基于BP神经网络的高含水岩石爆破震动参数预报.pdf

第３４卷 第２期 ２０１７年６月 爆 破 ＢＬＡＳＴＩＮＧ Ｖｏｌ． ３４ Ｎｏ． ２  Ｊｕｎ． ２０１７ ｄｏｉ１０． ３９６３／ ｊ． ｉｓｓｎ． １００１ －４８７Ｘ． ２０１７． ０２． ０１３ 基于ＢＰ神经网络的高含水岩石爆破震动参数预报 李玉能 １，２， 马建军１， 池恩安２， 陈永麟１ （１．武汉科技大学理学院， 武汉４３００８１；２．贵州新联爆破工程集团有限公司， 贵阳５５００００） 摘 要 运用现场试验震动监测得出水介质对高含水岩石爆破地震波传播规律的影响， 再结合ＢＰ神经网 络理论， 将水介质纳入网络模型， 建立爆破震动参数预报的ＢＰ神经网络模型。采用高含水岩石爆破现场监 测数据对网络模型进行训练。把训练达到最优后的预报结果与实测结果作对比， 发现ＢＰ神经网络模型预 报参数与实测值较为接近。 关键词 高含水岩石；ＢＰ神经网络；爆破震动；预报模型 中图分类号 ＴＤ２３５ 文献标识码 Ａ 文章编号 １００１ －４８７Ｘ（２０１７）０２ －００６８ －０６ Ｆｏｒｅｃａｓｔ ｏｆ Ｂｌａｓｔｉｎｇ Ｖｉｂｒａｔｉｏｎ Ｐａｒａｍｅｔｅｒｓ ｉｎ Ｈｉｇｈ Ｗａｔｅｒ Ｃｕｔ Ｒｏｃｋ ｂａｓｅｄ ｏｎ ＢＰ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ ＬＩ Ｙｕｎｅｎｇ１， ２， ＭＡ Ｊｉａｎｊｕｎ１，ＣＨＩ Ｅｎａｎ２，ＣＨＥＮ Ｙｏｎｇｌｉｎ１ （１． Ｃｏｌｌｅｇｅ ｏｆ Ｓｃｉｅｎｃｅ，Ｗｕｈａｎ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，Ｗｕｈａｎ ４３００８１，Ｃｈｉｎａ； ２． Ｇｕｉｚｈｏｕ Ｘｉｎｌｉａｎ Ｂｌａｓｔｉｎｇ Ｅｎｇｉｎｅｅｒｉｎｇ Ｇｒｏｕｐ Ｃｏ Ｌｔｄ，Ｇｕｉｙａｎｇ ５５００００，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ Ｔｈｅ ｉｎｆｌｕｅｎｃｅ ｏｆ ｗａｔｅｒ ｍｅｄｉｕｍ ｏｎ ｔｈｅ ｐｒｏｐａｇａｔｉｏｎ ｌａｗ ｏｆ ｂｌａｓｔｉｎｇ ｖｉｂｒａｔｉｏｎ ｉｎ ｈｉｇｈ ｗａｔｅｒ ｃｕｔ ｒｏｃｋ ｉｓ ｓｔｕｄｉｅｄ ｂｙ ｖｉｂｒａｔｉｏｎ ｍｏｎｉｔｏｒｉｎｇ ｉｎ ｆｉｅｌｄ ｔｅｓｔ． Ｃｏｍｂｉｎｉｎｇ ｗｉｔｈ ｔｈｅ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｔｈｅｏｒｙ，ｔｈｅ ｗａｔｅｒ ｍｅｄｉｕｍ ｉｓ ｉｎｃｏｒ ｐｏｒａｔｅｄ ｉｎｔｏ ｔｈｅ ｎｅｔｗｏｒｋ ｍｏｄｅｌ ｔｏ ｅｓｔａｂｌｉｓｈ ｔｈｅ ｂｌａｓｔｉｎｇ ｖｉｂｒａｔｉｏｎ ｐａｒａｍｅｔｅｒ ｆｏｒｅｃａｓｔｉｎｇ ｍｏｄｅｌ． Ｔｈｅ ｎｅｔｗｏｒｋ ｍｏｄｅｌ ｉｓ ｔｒａｉｎｅｄ ｂｙ ｕｓｉｎｇ ｓｉｔｅ ｍｏｎｉｔｏｒｉｎｇ ｄａｔａ ｏｆ ｈｉｇｈ ｗａｔｅｒ ｃｕｔ ｒｏｃｋ ｂｌａｓｔｉｎｇ． Ｔｈｅ ｏｐｔｉｍｕｍ ｒｅｓｕｌｔｓ ｏｆ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｍｏｄｅｌ ａｆｔｅｒ ｔｒａｉｎｉｎｇ ａｒｅ ｃｏｍｐａｒｅｄ ｗｉｔｈ ｔｈｅ ｍｅａｓｕｒｅｄ ｄａｔａ． Ｉｔ ｉｓ ｆｏｕｎｄ ｔｈａｔ ｔｈｅ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｍｏｄｅｌ ｉｓ ｃｌｏｓｅ ｔｏ ｔｈｅ ｍｅａｓ ｕｒｅｄ ｖａｌｕｅ，ｗｈｉｃｈ ｉｓ ｉｎｓｔｒｕｃｔｉｖｅ ｆｏｒ ｓｕｃｈ ｅｎｇｉｎｅｅｒｉｎｇ ｂｌａｓｔｉｎｇ． Ｋｅｙ ｗｏｒｄｓ ｈｉｇｈ ｗａｔｅｒ ｃｕｔ ｒｏｃｋ；ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ；ｂｌａｓｔｉｎｇ ｖｉｂｒａｔｉｏｎ；ｆｏｒｅｃａｓｔｉｎｇ ｍｏｄｅｌ 收稿日期２０１７ －０１ －２８ 作者简介李玉能（１９９０ －） ， 男， 武汉科技大学硕士生， 爆破工程， （Ｅｍａｉｌ）１０９０１３１００２＠ ｑｑ． ｃｏｍ。 通讯作者马建军（１９５７ －） ， 男， 武汉科技大学教授、 博士生导师， 控 制爆破， （Ｅｍａｉｌ）ｗｋｄｍｊｊ＠１６３． ｃｏｍ。 基金项目黔科合支撑［２０１６］２３１２ 随着国民经济的快速发展， 爆破作为基础工程 重要手段， 被广泛应用于各个领域。但是大规模、 频 繁的爆破必将给周边环境带来安全隐患。特别是严 峻环境下施爆， 安全爆破显得尤为重要。贵州地处 高原地带， 山多交通不发达， 山体多属典型的喀斯特 地貌， 以石灰岩为主。由于生态环境、 植被保护较 好， 常年降雨量较大， 使得山体长期处于饱水性， 岩 石受到雨水、 地下水的侵蚀， 节理、 裂隙、 岩溶发育， 缝隙富存流动水， 而成为高含水岩体。针对这一类 岩体爆破时， 由于水介质的特殊性质， 使得地震波在 多相介质中传播规律更加复杂。利用传统的经验公 式进行预报时， 往往与实际监测不符， 出现错报、 误 报现象。 人工神经网络是近几年发展起来的一门新型的 交叉学科， 为爆破震动预报提出了一种新的理念。大 量学者运用ＢＰ神经网络原理［ １４］， 建立相应的神经 网络模型， 并采集大量实测数据对模型进行训练， 所 得预测结果比传统经验公式更加准确， 对实际施工也 更具指导意义。在前人的基础上， 把岩石含水这一特 万方数据 性纳入神经网络模型中， 对高含水岩石爆破震动峰值 速度、 震动频率、 持续时间三大参数预报进行研究。 １ 高含水岩石爆破震动影响因素确定 高含水岩石爆破震动影响因素较一般岩石爆破 更为复杂， 此类爆破除了受一般岩石爆破的所有影 响因素以外， 还受水介质的影响。但是， 爆破震动波 在岩质和水的不规则交替变换路径上传播， 应遵循 何种传播与衰减规律 为了进一步了解水介质是如何影响地震波的传 播规律， 在贵州贵安新区某含水岩石爆破项目选取 安全地块进行现场实验。在相同地质结构取两个干 孔、 两个水孔（提出钻杆炮孔就含水， 非天然雨水） 炮孔孔网参数相同 孔深６ ｍ， 孔径１１５ ｍｍ， 填塞长 度为２． ８ ｍ； 干孔每孔装药量为２４ ｋｇ， 水孔每孔装 药量为１６ ｋｇ； 两组炮孔之间分别以３段、１３段延时 导爆管连接； 在炮孔中垂线的两端分别设置测点一、 测点二， 如图１所示。 图１ 现场实验布置 Ｆｉｇ． １ Ｆｉｅｌｄ ｅｘｐｅｒｉｍｅｎｔ ａｒｒａｎｇｅｍｅｎｔ 检测结果表明１６ ｋｇ药量的水孔较２４ ｋｇ药量 的干孔振动峰值略大。从震动波形图（如图２所 示） 可以看出 波形一共出现两次波峰， 在约０． ０３ ｓ 时第一次出现的振速峰值为水孔爆破震动峰值， 约 ０．６５ ｓ时第二次出现的振速峰值为干孔爆破震动峰 值。