资源描述:
第35卷 第3期 2018年9月 爆 破 BLASTING Vol. 35 No. 3 Sep. 2018 doi10. 3963/ j. issn. 1001 -487X. 2018. 03. 025 基于ACOR-LSSVM算法的爆破振动速度预测* 郑皓文, 赵 根, 胡英国, 柴朝政 ( 长江水利委员会长江科学院水利部岩土力学与工程重点实验室, 武汉430010) 摘 要 由于工程地质条件复杂,传统的方法很难准确预测爆破振动速度。引入连续域蚁群算法( ACOR), 对最小二乘支持向量机(LS-SVM)进行参数优化, 构建连续域蚁群最小二乘法爆破振动速度预测模 型(ACOR-LSSVM)来提高预测精度。结合白鹤滩水电站左岸坝肩槽开挖过程中的40组爆破监测数据, 分别 采用ACOR-LSSVM、LS-SVM模型与萨氏公式进行爆破振动速度预测,三者的平均绝对相对误差分别为 3. 16%、10.07%、22. 96%。相比之下,ACOR-LSSVM模型预测精度更高, 泛化能力更强, 在爆破振动速度预 测中具有一定的理论意义和工程应用价值。 关键词 连续域蚁群算法;最小二乘支持向量机;坝肩槽开挖;爆破振动速度 中图分类号 TD235. 3 文献标识码 A 文章编号 1001 -487X(2018)03 -0154 -05 Blasting Vibration Velocity Prediction based on ACOR-LSSVM Algorithm ZHENG Hao-wen,ZHAO Gen,HU Ying-guo,CHAI Chao-zhen (Key Laboratory of Geotechnical Mechanics and Engineering of Ministry of Water Resources, Yangtze River Science Research Institute,Wuhan 430010,China) Abstract Due to the complex engineering geological conditions,it is difficult to accurately predict the blasting vibration velocity with the traditional s. In order to improve the prediction accuracy,the ant colony optimiza- tion for continuous domains algorithm was used to optimize the traditional least squares support vector machine mod- el,and blasting vibration velocity prediction model was established with ant colony continuous domains least squares support vector machine. Based on 40 groups of blasting monitoring data during the excavation for left bank abutment slot of Baihetan Hydropower Station,the blasting vibration velocity prediction was conducted respectively by using ACOR-LSSVM,LS-SVM and Sodev′s empirical ula. The average absolute relative error values of the three was 3. 16%,10.07% and 22. 96% respectively. In comparison,the ACOR-LSSVM model has higher prediction accuracy and stronger generalization ability,which has certain theoretical significance and engineering application value in blasting vibration velocity prediction. Key words Ant Colony for continuous domain algorithm;Least Squares Support Vector Machine;excavation for abutment slot;blasting vibration velocity 收稿日期2018 -05 -04 作者简介郑皓文(1993 -) , 男, 江苏连云港人, 硕士研究生, 从事水 利水电工程爆破方面的研究工作, (E-mail)haowen_zheng @163. com。 通讯作者赵根(1965 -) , 男, 江苏海门人, 长江科学院, 水利部岩土 力学与工程重点实验室, 教授级高级工程师, 从事爆破设 计、 咨询科研及安全评估工作,(E-mail)wuh_zhaogen@ 126. com。 基金项目国家自然科学青年基金项目(51609017) 随着水利水电工程建设的发展, 控制因爆破产 生的地震波对于保留岩体的损伤成为了确保工程质 量的关键要素之一。而爆破振动速度又是评判爆破 损伤的重要因素。因此准确的预测爆破振动速度, 可以有效地控制爆破地震波对保留岩体的影响, 对 确保工程质量有着重要的意义。 