一步分析表3、 表4可知 根据未归一化处 理的数据进行预测的R2偏小， 而根据归一化处理的 数据进行预测的R2偏大， 较接近于1， 表明采用归一 化处理后的数据进行预裂爆破效果预测， 效果较好， 与上述分析吻合。 2工程应用 白云鄂博铁矿是集合铁、 稀土等大型金属露天 矿山， 分东西两个采场， 均已进入露天开采的中后 期。采用本研究训练后的 BP 神经网络， 选取决定 系数R2大于0.998 0的网络对3次现场预裂爆破效 果进行预测， 3次现场预裂爆破作业区域分别位于 西采1 620 m水平、 东采1 608 m水平和西采1 560 m 水平， 爆区岩体主要由变质砂岩、 黑云母片岩等交替 组成出现， 如图1所示， 爆破设计参数见表5。 67 ChaoXing ［1］ ［2］ ［3］ ［4］ ［5］ ［6］ ［7］ ［8］ ［9］ ［10］ ［11］ 金属矿山2019年第7期总第517期 在对巴润矿3次现场预裂爆破效果预测过程中， 每次爆破均选择了3个决定系数R2大于0.998 0的神 经网络进行预测， 将3次预测结果的平均值作为最终 预测结果， 结果见表6。 由表6可知 采用经过本研究训练后的BP神经 网络对巴润矿3次预裂爆破效果进行预测， 平均振动 速度的相对误差控制在7左右， 其余3项预测结果 的相对误差控制在3左右， 效果较好。 3结语 将爆破振动的8个影响因素作为输入量， 以4个 爆破效果评价指标为输出量， 构建了BP神经网络， 对 矿山预裂爆破效果进行预测。引入决定系数R2对预 裂爆破预测效果进行评价。巴润矿工程实例分析表 明， 该方法对于矿山预裂爆破效果的预测精度保持 在3％～7％， 精度较理想， 有一定的应用价值。 参 考 文 献 李建华.预裂爆破技术在大型露天矿山的应用 ［J］ .有色金属 矿 山部分， 2015， 67 （3） 74-76. Li Jianhua.Application of pre- blasting technology in large- scale open-pit mine ［J］ .Nonferrous MetalsMining Section， 2015， 67 （3） 74-76. 杨明财.爆破振动作用下南芬露天矿边坡稳定性分析 ［D］ .武汉 武汉科技大学， 2018. Yang Mingcai.Analysis of Slope Stability of Nan-fen Open Pit Mine under Blasting Vibration ［D］ .WuhanWuhan University of Science and Technology， 2018. 李海波， 蒋会军， 赵坚， 等. 动荷载作用下岩体工程安全的几 个问题 ［J］ .岩石力学与工程学报， 2003， 22 （11） 1887-1891. Li Haibo， Jiang Huijun， Zhao Jian， et al.Some problems about safe- ty analysis of rock engineering under dynamic load［J］ .Chinese Journal of Geotechnical Engineering， 2003， 22 （11） 1887-1891. 闫长斌.爆破作用下岩体累积损伤效应及其稳定性研究 ［D］ .长 沙 中南大学， 2006. Yan Changbin.Study on Cumulative Damage Effects and Stability of Rock Mass under Blasting Loading ［D］ .ChangshaCentral South University， 2006. 刘美山.特高陡边坡开挖爆破技术及其对边坡稳定性的影响 ［D］ .合肥 中国科学技术大学， 2007. Liu Meishan.The Excavation Blasting Technique of Particularly High and Steep Slope and the Influence on Its Stability ［D］ . Hefei University of Science and Technology of China， 2007. 唐海， 李海波， 周青春， 等.预裂爆破震动效应试验研究 ［J］ .岩 石力学与工程学报， 2010， 29 （11） 2277-2285. Tang Hai， Li Haibo， Zhou Qingchun， et al.Experimental study of vi- bration effect of presplit blasting ［J］ .Chinese Journal of Rock Me- chanics and Engineering， 2010， 29 （11） 2277-2285. 夏祥.爆炸荷载作用下岩体损伤特征及安全阈值研究 ［D］ .武 汉 中国科学院武汉岩土力学研究所， 2006. Xia Xiang.Study of Damage Characteristics and Safety Threshold of Rock Vibration by Blast ［D］ .WuhanInstitute of Rock and Soil Me- chanics， Chinese Academy of Sciences， 2006. 胡英国， 卢文波， 陈明.不同开挖方式下岩石高边坡损伤演化 过程比较 ［J］ .岩石力学与工程学报， 2013， 32 （6） 1176-1184. Hu Yingguo， Lu Wenbo， Chen Ming.Comparison of damage evolu- tion process of high rock slope excavated by different s ［J］ . Chinese Journal of Rock Mechanics and Engineering， 2013， 32 （6） 1176-1184. 杜耀志， 吕琦.建筑物爆破拆除后坐距离的预测研究 ［J］ .