第一次震动从开始到峰值再到衰减最后趋于平 静持续时间较第二次要长。因此， 水介质的存在使 得爆炸能量利用率更高， 爆破地震波衰减更为缓慢。 图２ 振动监测波形图 Ｆｉｇ． ２ Ｗａｖｅｆｏｒｍ ｆｉｇｕｒｅ ｏｆ ｖｉｂｒａｔｉｏｎ ｍｏｎｉｔｏｒｉｎｇ 因此， 水介质对高含水岩石爆破地震波的影响 是不可忽略的， 在ＢＰ神经网络模型建立时， 水介质 因素必然要纳入模型。 ２ ＢＰ神经网络模型的建立 ２． １ ＢＰ神经网络理论 ＢＰ神经网络是一种多层前馈神经网络， 主要特 点是信号向前传递， 误差反向传播［ ５，６］， 即计算实际 输出时按从输入到输出的方向进行， 而权值和阈值 的修正从输出到输入的方向进行。一个典型的３层 前馈ＢＰ神经网络学习算法结构如图３所示，３层分 别为输入层、 隐含层、 输出层。网络训练过程主要是 通过信息向前传递， 修正权值和阈值， 进行反馈训 练， 直至输出的总误差小于期望误差， 使网络的传递 ９６第３４卷 第２期 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 万方数据 函数达到最优化［ ７］。 图３ ＢＰ网络结构 Ｆｉｇ． ３ Ｓｔｒｕｃｔｕｒｅ ｏｆ ＢＰ ｎｅｔｗｏｒｋ ３层网络中，ｘｉ为输入节点，ｗｉｊ表示隐含层与输 入层之间的权值， 阈值θｉ；（ｘ）表示隐含层的激励 函数；ｗｋｉ表示输出层与隐含层之间的权值，ａｋ阈值； ψ（ｘ） 表示输出层的激励函数；ｏ（ｋ） 表示输出层输出 节点。 ＢＰ神经网络的输入输出的计算如下 隐含层第ｉ个节点的输入ｎｅｔｉ ｎｅｔｉ＝∑ Ｍ ｊ ＝１ ｗｉｊｘｊ ＋ θ ｉ （１） 隐含层第ｉ个节点的输出ｙｉ ｙｉ＝ （ｎｅｔｉ）＝  ∑ Ｍ ｊ ＝１ ｗｉｊｘｊ ＋ θ ｉ （２） 输出层第ｋ个节点的输入ｎｅｔｋ ｎｅｔｋ＝∑ ｑ ｉ ＝１ ｗｋｉｙｉ＋ ａｋ＝∑ ｑ ｉ ＝１ ｗｋｉ ∑ Ｍ ｊ ＝１ ｗｉｊｘｊ ＋ θ ｉ ＋ ａｋ （３） 输出层第ｋ个节点的输出ｏｋ ｏｋ＝ ψ（ｎｅｔｉ）＝ ψ ∑ ｑ ｉ ＝１ ｗｋｉｙｉ＋ ａ ｋ ＝ ψ ∑ ｑ ｉ ＝１ ｗｋｉ ∑ ｑ ｊ ＝１ ｗｉｊｘｊ ＋ θ ｉ ＋ ａ[] ｋ （４） 输出节点的总误差Ｅ Ｅ ＝ １ ２ ∑ ｐ ｐ ＝１ ∑ ｌ ｋ ＝１ （Ｔｐ ｋ － ｏｐ ｋ） ２ （５） ２． ２ ＢＰ神经网络模型建立 建立高含水岩石爆破震动预报的ＢＰ神经网络 模型时， 将高含水岩石条件下影响爆破震动的因素 设置为网络模型的输入层， 需要预报的爆破参数设 置为输出层， 模型的输入层与输出层之间合理设置 隐含层。 （１） 输入层节点确定 对于高含水岩石爆破来说， 影响爆破震动的因 素很多， 主要归结为 爆源因素和介质因素两类。 爆源因素对震动参数起着决定性的影响， 如爆 破炸药量、 药包位置、 起爆时间等［ ８］。目前随着高 精度延时雷管发展及应用， 为了减小爆破震动， 炮孔 之间都使用延期雷管连接， 合理的控制了单次起爆 的药量。因此， 炸药量主要考虑距离测点（或被保 护对象） 最近单段起爆药量、 单段起爆最大药量、 单 次起爆总药量； 药包位置主要考虑最近单段起爆药 包距离、 最大单段起爆药包距离； 起爆时间主要考虑 孔间延期时间、 最近单段起爆药包起爆时间、 最大单 段起爆药包起爆时间、 单次起爆传爆总时间。 介质因素直接影响地震波的传播规律。由于高 含水岩石爆破中地震波传播介质为多相介质（岩 石、 水、 空气、 其他杂质） ， 因此， 此类爆破传播介质 较为复杂。