基于BP神经网络的桩基爆破振动速度预测.pdf

第３５卷 第２期 ２０１８年６月 爆 破 ＢＬＡＳＴＩＮＧ Ｖｏｌ． ３５ Ｎｏ． ２ Ｊｕｎ． ２０１８ ｄｏｉ１０． ３９６３／ ｊ． ｉｓｓｎ． １００１ －４８７Ｘ． ２０１８． ０２． ０３０ 基于ＢＰ神经网络的桩基爆破振动速度预测* 蒲传金 １，２， 郭王林３， 秦晓星１，２， 徐金贵１，２， 贺高威１，２， 肖定军１，２ （１．西南科技大学环境与资源学院， 绵阳６２１０１０；２．非煤矿山安全技术四川省高等学校重点试验室， 绵阳６２１０１０； ３．中冶建工集团有限公司， 重庆４０００８０） 摘 要 为研究桩基爆破振动对邻近埋地天然气管道的影响， 以荣乌高速公路第７标段红泉村３号大桥桩 基爆破振动为研究对象， 以水平距离、 雷管段数、 总装药量、 最大单段装药量、 桩基深度和爆心距作为主要因 素， 建立桩基爆破振动ＢＰ神经网络预测模型， 以现场测试的１５组数据为学习样本对模型进行训练， 以５组 数据为检测样本进行预测， 并将预测结果与萨道夫斯基公式和高程修正公式进行对比。结果表明ＢＰ神经 网络、 萨道夫斯基公式和高程修正公式预测平均相对误差分别为７． ９０％、２７． ６８％和２４． ３０％，ＢＰ神经网络 比萨道夫斯基公式和高程修正公式预测精度分别提高７１． ４３％和６７．４９％。 关键词 桥梁桩基；爆破振动；ＢＰ神经网络；振速预测 中图分类号 Ｕ４４３． １５ ＋８； ＴＵ４７３． １ ＋５ 文献标识码 Ａ 文章编号 １００１ －４８７Ｘ（２０１８）０２ －０１７７ －０５ Ｐｒｅｄｉｃｔｉｏｎ ｏｆ Ｂｌａｓｔｉｎｇ Ｖｉｂｒａｔｉｏｎ Ｖｅｌｏｃｉｔｙ ｏｆ Ｐｉｌｅ Ｆｏｕｎｄａｔｉｏｎ ｂａｓｅｄ ｏｎ ＢＰ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ ＰＵ Ｃｈｕａｎ-ｊｉｎ１， ２， ＧＵＯ Ｗａｎｇ-ｌｉｎ３，ＱＩＮ Ｘｉａｏ-ｘｉｎｇ１， ２， ＸＵ Ｊｉｎ-ｇｕｉ１， ２， ＨＥ Ｇａｏ-ｗｅｉ１， ２， ＸＩＡＯ Ｄｉｎｇ-ｊｕｎ１， ２ （１． Ｓｃｈｏｏｌ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ ａｎｄ Ｒｅｓｏｕｒｃｅ，Ｓｏｕｔｈｗｅｓｔ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ， Ｍｉａｎｙａｎｇ ６２１０１０，Ｃｈｉｎａ；２． Ｎｏｎ-Ｃｏａｌ Ｍｉｎｅ Ｓａｆｅｔｙ Ｔｅｃｈｎｏｌｏｇｙ Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ ｏｆ Ｓｉｃｈｕａｎ Ｐｒｏｖｉｎｃｅ Ｃｏｌｌｅｇｅｓ ａｎｄ Ｕｎｉｖｅｒｓｉｔｉｅｓ，Ｍｉａｎｙａｎｇ ６２１０１０，Ｃｈｉｎａ；３． Ｃｈｉｎａ Ｍｅｔａｌｌｕｒｇｉｃａｌ Ｃｏｎｓｔｒｕｃｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ Ｇｒｏｕｐ Ｃｏ Ｌｔｄ，Ｃｈｏｎｇｑｉｎｇ ４０００８０，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ Ｔｏ ｓｔｕｄｙ ｔｈｅ ｉｍｐａｃｔ ｏｆ ｂｌａｓｔｉｎｇ ｖｉｂｒａｔｉｏｎ ｏｆ ｐｉｌｅ ｆｏｕｎｄａｔｉｏｎ ｏｎ ｎｅａｒｂｙ ｂｕｒｉｅｄ ｎａｔｕｒａｌ ｇａｓ ｐｉｐｅｌｉｎｅ， ｂｌａｓｔｉｎｇ ｖｉｂｒａｔｉｏｎ ｏｆ ｔｈｅ ｐｉｌｅ ｆｏｕｎｄａｔｉｏｎ ｏｆ Ｎｏ． ３ Ｂｒｉｄｇｅ ｏｆ Ｈｏｎｇｑｕａｎ Ｖｉｌｌａｇｅ ｏｎ ｔｈｅ ７ｔｈ ｓｅｃｔｉｏｎ ｏｆ ＲｏｎｇＷｕ ｅｘｐｒｅｓｓ- ｗａｙ ｗａｓ ｔａｋｅｎ ａｓ ａｎ ｅｘａｍｐｌｅ． Ｈｏｒｉｚｏｎｔａｌ ｄｉｓｔａｎｃｅ，ｄｅｔｏｎａｔｏｒ ｓｅｇｍｅｎｔｓ ｎｕｍｂｅｒ，ｔｏｔａｌ ｃｈａｒｇｅ，ｍａｘｉｍｕｍ ｃｈａｒｇｅ ａｍｏｕｎｔ ｐｅｒ ｄｅｌａｙ，ｐｉｌｅ ｄｅｐｔｈ ａｎｄ ｂｕｒｓｔ ｃｅｎｔｅｒ ｄｉｓｔａｎｃｅ ｗｅｒｅ ｔａｋｅｎ ａｓ ｔｈｅ ｍａｉｎ ｆａｃｔｏｒ ｔｏ ｂｕｉｌｄ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｐｒｅｄｉｃｔｉｏｎ ｍｏｄｅｌ ｆｏｒ ｐｉｌｅ ｆｏｕｎｄａｔｉｏｎ ｂｌａｓｔｉｎｇ ｖｉｂｒａｔｉｏｎ，ｗｈｅｒｅ １５ ｓｅｔｓ ｏｆ ｄａｔａ ｔｅｓｔｅｄ ｉｎ ｔｈｅ ｆｉｌｅｄ ｗｅｒｅ ｕｓｅｄ ｔｏ ｔｒａｉｎ ｔｈｅ ｓｔｕｄｙ ｓａｍ- ｐｌｅｓ ａｎｄ ５ ｓｅｔｓ ｏｆ ｄａｔａ ｔｏ ｐｒｅｄｉｃｔ ｔｈｅ ｓａｍｐｌｅｓ，ａｎｄ ｔｈｅ ｐｒｅｄｉｃｔｅｄ ｒｅｓｕｌｔｓ ｗｉｔｈ ｔｈｅ Ｓａｄｏｖ′ｓ ｆｏｒｍｕｌａ ａｎｄ ｔｈｅ ｅｌｅｖａｔｉｏｎ ｃｏｒ- ｒｅｃｔｉｏｎ ｆｏｒｍｕｌａ ｗｅｒｅ ｃｏｍｐａｒｅｄ． Ｔｈｅ ｒｅｓｕｌｔ ｓｈｏｗｓ ｔｈａｔ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ａｎｄ Ｓａｄｏｖ′ｓ ｆｏｒｍｕｌａ ａｎｄ ｅｌｅｖａｔｉｏｎ ｃｏｒｒｅｃｔｉｏｎ ｆｏｒｍｕｌａ ｉｎ ｐｒｅｄｉｃｔｉｎｇ ｔｈｅ ａｖｅｒａｇｅ ｒｅｌａｔｉｖｅ ｅｒｒｏｒ ｉｓ ７． ９０％，２７． ６８％ ａｎｄ ２４． ３０％，ａｎｄ ｔｈｅ ｐｒｅｄｉｃｔｉｏｎ ａｃｃｕｒａｃｙ ｏｆ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｉｓ ７１．４３％ ａｎｄ ６７．４９％ ｈｉｇｈｅｒ ｔｈａｎ Ｓａｄｏｖ′ｓ ｆｏｒｍｕｌａ ａｎｄ ｅｌｅｖａｔｉｏｎ ｃｏｒｒｅｃｔｉｏｎ ｆｏｒｍｕｌａ ｒｅｓｐｅｃｔｉｖｅｌｙ． Ｋｅｙ ｗｏｒｄｓ ｂｒｉｄｇｅ ｐｉｌｅ ｆｏｕｎｄａｔｉｏｎ；ｂｌａｓｔｉｎｇ ｖｉｂｒａｔｉｏｎ；ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ；ｖｅｌｏｃｉｔｙ ｐｒｅｄｉｃｔｉｏｎ 收稿日期２０１８ －０１ －１３ 作者简介蒲传金（１９７９ －） ， 男， 四川射洪人， 西南科技大学环境与 资源学院副教授、 硕士， 主要从事工程爆破和矿山安全研 究， （Ｅ-ｍａｉｌ）ｐｕｃｈａｕｎｊｉｎ＠ ｓｉｎａ． ｃｏｍ。 基金项目四川省教育厅青年基金项目（ 项目编号１０ｚｄ１０１１） 爆破是桩基和隧道等工程常用开挖方式之一， 由于环境的复杂性， 爆破给岩土工程施工带来了极 大的便利， 同时爆破振动对周围建（构）筑物的影响 也越来越受到社会的关注［ １］。准确进行振动强度 预测对于降低其有害效应具有重要意义， 工程中常 万方数据 用的萨道夫斯基公式通常适合于平坦地形［ ２］， 对于 桩基等存在一定高差地形的预测精度较差。我国学 者采用ＢＰ神经网络对不同环境爆破振动速度进行 预测［ ３］， 陶挺等采用 ＢＰ神经网络模型对路基爆破 振动速度进行预测， 其预测精度相对于传统预测方 法提高２７％左右［ ４］； 唐海等采用 ＢＰ神经网络进行 核电工程爆破振动预测， 由于该方法全面考虑了影 响爆破振动的主要因素，预测结果更贴近实测振 速［ ５］； 申旭鹏等采用 ＢＰ神经网络对某铁矿爆破振 动进行预测［ ６］， 其预测平均相对误差为 ８． ４％， 远小 于萨道夫斯基公式预测的５９． ６％。