万方数据 为了将机器学习更好地运用于爆破工程, 许多 学者进行了大量研究, 史秀芝等将PCA-BP神经网 络模型应用到了岩石爆破平均粒径的预测中[ 1]; 蒲 传金等研究了BP神经网络在桩基爆破振动速度预 测中的应用[ 2]; 黄伟杰等探讨了运用 ACO-SVM来 预测桥梁基础群桩轴力的可行性[ 3]; 邵良杉等运用 LS-SVM预测模型研究露天采矿爆破振动对于民房 的破坏[ 4]。马晨阳等讨论了人工智能方法在地下 洞室群爆破振动速度预测中的应用[ 5];孙苗等将 PSO-LSSVM算法引入到地下储气库洞室群爆破振 动预测中[ 6]。在现有的研究中,还未出现利用 ACOR-LSSVM模型来预测爆破振动速度。 将连续域蚁群算法和最小二乘支持向量机相结 合, 构建连续域蚁群最小二乘法爆破振动速度预测 模型(ACOR-LSSVM) , 选取白鹤滩水电站左岸坝肩 槽爆破开挖过程中40组爆破振动监测数据和多项 现场勘查数据对爆破振动速度进行预测验证, 并引 用LS-SVM及萨氏公式进行比较[ 7]、 分析不同模型 的预测结果。研究表明,LS-SVM经过ACOR优化 后, 加快了迭代速度的同时, 提高了预测精度, 并解 决了LS-SVM无法客观选取关键参数的问题, 为复 杂地质条件下开挖爆破的振动安全问题提供了一个 更为准确、 有效的解决方法。 1 ACOR-LSSVM算法 1 . 1 连续域蚁群算法 连续域蚁群算法是在基本蚁群算法的基础上进 行改进[ 8,9], 使得连续函数的自变量可以通过离散 点来近似表示, 再把这些点构造成数层城市, 最后按 照特定的规则进行运算, 求得解答。除了拥有基本 蚁群算法的优点外, 该算法还可以处理连续优化问 题, 并且求解速度更快。 1. 2 最小二乘支持向量机 相对于SVM、LS-SVM的目标函数采用误差因 子的二次项, 并且约束条件也从原来的不等式约束 转变成了等式约束[ 10,11]。使 LS-SVM算法在确保 较高解的精度和稀疏性的同时, 降低了求解难度、 提 高了求解速度, 避免了因训练样本数目过大而对预 测结果产生影响, 适用于求解大规模问题。 1. 3 ACOR优化LS-SVM参数 LS-SVM预测模型的内核类型采用径向基函 数, 并通过连续域蚁群算法优化选取合适的正则化 参数γ(gam)和内核参数σ(sig2) 。先构造出由 2(i =2) 个分量组成的自变量, 每个分量都精确到小 数点后14(d =14)位, 则共构造出31层城市; 然后 对变量层进行分割, 接着配置蚁群算法的参数, 再初 始化蚂蚁的起点; 根据公式(1)选择每只蚂蚁接下 来要到达的城市 T(n,k)= arg max{τk ab} , 如果q < Qr St, { 否则 (1) 式中T(n,k)表示蚂蚁n在某一次循环中第k ( k∈ [2,d +2] ) 步所在的城市;τk ab表示k -1层城市 ( 十进制数为a) 与k层城市( 十进制数为b)之间残 存的信息量;q为随机数;Qr∈[0,1] , 用来表示伪随 机的概率;St用于确定在下一层中选择每一个城市 的概率。 然后按照式(2) , 采用遗传算法当中的轮盘赌 选择法进行下一层城市的选择 W(a,b)= τkab ∑ 9 x =0 τkax (2) 式中W(a,b) 为从k -1层中的a城市转移到k 层中的b城市的概率; 其余符号同前。 在局部更新残存信息后, 一次蚂蚁搜素结束。 接下来进行全局更新 第一步 按照式(3)对蚂蚁所选择的路径进行 解码, 得到蚂蚁n所代表的自变量值 xi(n)=∑ d+1 k =2 T(n,k) 101-k(3) 第二步 根据目标函数(式(4) ) , 按照式(5)计 算出蚂蚁n所代表的函数值, 并筛选出最小的那一 种情况 f(γ,σ)=∑ m s =1 yi-^yi y i 2 (4) nmin= arg min{f(γ,σ) }(5) 式中yi为第i样本的实测值; ^yi为第i样本的 预测值;m为训练样本总数;γ为x1(n) 、σ为 x2(n) 。 第三步 对筛选出的路径按照式(6)进行全局 更新 τkij←(1 - rho) τ k ij + Q f(min) (6) 式中i = T(nmin,k - 1) ;j = T(nmin,k) ; k∈ (d, d +2) ;rho为信息蒸发系数, 取0. 1;Q为信息素增 加强度系数, 取1。 至此一次循环结束。重复以上步骤, 直到达到 迭代次数或满足其他终止条件。 551第35卷 第3期 郑皓文, 赵 根, 胡英国, 等 基于ACOR-LSSVM算法的爆破振动速度预测 万方数据 1. 4 建立ACOR-LSSVM模型 依据连续域蚁群算法理论, 对LS-SVM预测模 型的关键参数进行优化, 构建出ACOR-LSSVM爆破 振动速度的预测模型, 如图1所示。 图1 ACOR-LSSVM预测模型计算流程 Fig. 1 ACOR-LSSVM predictive model calculation process 2 工程应用 2. 1 工程概况 白鹤滩水电站左岸坝肩槽开挖面岩性为杏仁玄 武岩、 角砾熔岩、 微晶玄武岩。揭露主要地质构造有 层内错动带、 断层及裂隙。基于现场施工环境复杂, 影响因素众多; 发挥机器学习的优势, 综合各个影响 因素, 把爆破参数等均考虑进去 孔径φ、 孔深L、 孔 斜G、 孔距W、 药卷直径D、 不耦合系数K、 最大单孔 药量Q、 堵塞长度H、 孔数M、 岩石波速μ、 爆心距S、 最大单响药量C。现将白鹤滩水电站左岸坝肩槽开 挖爆破工程中的实测参数40组列于表1, 其中1 ~ 34组作为模型的训练样本,35 ~40组作为模型的预 测样本。 