再加上多相介质的特性、 内部构造较为 复杂， 很难对岩石含水量做出定量。为了方便， 以炮 孔含水量（ 提出钻杆炮孔就含水， 非天然雨水）作为 岩石含水定量标准。介质因素主要考虑 最近孔装 药前水深、 最近孔装药后水深、 最大装药孔装药前水 深、 最大装药孔装药后水深、 单次起爆所有孔装药前 平均水深、 单次起爆所有孔装药后平均水深。 综上所述， 网络模型的输入层节点由最近单段 起爆药量ｑ１、 单段起爆最大药量ｑ２、 单次起爆总药 量Ｑ、 最近单段起爆药包距离Ｌ１、 最大单段起爆药包 距离Ｌ２、 孔间延期时间ｔ、 最近单段起爆药包起爆时 间ｔ１、 最大单段起爆药包起爆时间ｔ２、 单次起爆传爆 总时间Ｔ、 最近孔装药前水深ｈ１、 最近孔装药后水深 ｈ２、 最大装药孔装药前水深ｈ３、 最大装药孔装药后水 深ｈ４、 单次起爆所有孔装药前平均水深ｈ５、 单次起 爆所有孔装药后平均水深ｈ６共１５个节点组成。 （２） 输出层节点确定 传统的经验公式和以往的大量研究都以震动速 度峰值作为安全评价指标。如今， 由于爆破领域不 断扩展、 施工环境更为严峻， 使得大批学者对振动安 全评价指标做进一步研究， 几乎一致认为单一以振 速峰值来评判振动安全问题是存在较大误差的。大 量研究结果表明 运用震动速度、 频率、 持续时间等 综合指标来衡量震动安全， 远比振速峰值这单一指 标更加合理、 准确。 因此， 建立ＢＰ网络时， 输出层由震动速度峰值 ｖ、 震动主频ｆ、 单次震动持续时间ｔ共３个节点组成。 （３） 隐含层节点确定 在一定范围内， 用含有１个隐含层的ＢＰ网络 可以完成任意ｎ维到ｍ维的映射［ ５］。因此， 网络模 型采用１个隐含层。隐含层节点数的选取直接影响 ０７爆 破 ２０１７年６月 万方数据 网络的训练结果。节点数越多， 网络的预报效果越 好， 但是， 隐层节点数过多， 就会大大增加模型的计 算量， 严重影响网络的收敛速度［ ９］。因此， 合理选 取隐含层节点数至关重要。 目前， 隐含层节点数没有理论上的计算公式， 只 能根据经验公式来选取［ ５］。常用的经验公式有 ｎ ＝ ２ｍ ＋ １（６） 式中ｎ为隐层节点数；ｍ为输入层节点数。 因此， 建立ＢＰ网络模型时， 隐含层节点数根据 公式（６） 计算为３１个。 ３ ＢＰ神经网络模型的训练及运用 ３． １ ＢＰ神经网络模型的训练 网络模型构成以后， 运用现场监测数据作为训 练样本对网络训练。将数据进行归一化处理后输入 网络， 输入层使用ｌｏｇｓｉｇ函数， 隐含层的传递函数选 择双曲正切Ｓ型非线性函数ｔａｎｓｉｇ。网络训练时允 许最大训练迭代步数为１００００次， 模型的训练目标 误差为０． ００１。模型的核心算法如下 ｎｅｔ ＝ ｎｅｗｆｆ（ｍｉｎｍａｘ（Ｐ） ， ［１５，３１，３］ ， ｛ ‘ｌｏｇｓｉｇ’ ， ‘ｔａｎｓｉｇ’ ， ‘ｐｕｒｅｌｉｎ’ ｝ ， ‘ｔｒａｉｎｌｍ’ ） ； Ｎｅｔ． ｔｒａｉｎＰａｒａｍ． ｅｐｏｃｈｓ ＝ １００００； ｎｅｔ． ｔｒａｉｎＰａｒａｍ． ｇｏａｌ ＝０． ００１； ［ｎｅｔ，ｔｒ］＝ ｔｒａｉｎ（ｎｅｔ，ｐ１，ｔ１） ； 贵安新区高铁站站房平场项目（岩石含水量较 高） 爆破施工时， 对附近还未通车的高铁站部分已 修建的站房进行振动监测， 监测过程中依据模型建 立时确定的参数收集整理其中２５套数据， 如表１所 示。