因此，ＢＰ神经 网络方法进行爆破振动预测具有较好的应用前景。 以荣乌（山东荣成内蒙古乌海）高速公路河 北徐水至涞源段ＬＪＳＧ-７标红泉村３号大桥桩基爆 破为例， 以现场爆破振动监测为基础， 开展桩基爆破 振动速度的ＢＰ神经网络预测研究。 １ 工程概况及现场监测 荣乌高速徐水至涞源段红泉村３＃大桥位于河 北省保定市涞源县境内， 该桥跨越既有陕京天然气 管道， 共有桩基４０根， 其中在陕京天然气管道两侧 ５０ ｍ范围内桩基共２３根， 右幅３＃桥墩１号桩基距 离陕京天然气管道醉了最近， 仅５． ５ ｍ， 其位置分布 如图１所示。该桥桩基采用爆破开挖施工。为保障 爆破施工期间陕京天然气管道的安全， 需要严格控 制每次爆破振动强度。 图１ 桩基与陕京天然气管道位置关系（ 单位ｍ） Ｆｉｇ． １ Ｐｏｓｉｔｉｏｎ ｒｅｌａｔｉｏｎｓｈｉｐ ｂｅｔｗｅｅｎ ｐｉｌｅ ｆｏｕｎｄａｔｉｏｎ ａｎｄ Ｓｈａｎｘｉ-Ｂｅｉｊｉｎｇ ｎａｔｕｒａｌ ｇａｓ ｐｉｐｅｌｉｎｅ（ｕｎｉｔｍ） ２ ＢＰ神经网络模型及模型参数确定 ２． １ ＢＰ神经网络模型 人工神经网络（Ａｒｔｉｆｉｃｉａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ， 简称 ＡＮＮ） 是一种模仿大脑神经系统信息传输模式建立 的数学模型［ ７，８］， 包含 ＢＰ、ＲＢＦ、Ｈｏｐｆｉｅｌｄ等多种算法 模型， 其中，ＢＰ神经网络应用最广泛。 ＢＰ神经网络是一种多层前馈型网络， 图２是一 个典型的３层ＢＰ神经网络模型， 主要由输入层、 隐 含层和输出层三部分组成 输入层主要用来接收外 部输入的信息； 输出层用来输出预测结果， 并对结果 进行分析和权衡； 隐含层又称为隐层， 位于前两者之 间， 其数量可以为一层或者多层。ＢＰ神经网络属于 一种有导师（有监督）学习方法， 基本工作原理是 输入层接受外部输入信息后， 沿着隐含层和输出层 方向正常传播， 信息经过上述３层的逐层处理之后 得出预测输出， 然后权衡预测输出与期望输出之间 的偏差是否达到预期精度要求， 如未达到， 则将误差 进行反向传播来调整输入层到隐含层的权值Ｖ及 隐含层到输出层的权值Ｗ， 得出新的预测输出， 通 过误差信息的不断反馈及权值的不断调整， 使预测 输出和期望输出之间误差逐步减小， 直至达到预测 误差。 图２ ３层ＢＰ神经网络模型 Ｆｉｇ． ２ Ｔｈｅ ３-ｌａｙｅｒ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｍｏｄｅｌ ２． ２ 输入参数选取 采用ＢＰ神经网络方法可以综合考虑多种因素 来提高预测精度， 但是如果考虑所有因素将是一个 很庞大的网络工程， 这将给训练过程造成困难。因 此， 在选择输入参数时， 应选取主要因素。红泉村３＃ 大桥桩基爆破过程中， 炮孔直径、 深度、 炸药类型以 及各桩基地质条件变化不大， 因此在建立网络时可 忽略不计。根据文献［４-６，９］ ， 主要选取６个因素 作为输入参数 水平距离ｒ、 雷管分段数ｎ、 总装药量 Ｑ、 最大单段装药量ｑ、 桩基深度Ｈ和爆心距Ｒ。 ２． ３ 输出参数选取 将爆破振动速度作为输出参数。根据现场实际 情况， 在爆源较近区域垂向振动速度远大于径向振 速［ ９］， 通常情况下切向爆破振动分量很小［１０，１１］， 选 取垂向振速Ｖ作为输出参数。 ８７１爆 破 ２０１８年６月 万方数据 ２． ４ 网络模型确定 Ｋｏｌｍｏｇｏｒｏｖ定理表明［ １２］， 任意给定一个连续函 数ｆ ［０，１］ Ｎ→Ｒｍ，ｆ（ ｘ） ， 连续函数ｆ都可以用一个 三层的前向神经网络精确实现。