在Matlab中编写ACOR-LSSVM程序,其中 ACOR算法的参数设置为 蚁群迭代次数为100, 蚂 蚁数为100,变量维度为2,搜索上下限为[0. 01, 300] ,alpha = 3,beta = 2,rho = 0. 1,Q = 1。通过 ACOR算法经过56次迭代得出优化参数γ(gam)= 213.949和内核参数σ(sig2)=18. 068, 并根据此参 数来预测爆破振动速度。 2. 2 模型预测结果 基于ACOR-LSSVM、LS-SVM及萨氏公式三个 爆破振动速度的预测模型, 分别进行预测, 结果见表 2和图2; 并计算得出ACOR-LSSVM、LS-SVM及萨 氏公式的平均绝对相对误差分别为3. 16%、 10.07%、22.96%。由图3可知,ACOR-LSSVM模型 的相对误差在-6. 92% ~6. 09%之间波动, 拟合度 最高;LS-SVM其次,波动范围为- 31. 93% ~ 22.22%; 而萨氏公式最差, 波动范围是-36.81% ~ 38. 57%。因此,ACOR-LSSVM模型预测的结果精 度更高, 误差绝对值控制在7%以内; 预测结果不会 出现较大偏差。 图2 各模型预测值与实测值对比图 Fig. 2 The comparison between predicted and measured values for each model 图3 各模型相对误差对比图 Fig. 3 The comparison of the relative error of each model 3 结论 (1) 首次构建了基于连续域蚁群最小二乘法的 爆破振动速度预测模型(ACOR-LSSVM) , 为爆破振 动速度预测提供了一种新方法。 (2)ACOR-LSSVM预测模型, 不仅克服了传统 预测方法只能考虑最大单段药量、 爆心距等少量爆 破参数的不足, 还将孔深、 孔斜、 堵塞长度、 不耦合系 数等多项参数加入到预测模型中, 使预测模型更符 合工程实际。 (3) 通过白鹤滩水电站左岸坝肩槽开挖爆破工 程实测数据与各模型预测值的对比分析,ACOR- LSSVM模型较其他模型的预测精度高、 误差小。 651爆 破 2018年9月 万方数据 表1 40组爆破实测数据 Table 1 40 groups of blasting measured data φ/ mmL/ mG/ W/ mD/ mmKQ/ kgH/ mM μ/ (ms -1) S/ mC/ kg V/ (cms -1) 19011. 4 59. 40. 70322. 814. 800. 511442453518. 403. 1 29011. 6 61. 30. 70322. 814. 600. 510342623918. 402. 9 39011. 5 61. 90. 70322. 814. 800. 59246842419. 205. 0 4764. 867. 31. 00253. 042. 850. 517139291911. 404. 1 59010. 9 69. 42. 75701. 2933. 00 2. 05441722766. 005. 7 6768. 865. 70. 60253. 042. 820. 517542031511. 103. 5 79010. 0 69. 22. 83701. 2930. 00 2. 06942622060. 005. 5 8909. 469. 52. 75701. 2930. 00 2. 06146843060. 005. 4 99011. 4 59. 40. 70322. 814. 801. 011442452018. 406. 7 10765. 067. 41. 80253. 043. 020. 518948741812. 103. 8 119012. 6 69. 70. 70322. 815. 301. 011437582221. 203. 6 129013. 0 64. 40. 70322. 815. 300. 57741722421. 204. 9 13904. 265. 91. 50701. 297. 901. 56443311015. 8010. 2 14904. 066. 11. 00323. 043. 161. 0154200349. 503. 7 15909. 159. 42. 50701. 2927. 00 1. 08342452054. 004. 0 16768. 767. 50. 60253. 042. 800. 517443491811. 203. 7 17768. 768. 40. 60253. 042. 800. 517443492611. 203. 2 18765. 064. 20. 60253. 043. 020. 518944114412. 101. 4 19904. 460. 61. 50701. 297. 451. 03843311014. 9024. 3 20904. 468. 51. 50701. 297. 451. 03843311514. 9018. 4 21768. 860. 30. 60253. 042. 820. 517542033511. 102. 4 22903. 268. 91. 80701. 2910. 75 2. 0743921010. 752. 0 23903. 269. 01. 80701. 2910. 75 2. 0743921510. 751. 8 24904. 960. 91. 20701. 2911. 40 2. 04143071511. 404. 5 25764. 868. 91. 00253. 042. 