其中， 前２０套数据用于训练网络， 经过６００次 迭代后， 如图４， 模型精度达到要求， 网络模型的连 接权值确定， 可以对同类型的数据开始预测。 图４ 训练函数随训练次数的收敛曲线 Ｆｉｇ． ４ Ｃｏｎｖｅｒｇｅｎｃｅ ｃｕｒｖｅ ｏｆ ｔｈｅ ｔｒａｉｎｉｎｇ ｆｕｎｃｔｉｏｎ ｆｏｌｌｏｗｉｎｇ ｔｈｅ ｔｒａｉｎｉｎｇ ｔｉｍｅ ３． ２ 网络模型应用结果分析 按照建立网络模型时输入层的要求， 将数据样 本表１中后面５组数据（ 模型训练以为的５组数据） 输入已经训练好的ＢＰ模型中， 得到的预报结果见 表２。 运用数据样本表１中前２０组数据对目前使用 最为广泛的萨道夫斯基经验公式进行线性回归分 析， 拟合出与爆破点至保护对象间的地形、 地质条件 有关的系数和衰减指数Ｋ、α值。同样对数据样表１ 中后面五组数据进行预测， 所得结果见表２。 通过对比表２中结果可知 （１）ＢＰ神经网络预 报参数更为广泛， 可以同时预报所需的多个相关参 数， 经验公式预报参数较为单一， 只能单一输出振速 峰值。（２） 相比较而言，ＢＰ神经网络模型预报结果 误差更小， 振速最大相对误差为１４． ７６％， 平均相对 误差为６． ８９％； 主频率最大相对误差为２５． ２２％， 平 均相对误差为１１． ５％； 震动持续时间最大相对误差 为１０． １％， 平均相对误差为８． ２７％。而经验公式预 报结果相对误差较大， 最大误差高达６５． ７％， 平均 相对误差达到４６． ２１％。 ４ 结论 通过对高含水岩石爆破震动参数预报研究， 得 出以下结论 通过现场实验， 对震动监测数据分析， 结果表 明 水介质对爆破振动的传播规律具有较大影响， 由 于水介质的存在， 爆破地震波持续时间较长， 衰减速 度较为平缓。 爆破地震波影响因素很多， 且各因素之间关系 十分复杂， 传统的经验公式难于满足这种复杂多变 的实际情况。但是神经网络的自学习和自适应性， 使得网络能够自动调整结构参数， 改变映射关系， 根 据特定的输入得出相应的预期输出， 很好的解决振 动预报问题。通过与实测值对比 传统经验公式预 报结果平均误差为，ＢＰ神经网络预报结果平均误 差为。 在本次预报神经网络模型建立时， 仅以炮孔含 水量作为岩石含水情况的定量标准， 纳入网络模型 中。并未把岩石本身的地质条件、 内部含水情况， 如 含水量、 水介分布情况等因素纳入网络模型， 对模型 的精度还有一定影响， 导致预报结果仍然存在一定 偏差。因此， 在以后的研究中应重点对这方面做进 一步探索。 １７第３４卷 第２期 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 万方数据 表１ 模型训练与检验数据样本 Ｔａｂｌｅ １ Ｔｈｅ ｔｒａｉｎｉｎｇ ｓａｍｐｌｅｓ ａｎｄ ｔｈｅ ｓａｍｐｌｅｓ ｏｆ ｍｏｄｅｌ 序号 药量因素 位置因素 水介质因素 时间因素 输出目标 ｑ１／ ｋｇ ｑ２／ ｋｇ Ｑ／ ｔ Ｌ１／ ｍ Ｌ２／ ｍ ｈ１／ ｍ ｈ２／ ｍ ｈ３／ ｍ ｈ４／ ｍ ｈ５／ ｍ ｈ６／ ｍ ｔ／ ｍｓ ｔ１／ ｍｓ ｔ２／ ｍｓ Ｔ／ ｍｓ ｖ／ （ｃｍｓ －１） ｆ／ Ｈｚ ｔ／ ｓ １３２５２２．８７０．００７６．００４．５５．５６．００ ６．００４．８６．００５０４００５００５５０２．０１２２３．８５９１．６０ ２１４５２２．８８７．００８１．５０４．５５．５４．５０ ６．００４．８６．００５０２５０５００５５０１．５２６４２．７２７１．６４ ３３０５２２．８６９．