因此采用三层网络 结构ＢＰ神经网络模型， 即网络由１个输入层、１个 隐含层和１个输出层组成。实现函数ｆ的神经网络 中， 输入层、 中间层和输出层分别对应有ｎ、２ｎ ＋１和 ｍ个神经元数目（ 处理单元） ， 本文输入参量为６个， 输出参量为１个， 则输入层和输出层对应的神经元 数目分别为６个和１个，隐含层神经元数目为 １３个。 综上可得， 确定采用６１３１的３层ＢＰ神 经单元模型。 ３ 基于ＢＰ神经网络模型的桥梁桩基 爆破振动预测 从红泉村３＃大桥左幅２ － １和右幅３ － ０两根 桩基（与陕京天然气管道距离分别为７． １ ｍ和 １０． ９ ｍ） 的现场监测所得的２０组数据（ 见表１） 中随 机抽取１５组作为训练样本（ 见表１） ， 另外５组作为 预测（ 检验） 样本（ 见表２） ， 同时以水平距离ｒ、 雷管 分段数ｎ、 总装药量Ｑ、 最大单段装药量ｑ、 桩基深度 Ｈ和爆心距Ｒ作为输入因子， 以垂向振速作为输出 因子。训练过程中采用ｔｒａｉｎｃｇｂ（Ｐｏｗｅｌｌ-Ｂｃａｌｅ共轭 梯度法） 函数， 输入层、 隐含层和输出层的激励函数 （ 传输函数）分别选用＇ｔａｎｓｉｇ＇，＇ｌｏｇｓｉｇ＇和＇ｐｕｒｅｌｉｎ＇函数， 训练目标ｇｏａｌ设定为１０ －３， 显示间隔ｓｈｏｗ设定为 ２， 训练过程仅用了７４次迭代就达到了精度的要求， 如图３所示。其训练结果和预测（ 检验）结果见表１ 和表２。 图３ 训练误差曲线图 Ｆｉｇ． ３ Ｔｈｅ ｃｕｒｖｅ ｏｆ ｔｈｅ ｔｒａｉｎｉｎｇ ｅｒｒｏｒ 表１ 训练（拟合）样本及训练（预测）结果 Ｔａｂｌｅ １ Ｔｈｅ ｔｒａｉｎｉｎｇ ｓａｍｐｌｅｓ ａｎｄ ｔｈｅ ｔｒａｉｎｉｎｇ ｒｅｓｕｌｔｓ 组别 ｒ／ ｍｎ 输入参数 Ｑ／ ｋｇｑ／ ｋｇＨ／ ｍＲ／ ｍ 实测结果／ （ｃｍｓ －１） 训练结果 ／（ｃｍｓ －１） １７． １７４． ５００． ９０１０． ５５１２． ７２２． ５３９２． ５３７ ２７． １７５． １００． ９０１１． ７５１３． ７３０． ８５２０． ８５１ ３７． １７５． ７００． ９４１３． ７５１５． ４７０． ８６４０． ８３９ ４７． １７５． ７００． ９８１４． ６０１６． ２３０． ８７６０． ９５７ ５７． １７５． ８５１． ０１１５． ００１６． ６０１． １７４１． １２７ ６７． １５５． ７８１． ８０１７． ６０１８． ９８０． ５８００． ５８９ ７７． １６６． ００１． ６１１８． １０１９． ４４０． ５４６０． ５３０ ８７． １７６． ６０１． ８０１８． ７５２０． ０５０． ４８９０． ５１２ ９１０． ９３３． ４５１． ３５１１． ８０１６． ０６１． ４６１１． ４７１ １０１０． ９５４． ２０１． ２０１３． ２０１７． １２０． ６１００． ６４８ １１１０． ９５４． ９５１． ５０１４． ００１７． ７４０． ７３３０． ６８１ １２１０． ９６６． ００１． ３５１５． ００１８． ５４０． ４８５０． ４９９ １３１０． ９６５． ８５１． ３５１６． １０１９． ４４０． ５８５０． ５９６ １４１０． ９７６． ６０１． ３５１７． ００２０． １９０． ７３２０． ７１２ １５１０． ９７６． ７５１． ３５１９． ３０２２． １７０． ６９７０． ６７９ 注ｒ为水平距离；ｎ为雷管分段数；Ｑ为总装药量；ｑ为最大单段装药量；Ｈ为桩基深度；Ｒ为爆心距。 ４ ＢＰ神经网络与萨道夫斯基公式预 测结果对比分析 ４． １ 萨道夫斯基公式预测分析 爆破安全规程 （ＧＢ ６７２２２０１４）采用萨道夫 斯基公式进行爆破振速预测［ １３］， 如式（ １） 所示 Ｖ ＝ Ｋ Ｑ １ ３ J Ｒ α （１） 式中Ｖ为质点峰值振动速度，ｃｍ／ ｓ；Ｒ为爆心 距，ｍ；Ｑ为装药量（ 齐发爆破时为总药量， 微差爆破 ９７１第３５卷 第２期 蒲传金， 郭王林， 秦晓星， 等 基于ＢＰ神经网络的桩基爆破振动速度预测 万方数据 时为最大单段药量） ，ｋｇ；Ｋ、α为与地质地形条件有关的系数和衰减指数。 表２ ＢＰ神经网络的预测样本及预测结果 Ｔａｂｌｅ ２ Ｔｈｅ ｔｅｓｔ ｓａｍｐｌｅｓ ａｎｄ ｔｈｅ ｐｒｅｄｉｃｔｉｏｎ ｒｅｓｕｌｔｓ ｏｆ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ 组别 ｒ／ ｍｎ 输入参数 Ｑ／ ｋｇｑ／ ｋｇＨ／ ｍＲ／ ｍ 实测结果／ （ｃｍｓ －１） 预测结果 ／（ｃｍｓ －１）相对误差／ ％ 平均相对 误差／ ％ １７． １８５． ５５０． ９４１２． ８０１４． ６４０． ８２１０． ８１６０． ６１ ２７． １５６． ００１． ３５１６． ２０１７． ６９０． ５５１０． ６０８１０． ３４ ３７． １７６． ９０１． ２０１９． ８０２１． ０３０． ５５３０． ５８１５． ０６７． ９０ ４１０． ９４３． ４５１． ２０１２． ５０１６． ５８１． ４１９１． ３１４７． ４０ ５１０． ９７６． ７５１． ３５１８． ３０２１． ３００． ５９１０． ６８６１６． ０７ 将表１中的１５组数据的最大单段装药量ｑ、 爆 心距Ｒ和实测振速用式（１） 进行拟合， 求出Ｋ、α值， 然后将预测样本中的最大单段装药量ｑ和爆心距Ｒ 带入即可得到预测的爆破振动速度， 得萨道夫斯基 公式的预测结果见表３。 表３ ＢＰ神经网络与经验公式预测结果对比 Ｔａｂｌｅ ３ Ｔｈｅ ｃｏｍｐａｒｉｓｏｎ ｏｆ ｔｈｅ ｒｅｓｕｌｔｓ ａｂｏｕｔ ｔｈｅ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ａｎｄ Ｅｍｐｉｒｉｃａｌ ｆｏｒｍｕｌａ ｐｒｅｄｉｃｔｉｏｎ 经验公式预测方法 萨道夫斯基公式 高程修正公式 ＢＰ神经网络预测方法 序号 实测 结果／ （ｃｍｓ －１）预测结果／ （ｃｍｓ －１） 误差／ ％ 平均 误差／ ％ 预测结果／ （ｃｍｓ －１） 误差／ ％ 平均 误差／ ％ 预测结果／ （ｃｍｓ －１） 误差／ ％ 平均 误差／ ％ １０． ８２１０． ９７２１８． ４５０． ９３９１４． ４３０． ８１６０． ６１ ２０． ５５１０． ８０９４６． ７９０． ７５８３７． ５８０． ６０８１０． ３４ ３０． ５５３０． ４５７１７． ３０２７． ６８０． ４３２２１． ８６２４． ３００． ５８１５． ０６７． ９０ ４１． ４１９０． ８６６３８． ９５０． ９６０３２． ３７１． ３１４７． ４０ ５０． ５９１０． ４９１１６． ９１０． ５０１１５． ２５０． ６８６１６． ０７ ４． ２ 高程修正公式预测分析 对于高差地形， 在萨道夫斯基公式的基础上增 加“ 高程差”这一影响因子能提高爆破振速的预测 进度［ １４，１５］。文献［ １４］中所提出了一种高程修正公 式， 如式（２） 所示 Ｖ ＝ Ｋ ３ 、Ｑ J Ｒ α ３ 、Ｑ J Ｈ β （２） 式中β为与高程相关的系数； 其他参数含义同 式（１） 。 采用最小二乘法， 将表２中的１５组数据的最大 单段装药量ｑ、 爆心距Ｒ、 高程差和实测振速用式 （２） 进行回归， 求出Ｋ、α和β值， 然后将预测样本中 的最大单段装药量ｑ、 爆心距Ｒ和高差Ｈ带入即可 得到预测的爆破振动速度， 高程修正公式的预测结 果见表３。 ４． ３ 对比分析 ＢＰ神经网络、 萨道夫斯基公式和高程修正公式 的预测结果见表３。ＢＰ神经网络、 萨道夫斯基公式 和高程修正公式预测的最大误差分别为１６． ０７％、 ４６． ７９％和３７． ５８％， 平均相对误差分别为７． ９０％、 ２７． ６８％和２４． ３０％，ＢＰ神经网络相对于萨道夫斯 基公式和高程修正公式预测精度分别提高７１． ４３％ 和６７． ４９％。预测结果对比如图４所示。 图４ 实测结果与预测结果对比图 Ｆｉｇ． ４ Ｔｈｅ ｃｏｍｐａｒｉｓｏｎ ｃｈａｒｔ ｏｆ ｔｈｅ ｍｅａｓｕｒｅｄ ｒｅｓｕｌｔｓ ａｎｄ ｔｈｅ ｐｒｅｄｉｃｔｉｏｎ ｒｅｓｕｌｔｓ ５ 结论 以水平距离ｒ、 雷管分段数ｎ、 总装药量Ｑ、 最大 单段装药量ｑ、 桩基深度Ｈ、 爆心距Ｒ为主要因素， 建立桩基爆破振动预测模型，用于桥梁桩基爆破振 ０８１爆 破 ２０１８年６月 万方数据 动预测的最大误差和平均误差分别为１６． ０７％和 ７． ９０％； 萨道夫斯基公式和高程修正公式的最大误 差分别为４６． ７９％和３７． ５８％， 平均相对误差分别为 ２７． ６８％、２４． ３０％；ＢＰ神经网络预测精度比萨道夫 斯基公式和高程修正公式分别提高１９． ７８％和 １６． ４０％。说明本文建立的桩基爆破振动速度ＢＰ 神经网络预测模型大大优于萨道夫斯基公式和高程 修正公式，ＢＰ神经网络预测模型用于桩基爆破振动 速度预测是可行的。 参考文献（Ｒｅｆｅｒｅｎｃｅｓ） ［１］ 李洪涛， 卢文波， 舒大强， 等．爆破地震波的能量衰减 规律研究［Ｊ］．岩石力学与工程学报，２０１０，２９（Ｓ１） ３３６４-３３６９． ［１］ ＬＩ Ｈｏｎｇ-ｔａｏ，ＬＵ Ｗｅｎ-ｂｏ，ＳＨＵ Ｄａ-ｑｉａｎｇ，ｅｔ ａｌ． Ｓｔｕｄｙ ｏｆ ｅｎｅｒｇｙ ａｔｔｅｎｕａｔｉｏｎ ｌａｗ ｏｆ ｂｌａｓｔ-ｉｎｄｕｃｅｄ ｓｅｉｓｍｉｃ ｗａｖｅ［Ｊ］． Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ｒｏｃｋ Ｍｅｃｈａｎｉｃｓ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ， ２０１０，２９（Ｓ１） ３３６４-３３６９．（ｉｎ Ｃｈｉｎｅｓｅ） ［２］ 张世雄， 杨明亮， 尹家国， 等．预测爆破波振动强度的 经验公式及其在采矿中的应用［Ｊ］．爆破，２０００， １７（３） １３-１７． ［２］ ＺＨＡＮＧ Ｓｈｉ-ｘｉｏｎｇ，ＹＡＮＧ Ｍｉｎｇ-ｌｉａｎｇ，ＹＩＮ Ｊｉａ-ｇｕｏ，ｅｔ ａｌ． Ａｎ ｅｍｐｉｒｉｃａｌ ｆｏｒｍｕｌａ ｏｆ ｃａｌｃｕｌａｔｉｎｇ ｔｈｅ ｖｉｂｒａｔｉｎｇ ｉｎｔｅｎｓｉｔｙ ｏｆ ｅｘｐｌｏｓｉｖｅ ｗａｖｅ ａｎｄ ｉｔｓ ａｐｐｌｉｃａｔｉｏｎ ｉｎ ｍｉｎｉｎｇ［Ｊ］． Ｂｌａｓ- ｔｉｎｇ，２０００，１７（３） １３-１７．（ｉｎ Ｃｈｉｎｅｓｅ） ［３］ ＳＨＩＭＳＨＯＮＩ Ｙ． Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ｓｅｉｓｍｉｃ ｓｉｇｎａｌｓ ｂｙ ｉｎｔｅ- ｇｒａｔｉｏｎ ｅｎｓｅｍｂｌｅｓ ｏｆ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ［Ｒ］． ＩＥＥＥ Ｔｒａｎｓａｃ- ｔｉｏｎｓ ｏｎ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ，１９９８，４６（５） １０９４-１１０１． ［４］ 陶 挺， 林从谋， 程李凯．