850. 517242511311. 404. 8 269010. 0 69. 22. 83701. 2930. 00 2. 04144883060. 005. 3 27904. 066. 91. 00323. 043. 161. 0154200419. 502. 8 28764. 763. 61. 80253. 042. 800. 516946931911. 204. 2 29764. 768. 51. 80253. 042. 800. 516946932811. 202. 5 309011. 6 60. 20. 70322. 814. 801. 58644882719. 205. 7 31909. 173. 32. 77701. 2927. 00 2. 08342452954. 005. 1 32903. 762. 11. 60701. 298. 301. 021647151015. 4414. 8 339011. 6 61. 30. 70322. 814. 600. 510342621918. 406. 7 34765. 068. 90. 60253. 043. 020. 518944111812. 103. 0 35903. 064. 81. 50701. 295. 801. 017442821011. 2014. 4 36765. 060. 81. 80253. 043. 020. 518948743512. 102. 1 379011. 4 59. 40. 70322. 814. 800. 511442451518. 408. 5 38905. 259. 71. 50701. 295. 401. 03444391016. 2025. 8 39905. 467. 80. 80323. 043. 501. 01541251010. 509. 3 40904. 068. 71. 00323. 043. 161. 0154200109. 509. 1 表2 各模型的预测结果对比 Table 2 The comparison of the prediction results of each model 序号 实测值 ACOR-LSSVM 预测值相对误差 LS-SVM 预测值相对误差 萨氏公式 预测值相对误差 3514. 414. 701 2. 09014. 323-0. 53813. 307-7. 591 362. 12. 064-1. 7092. 56722. 2231. 757-16. 323 378. 59. 018 6. 0918. 437-0. 7448. 956 5. 362 3825. 824. 015-6. 92017. 563-31. 92816. 302-36. 814 399. 39. 307 0. 0799. 072-2. 45112. 843 38. 094 409. 19. 287 2. 0538. 870-2. 53112. 155 33. 571 751第35卷 第3期 郑皓文, 赵 根, 胡英国, 等 基于ACOR-LSSVM算法的爆破振动速度预测 万方数据 参考文献(References) [1] 史秀志, 郭 霆, 尚雪义, 等.基于PCA-BP神经网络的 岩石爆破平均粒径预测[J].爆破,2016,33(2) 55-61. [1] SHI Xiu-zhi,GUO Ting,SHANG Xue-yi,et al. Prediction of mean particle size of rock blast on combination of PCA and BP neural networks[J]. Blasting,2016,33(2) 55- 61.(in Chinese) [2] 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[J].爆破,2018,35(2) 177-181. [2] PU Chuan-jin,GUO Wang-lin,QIN Xiao-xing,et al. Pre- diction of blasting vibration velocity of pile foundation based on BP neural network[J]. Blasting,2018,35(2) 177-181.(in Chinese) [3] 黄伟杰, 吴 叶, 陈志坚, 等.基于ACO-SVM的桥梁基 础群桩轴力预测[J].长江科学院报,2016,33(1) 121- 125. [3] HUANG Wei-jie,WU Ye,CHEN Zhi-jian,et al. Predic- tion on axial force of pile group in bridge foundation based on ACO-SVM[J]. Journal of Yangtze River Scientific Re- search Institute,2016,33(1) 121-125.(in Chinese) [4] 邵良杉, 白 媛, 邱云飞, 等.露天采矿爆破振动对民 房破坏的LS-SVM预测模型[J].煤炭学报,2012, 37(10) 1637-1642. [4] SHAO Liang-shan,BAI Yuan,QIU Yun-fei,et al. LS-SVM analysis model and its application for prediction residen- tial house′s damage against blasting vibration from open pit mining[J]. Journal of China Coal Society,2012, 37(10) 1637-1642.