００７４．００５．０５．５５．５０ ６．００４．８６．００５０１５０５００５５０２．２０３２８．１００１．５８ ４４８４８２．６８３．３０８６．００６．０６．０６．００ ７．５０３．４５．００５０３５０４５０５００１．４３２５３．４２０１．４８ ５４５４８２．６８７．６０９０．００３．５４．５６．００ ７．５０３．４５．００５０５０４５０５００２．００７３０．１２１１．５６ ６２９４８２．６６１．００１２０．００２．５３．８６．００ ７．５０３．４５．００５０１５０４５０５００１．４６４５９．８７０１．６２ ７７８９２３．６６０．１０７５．１０４．５７．８５．３０ ８．６０４．６７．２０５０２００３５０４００１．６６３４１．６６７１．８９ ８６８９２３．６７３．６０８０．００４．１６．９５．３０ ８．６０４．６７．２０５０５０３５０４００１．４３２３０．３２４１．９０ ９８４９２３．６１０５．６０１１９．００３．８６．４５．３０ ８．６０４．６７．２０５００３５０４００１．３５６６８．５４７２．０２ １０８８９８５．０１０２．６０９８．５０３．７６．２４．３０ ８．２０４．６７．４０５０１５０２５０４５０１．１３２５０．１０３１．３３ １１８２９８５．０８９．４７９２．３０４．８７．５４．３０ ８．２０４．６７．４０５０３００２５０４５０１．０７７２８．４５０１．２３ １２７８９８５．０１１７．３０１０５．００５．２９．２４．３０ ８．２０４．６７．４０５０１５０２５０４５０１．２４６４０．４２６１．２８ １３８０８６３．４７２．６０９６．６０４．１７．２３．８０ ６．８０４．０６．４５５００２５０４００１．２０３５６．４８１１．４２ １４７８８６３．４９８．６０８６．６０３．８６．４３．８０ ６．８０４．０６．４５５０２００２５０４００１．０９３３０．６８３１．６０ １５６４８６３．４８６．４０１００．００３．６６．４３．８０ ６．８０４．０６．４５５０１５０２５０４０００．９４７２８．６６１１．５８ １６４５５８３．３８４．５０７８．２０４．０６．０３．６０ ５．２０３．６５．００５０１００１５０４５００．９８４４９．０４５１．７３ １７３０５８３．３６７．８０８６．５０３．８４．６３．６０ ５．２０３．６５．００５００１５０４５０１．３０２３５．７１４１．６７ １８２４５８３．３８２．３０９８．５０２．６３．４３．６０ ５．２０３．６５．００５０５０１５０４５００．６８４６２．３４０１．４６ １９５３８８３．６９８．０４８３．２８３．７７．６４．２０ ８．００４．５７．６５５０１５０２００４００１．６８７２８．４７３１．５８ ２０６８８８３．６６８．９８９８．４８４．８８．０４．２０ ８．００４．５７．６５５０５０２００４００１．０２８５０．０４１１．８７ ２１５８８８３．６８４．５６９８．４３３．６７．３４．２０ ８．００４．５７．６５５０１００２００４００１．７５６３９．４６２１．９０ ２２２８５６３．２６４．８９９５．８７２．５４．９３．２０ ６．００２．５５．６５００２５０５００１．９８７６０．６８０１．８８ ２３４３５６３．２７２．８９９０．２４２．３４．５３．２０ ６．００２．５５．６５０１５０２５０５００２．０３０３２．３４０１．５８ ２４３２４８４．４１０２．００１００．６０３．２４．５３．１５ ５．６５３．２５．３５５００３５０５５０１．４８０５１．４６５２．