爆破振动的ＢＰ神经网络预 测方法研究［Ｊ］．爆破，２０１１，１８（４） １０５-１０７． ［４］ ＴＡＯ Ｔｉｎｇ，ＬＩＮ Ｃｏｎｇ-ｍｏｕ，ＣＨＥＮＧ Ｌｉ-ｋａｉ． Ｐｒｅｄｉｃｔｉｏｎ ｍｅｔｈｏｄ ｒｅｓｅａｒｃｈ ｏｆ ｂｌａｓｔｉｎｇ ｖｉｂｒａｔｉｏｎ ｂａｓｅｄ ｏｎ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ［Ｊ］． Ｂｌａｓｔｉｎｇ，２０１１，１８（４） １０５-１０７．（ｉｎ Ｃｈｉ- ｎｅｓｅ） ［５］ 唐 海， 石永强， 李海波， 等．基于神经网络的爆破振 动速度峰值预报［Ｊ］．岩石力学与工程学报，２００７， ２６（Ｓ１） ３５３３-３５３９． ［５］ ＴＡＮＧ Ｈａｉ，ＳＨＩ Ｙｏｎｇ-ｑｉａｎｇ，ＬＩ Ｈａｉ-ｂｏ，ｅｔ ａｌ． Ｐｒｅｄｉｃｔｉｏｎ ｏｆ ｐｅａｋ ｖｅｌｏｃｉｔｙ ｏｆ ｂｌａｓｔｉｎｇ ｖｉｂｒａｔｉｏｎ ｂａｓｅｄ ｏｎ ｎｅｕｒａｌ ｎｅｔ- ｗｏｒｋ［Ｊ］． Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ｒｏｃｋ Ｍｅｃｈａｎｉｃｓ ａｎｄ Ｅｎｇｉ- ｎｅｅｒｉｎｇ，２００７，２６（Ｓ１） ３５３３-３５３９．（ｉｎ Ｃｈｉｎｅｓｅ） ［６］ 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，２０１３，３０（１） １２２-１２５． ［６］ ＳＨＥＮ Ｘｕ-ｐｅｎｇ，ＱＵ Ｓｈｉ-ｊｉｅ，ＷＡＮＧ Ｆｕ-ｙｕａｎ，ｅｔ ａｌ． Ｐｒｅ- ｄｉｃｔｉｏｎ ｏｆ ｂｌａｓｔｉｎｇ ｐｅａｋ ｐａｒｔｉｃｌｅ ｖｅｌｏｃｉｔｙ ｂｙ ＢＰ ｎｅｕｒａｌ ｎｅｔ- ｗｏｒｋ ｍｏｄｅｌ［Ｊ］． Ｂｌａｓｔｉｎｇ，２０１３，３０（１） １２２-１２５．（ｉｎ Ｃｈｉ- ｎｅｓｅ） ［７］ 蒋宗礼．人工神经网络导论［Ｍ］．北京 高等教育出版 社，２００１． ［８］ 李玉能， 马建军， 池恩安， 等．基于ＢＰ神经网络的高含 水岩石爆破震动参数预报［Ｊ］．爆破，２０１７，３４（２） ６８- ７３． ［８］ ＬＩ Ｙｕｎ-ｅｎｇ，ＭＡ Ｊｉａｎ-ｊｕｎ，ＣＨＩ Ｅｎ-ａｎ，ｅｔ ａｌ． Ｆｏｒｅｃａｓｔ ｏｆ ｂｌａｓｔｉｎｇ ｖｉｂｒａｔｉｏｎ ｐａｒａｍｅｔｅｒｓ ｉｎ ｈｉｇｈ ｗａｔｅｒ ｃｕｔ ｒｏｃｋ ｂａｓｅｄ ｏｎ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ［Ｊ］． Ｂｌａｓｔｉｎｇ，２０１７，３４（２） ６８-７３． （ｉｎ Ｃｈｉｎｅｓｅ） ［９］ 郭王林， 蒲传金， 肖定军， 等．桥梁桩基浅孔爆破近区 地震波传播特性及应用研究［Ｊ］．爆破，２０１４，３１（３） ９６-１０２． ［９］ ＧＵＯ Ｗａｎｇ-ｌｉｎ，ＰＵ Ｃｈｕａｎ-ｊｉｎ，ＸＩＡＯ Ｄｉｎｇ-ｊｕｎ，ｅｔ ａｌ． Ａｐ- ｐｌｉｃａｔｉｏｎ ｒｅｓｅａｒｃｈ ａｎｄ ｐｒｏｐａｇａｔｉｏｎ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｓｅｉｓ- ｍｉｃ ｗａｖｅ ｉｎｄｕｃｅｄ ｂｙ ｂｒｉｄｇｅ ｐｉｌｅ ｆｏｕｎｄａｔｉｏｎ ｂｌａｓｔｉｎｇ ｄｅｍ- ｏｌｉｔｉｏｎ［Ｊ］． Ｂｌａｓｔｉｎｇ，２０１４，３１（３） ９６-１０２．（ｉｎ Ｃｈｉｎｅｓｅ） ［１０］ 陈庆凯， 屠晓利， 李贵臣， 等．砂土层中爆破地震波传 播特性研究［Ｊ］．