(in Chinese) [5] 马晨阳, 张汉斌, 袁 青, 等.基于人工智能方法的地 下洞室群爆破振动速度预测[J].爆破,2017,34(4) 12-16. [5] MA Chen-yang,ZHANG Han-bin,YUAN Qing,et al. Re- search of underground caverns blasting vibration velocity prediction based on artificial intelligence [J]. Blasting,2017,34(4) 12-16.(in Chinese) [6] 孙 苗, 吴 立, 袁 青.基于PSO-LSSVM算法的地下 储气库洞室群爆破振动预测[J].爆破,2017,34(3) 145-150. [6] SUN Miao,WU Li,YUAN Qing. Blasting vibration predic- tion of underground gas storage caverns based on PSO- LSSVM algorithmJ]. Blasting,2017,34(3) 145-150.(in Chinese) [7] 汪旭光.爆破设计与施工[M].北京 冶金工业出版 社,2013. [8] 陈 烨.用于连续函数优化的蚁群算法[J].四川大学 学报( 工程科学版) ,2004,36(6) 117-121. [8] CHEN Ye. Ant colony system for continuous function opti- mization[J]. Journal of Sichuan University(Engineering Science Edition) ,2004,36(6) 117-121.(in Chinese) [9] 段海滨.蚁群算法原理及其应用[M].北京 科学出版 社,2005. [10] 卢二伟, 史秀志, 陈佳耀.基于LS-SVR小样本容量的 爆破振动峰值速度预测研究[J].世界科技研究与发 展,2016,38(6) 1258-1261. [10] LU Er-wei,SHI Xiu-zhi,CHEN Jia-yao. Prediction re- search for blasting-vibration-peak-speed based on LS- SVR in small sample space[J]. World Sci-Tech R & D, 2016,38(6) 1258-1261.(in Chinese) [11] 阎 辉, 张学工, 李衍达.支持向量机与最小二乘法 的关系研究[J].清华大学学报(自然科学版) ,2001, 41(9) 77-80. [11] YAN Hui,ZHANG Xue-gong,LI Yan-da. Relation be- tween a support vector machine and the least square [J]. Journal of Tsinghua University(Science and Technology) ,2001,41(9) 77-80.(in Chinese) (上接第153页) [8] HOLMQUIST T J,JOHNSON G R. A computational con- stitutive model for glass subjected to large strains,high strain rates and high pressures[J]. Journal of Applied Mechanics,2011,78(5) 59-62. [9] POLANCO-LORIA M,HOPPERSTAD OS,BΦRVIK T,et al. Numerical predictions of ballistic limits for concrete slabs using a modified version of the HJC concrete mode [J]. International Journal of Impact Engineering,2008, 35(5) 290-303. [10] 任根茂, 吴 昊, 方 秦, 等.普通混凝土HJC本构模 型参数确定[J].振动与冲击,2016,35(18) 9-16. [10] REN Gen-mao,WU Hao,FANG Qin,et al. Determina- tions of HJC constitutive model parameters for normal strength concrete[J]. Journal of Vibration and Shock, 2016,35(18) 9-16. [11] 方 秦, 孔祥振, 吴 昊, 等.岩石Holmquist-Johnson- Cook模型参数的确定方法[J].工程力学,2014, 31(3) 197-204. [11] FANG Qin,KONG Xiang-zhen,WU Hao,et al. Determi- nation of Holmquist-Johnson-Cook constitutive model pa- rameters of rock[J]. Engineering Mechanics,2014, 31(3) 197-204.(in Chinese) 851爆 破 2018年9月 万方数据
展开阅读全文