０６ ２５２６４８４．４９８．２３１２２．４０２．８５．１３．１５ ５．６５３．２５．３５５０２５０３５０５５０１．６５０２９．６８０１．９４ 表２ 实测结果与预报结果作对比 Ｔａｂｌｅ ２ Ｃｏｍｐａｒｉｓｏｎ ｂｅｔｗｅｅｎ ｔｈｅ ａｃｔｕａｌ ｒｅｓｕｌｔｓ ａｎｄ ｔｈｅ ｆｏｒｅｃａｓｔ ｒｅｓｕｌｔｓ 序号 实测值 ＢＰ神经网络预报值 经验公式预测值 ｖ／ （ｃｍｓ －１） ｆ／ Ｈｚ ｔ／ ｓ ｖ／ （ｃｍｓ －１） ｅｙ／ ％ ｆ／ Ｈｚ ｅｆ／ ％ ｔ／ ｓ ｅｔ／ ％ ｖ／ （ｃｍｓ －１） ｅｖ／ ％ １１． ７５６３９． ４６２１． ９０１． ８３４０４． ４０３３． ６２８１４． ７８２． ０６８． ３９０． ９８２４４４． ０５ ２１． ９８７６０． ６８０１． ８８１． ６９３７１４． ７６３０． ３３８１． １２１． ７５６． ７２０． ６８１４６５． ７０ ３２． ０３０３２． ３４０１． ５８１． ９６０１３． ４４５５． ９５７７． ７８１． ４８６． ２９２． ３６７５１６． ６２ ４１． ４８０５１． ４６５２． ０６１． ４１６４４． ３０３８． ７５７８． ６０１． ８５１０． １００． ５０８４６５． ６５ ５１． ６５０２９． ６８０１． ９４１． ５２７２７． ４４３８． ４８３２５． ２２１． ７５９． ８４２． ２９３７３９． ０１ 参考文献（Ｒｅｆｅｒｅｎｃｅｓ） ［１］ 夏梦会， 董香山， 张力民， 等．神经网络模型在爆破振 动强度预测中的应用研究［Ｊ］．有色金属，２００４， ３（５６） ２５２７． ［１］ ＸＩＡ Ｍｅｎｇｈｕｉ，ＤＯＮＧ Ｘｉａｎｇｓｈａｎ，ＺＨＡＮＧ Ｌｉｍｉｎ． Ｔｏ ｓｔｕｄｙ ｏｎ ａｐｐｌｙｉｎｇ ｏｆ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｍｏｄｅｌ ｉｎ ｐｒｅｄｉｃｔｉｏｎ ｏｆ ｂｌａｓｔｉｎｇ ｖｉｂｒａｔｉｏｎ ｉｎｔｅｎｓｉｔｙ［Ｊ］． Ｎｏｎｆｅｒｒｏｕｓ Ｍｅｔａｌｓ，２００４， ３（５６） ２５２７．（ｉｎ Ｃｈｉｎｅｓｅ） ［２］ 陶 挺， 林从谋， 程李凯， 等．爆破振动的ＢＰ神经网络 预测方法研究［Ｊ］．爆破，２０１１，４（２８） １０５１０７． ［２］ ＴＡＯ Ｔｉｎｇ，ＬＩＮ Ｃｏｎｇｍｏｕ，ＣＨＥＮＧ Ｌｉｋａｉ． Ｐｒｅｄｉｃｔｉｏｎ ｍｅｔｈｏｄ ｒｅｓｅａｒｃｈ ｏｆ ｂｌａｓｔｉｎｇ ｖｉｂｒａｔｉｏｎ ｂａｓｅｄ ｏｎ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ［Ｊ］． Ｂｌａｓｔｉｎｇ，２０１１，４（２８） １０５１０７．（ｉｎ Ｃｈｉ ｎｅｓｅ） ［３］ 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，２０１３，１（３０） １２３１２５． ［３］ ＳＨＥＮ Ｘｕｐｅｎｇ，ＱＵ Ｓｈｉｊｉｅ，ＷＡＮＧ Ｆｕｙｕａｎ． Ｐｒｅｄｉｃｔｉｏｎ ｏｆ ｂｌａｓｔｉｎｇ ｐｅａｋ ｐａｒｔｉｃｌｅ ｖｅｌｏｃｉｔｙ ｂｙ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ２７爆 破 ２０１７年６月 万方数据 ｍｏｄｅｌ［Ｊ］． Ｂｌａｓｔｉｎｇ，２０１３，１（３０） １２２１２５．（ｉｎ Ｃｈｉ ｎｅｓｅ） ［４］ 郭英杰， 璩世杰， 胡光球．