爆破器材，２００７，３６（２） ２９-３２． ［１０］ ＣＨＥＮ Ｑｉｎｇ-ｋａｉ，ＴＵ Ｘｉａｏ-ｌｉ，ＬＩ Ｇｕｉ-ｃｈｅｎ，ｅｔ ａｌ． Ｓｔｕｄｙ ｏｎ ｐｒｏｐａｇａｔｉｏｎ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｅｘｐｌｏｓｉｖｅ ｓｅｉｓｍｉｃ ｗａｖｅ ｉｎ ａｒｅｎａｃｅｏｕｓ ｓｏｉｌ［Ｊ］． Ｅｘｐｌｏｓｉｖｅ Ｍａｔｅｒｉａｌｓ，２００７，３６（２） ２９-３２．（ｉｎ Ｃｈｉｎｅｓｅ） ［１１］ 李玉民， 倪芝芳．地下工程开挖爆破的地面振动特征 ［Ｊ］．岩石力学与工程学报，１９９７，１６（３） ２７４-２７８． ［１１］ ＬＩ Ｙｕ-ｍｉｎ，Ｎｉ Ｚｈｉ-ｆａｎｇ． Ｔｈｅ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｎ ｓｕｒｆａｃｅ ｖｉｂｒａｔｉｏｎ ｏｆ ｂｌａｓｔｉｎｇ ｉｎ ｕｎｄｅｒｇｒｏｕｎｄ ｅｎｇｉｎｅｅｒｉｎｇ［Ｊ］． Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ｒｏｃｋ Ｍｅｃｈａｎｉｃｓ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ， １９９７，１６（３） ２７４-２７８．（ｉｎ Ｃｈｉｎｅｓｅ） ［１２］ 沈 蔚， 徐全军， 季茂荣， 等．中深孔爆破振动参数的 ＢＰ神经网络预报［Ｊ］．爆炸与冲击，２００２，２２（４） ３５３- ３５６． ［１２］ ＳＨＥＮ Ｗｅｉ，ＸＵ Ｑｕａｎ-ｊｕｎ，ＪＩ Ｍａｏ-ｒｏｎｇ，ｅｔ ａｌ． Ｕｓｉｎｇ ＢＰ ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｔｏ ｐｒｅｄｉｃｔ ｂｅｎｃｈ ｂｌａｓｔ ｖｉｂｒａｔｉｏｎ ｐａｒａｍｅｔｅｒｓ［Ｊ］． Ｅｘｐｌｏｓｉｏｎ ａｎｄ Ｓｈｏｃｋ Ｗａｖｅｓ，２００２， ２２（４） ３５３-３５６．（ｉｎ Ｃｈｉｎｅｓｅ） ［１３］ ＧＢ ６７２２２０１４爆破安全规程［Ｓ］．北京 中国标准出 版社，２０１４． ［１３］ ＧＢ ６７２２２０１４ Ｓａｆｅｔｙ ｒｅｇｕｌａｔｉｏｎ ｆｏｒ ｂｌａｓｔｉｎｇ［Ｓ］． Ｂｅｉ- ｊｉｎｇＣｈｉｎａ Ｓｔａｎｄａｒｄｓ Ｐｒｅｓｓ，２０１４．（ｉｎ Ｃｈｉｎｅｓｅ） ［１４］ 朱传统， 刘宏根， 梅锦煜．地震波参数沿边坡坡面传 播规律公式的选择［Ｊ］．爆破，１９８８，５（２） ３０-３１． ［１４］ ＺＨＵ Ｃｈｕａｎ-ｔｏｎｇ，ＬＩＵ Ｈｏｎｇ-ｇｅｎ，ＭＥＩ Ｊｉｎｇ-ｙｕ． Ｓｅｌｅｃｔｉｏｎ ｏｆ ｆｏｒｍｕｌａ ｏｎ ｐｒｏｐａｇａｔｉｏｎ ｏｆ ｔｈｅ ｐａｒａｍｅｔｅｒｓ ｏｆ ｅｘｐｌｏｓｉｖｅ ｓｅｉｓｍｉｃ ｗａｖｅ ａｌｏｎｇ ｓｌｏｐｅ［Ｊ］． Ｂｌａｓｔｉｎｇ，１９８８，５（２） ３０- ３１．（ｉｎ Ｃｈｉｎｅｓｅ） ［１５］ 宋光明， 陈寿如， 史秀志， 等．露天矿边坡爆破振动监 测与评价方法的研究［Ｊ］．有色金属（矿山部分） ， ２０００（４） ２４-２７． ［１５］ ＳＯＮＧ Ｇｕａｎｇ-ｍｉｎｇ，ＣＨＥＮ Ｓｈｏｕ-ｒｕ，ＳＨＩ Ｘｉｕ-ｚｈｉ，ｅｔ ａｌ． Ｍｏｎｉｔｏｒｉｎｇ ａｎｄ ｅｖａｌｕａｔｉｏｎ ｍｅｔｈｏｄｓ ｏｆ ｂｌａｓｔｉｎｇ ｖｉｂｒａｔｉｏｎ ｉｎ ｏｐｅｎ ｐｉｔ ｓｌｏｐｅ［Ｊ］． Ｎｏｕｆｅｒｒｏｕｓ Ｍｅｔａｌｓ（Ｍｉｎｉｎｇ Ｓｅｃ- ｔｉｏｎ） ，２０００（４） ２４-２７．（ｉｎ Ｃｈｉｎｅｓｅ） １８１第３５卷 第２期 蒲传金， 郭王林， 秦晓星， 等 基于ＢＰ神经网络的桩基爆破振动速度预测 万方数据