采矿 技术， 2013， 13 （5） 125-127. Du Yaozhi， Lyu Qi.Prediction Study on the recoil distance of the de- molition of buildings by blasting ［J］ .Mining Technology， 2013， 13 （5） 125-127. 尹光志， 李铭辉， 李文璞， 等.基于改进BP神经网络的煤体瓦斯 渗透率预测模型 ［J］ .煤炭学报， 2013， 38 （7） 1179-1184. Yin Guangzhi， Li Minhui， Li Wenpu， et al.Model of coal gas perme- ability prediction based on improved BP neural network ［J］ .Journal of China Coal Society， 2013， 38 （7） 1179-1184. 徐黎明， 王清， 陈剑平， 等.基于BP神经网络的泥石流平均流 68 ChaoXing 速预测 ［J］ .吉林大学学报 地球科学版， 2013， 43 （1） 186-191. Xu Liming， Wang Qing， Chen Jianping， et al.Forcast for average ve- locity of debris flow based on BP neural network ［J］ .Journal of Jilin UniversityEarth Science Edition， 2013， 43 （1） 186-191. 汪学清， 单仁亮.人工神经网络在爆破块度预测中的应用研究 ［J］ .岩土力学， 2008， 29 （S1） 529-532. Wang Xueqing， Shan Renliang.Application of on artificial neural networks to blasting fragment prediction ［J］ .Rock and Soil Mechan- ics， 2008， 29 （S1） 529-532. 梅金， 张志国， 张立鹏.高陡露天矿边坡稳定性评价中若干问 题的思考 ［J］ .勘察科学技术， 2018 （4） 7-11. Mei Jin， Zhang Zhiguo， Zhang Lipeng.Thinking of some problems about stability uation of high and steep open-pit slope ［J］ .Site Investigation Science and Technology， 2018 （4） 7-11. 李平， 岳祖州.人工神经网络的理论、 应用与实现研究 ［J］ .大 连理工大学学报， 1997 （S2） 91. Li Ping， Yue Zuzhou.Research on the theory， application and real- ization of artificial neural network ［J］ .Journal of Dalian University of Technology， 1997 （S2） 91. 范孝锋， 周传波， 陈国平.爆破震动影响因素的灰关联分析 ［J］ . 爆破， 2005 （2） 100-102. Fan Xiaofeng， Zhou Chuanbo， Chen Guoping.The influential factors of blasting vibration by grey correlation analysis ［J］ .Blasting， 2005 （2） 100-102. 常斌， 李宁.前馈逆传播算法优化及其在岩土工程中的应用 ［J］ .岩土工程技术， 2002 （5） 249-251. Chang Bin， Li Ning.Optimization of BP arithmetic and its applica- tion in geotechnical engineering［J］ .Geotechnical Engineering Technique， 2002 （5） 249-251. 闫大洋.露天矿台阶预裂爆破参数优化的研究与应用 ［D］ .淮南 安徽理工大学， 2014. Yan Dayang.Opencast Step Presplit Research and Application of Blasting Parameter Optimization ［D］ .HuainanAnHui University of Science and Technology， 2014. 龙浩， 高睿， 孔德新， 等.基于BP神经网络-马尔科夫链模型 的隧道围岩位移预测 ［J］ .长江科学院院报， 2013， 30 （3） 40-43. Long Hao， Gao Rui， Kong Dexin， et al.Forecast of tunnel’ s sur- rounding rock displacement by BP neural network and Markov chain［C］ .Journal of Yangtze River Scientific Research Institute， 2013， 30 （3） 40-43. 孙文彬， 刘希亮， 谭正龙， 等.基于抛掷爆破预测的BP神经网络 参数优化方法 ［J］ .煤炭学报， 2012， 37 （S1） 59-64. Sun Wenbin， Liu Xiliang， Tan Zhenglong， et al.Parameter optimiza- tion of BP-neural network based on the forecast of cast blasting ［J］ . Journal of China Coal Society， 2012， 37 （S1） 59-64. （责任编辑王小兵） ［12］ ［13］ ［14］ ［15］ ［16］ ［17］ ［18］ ［19］ 2019年第7期齐留洋等 矿山预裂爆破效果预测的BP神经网络法 69 ChaoXing