基于ＢＰ神经网络的露天采 场爆破振速预测［Ｊ］．现代矿业，２０１６（１） １３１６． ［４］ ＧＵＯ Ｙｉｎｇｊｉｅ，ＱＵ Ｓｈｉｊｉｅ，ＨＵ Ｇｕａｎｇｑｉｕ． Ｐｒｅｄｉｃｔｉｏｎ ｏｆ ｂｌａｓｔｉｎｇ ｖｉｂｒａｔｉｏｎ ｂａｓｅｄ ｏｎ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｉｎ ｏｐｅｎｐｉｔ ｍｉｎｅ［Ｊ］． Ｍｏｄｅｒｎ Ｍｉｎｉｎｇ，２０１６（１） １３１６．（ｉｎ Ｃｈｉｎｅｓｅ） ［５］ 张立明．人工神经网络模型及其应用［Ｍ］．上海 复旦 大学出版社，１９９２． ［６］ 张德丰． ＭＡＴＬＡＢ神经网络应用设计［Ｍ］．保定 机械 工业出版社，２００９． ［７］ 王 涛， 张建华．基于ＢＰ神经网络的微差爆破震动预 测研究［Ｊ］．爆破，２０１５，２（３２） １４１１４３． ［７］ ＷＡＮＧ Ｔａｏ，ＺＨＡＮＧ Ｊｉａｎｈｕａ． Ｍｉｌｌｉｓｅｃｏｎｄ ｂｌａｓｔｉｎｇ ｖｉｂｒａ ｔｉｏｎ ｐｒｅｄｉｃｔｉｏｎ ｂａｓｅｄ ｏｎ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ［Ｊ］． Ｂｌａｓｔｉｎｇ， ２０１５，２（３２） １４０１４３．（ｉｎ Ｃｈｉｎｅｓｅ） ［８］ 段宝鹏， 张 猛， 李俊猛．逐孔起爆震动参数预报的ＢＰ 神经网络模型［Ｊ］．爆炸与冲击，２０１０，４（３０） ４０１ ４０６． ［８］ ＤＵＡＮ Ｂａｏｆｕ，ＺＨＡＮＧ Ｍｅｎｇ，ＬＩ Ｊｕｎｍｅｎｇ． Ａ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｍｏｄｅｌ ｆｏｒ ｆｏｒｅｃａｓｔｉｎｇ ｏｆ ｖｉｂｒａｔｉｏｎ ｐａｒａｍｅｔｅｒｓ ｆｏｒｍ ｈｏｌｅｂｙｈｏｌｅ ｄｅｔｏｎａｔｉｏｎ［Ｊ］． Ｅｘｐｌｏｓｉｏｎ ａｎｄ Ｓｈｏｃｋ Ｗａｖｅｓ， ２０１０，４（３０） ４０１４０６．（ｉｎ Ｃｈｉｎｅｓｅ） ［９］ ＤＵＡＮ Ｂａｏｆｕ，ＷＡＮＧ Ｘｕｇｕａｎｇ，ＳＯＮＧ Ｊｉｎｑｕａｎ． Ａｎ ｏｐ ｔｉｍｉｚｉｎｇ ｓｅｌｅｃｔｉｏｎ ｍｏｄｅｌ ｉｎ ｐｒｅｐａｒａｔｉｏｎ ｏｆ ＰＥＥ［Ｊ］． Ｊｏｕｒ ｎａｌ ｏｆ Ｂｅｉｊｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ， ２００４，１１（１） １４． （上接第６７页） 参考文献（Ｒｅｆｅｒｅｎｃｅｓ） ［１］ 张建华， 王 琪， 黄其冲．基于ＡＨＰ和灰色关联分析法 的爆破参数优化［Ｊ］．爆破，２０１４，３１（４） ７２７５． ［１］ ＺＨＡＮＧ Ｊｉａｎｈｕａ，ＷＡＮＧ Ｑｉ，ＨＵＡＮＧ Ｊｉｃｈｏｎｇ． Ｏｐｔｉｍｉ ｚａｔｉｏｎ ｏｆ ｂｌａｓｔｉｎｇ ｐａｒａｍｅｔｅｒｓ ｂａｓｅｄ ｏｎ ａｎａｌｙｔｉｃ ｈｉｅｒａｒｃｈｙ ｐｒｏｃｅｓｓ ａｎｄ ｇｒｅｙ ｃｏｒｒｅｌａｔｉｏｎ ａｎａｌｙｓｉｓ ｍｅｔｈｏｄ［Ｊ］． Ｂｌａｓ ｔｉｎｇ，２０１４，３１（４） ７２７５．（ｉｎ Ｃｈｉｎｅｓｅ） ［２］ 曹胜祥， 邱贤阳， 史秀志．大直径深孔爆破参数优化研 究［Ｊ］．有色金属工程，２０１５，５（１） １６０１６４． ［２］ ＣＡＯ Ｓｈｅｎｇｘｉａｎｇ，ＱＩＵ Ｘｉａｎｙａｎｇ，ＳＨＩ Ｘｉｕｚｈｉ． Ｏｐｔｉｍｉｚａ ｔｉｏｎ ｏｆ ｌａｒｇｅｄｉａｍｅｔｅｒ ｄｅｅｐ ｈｏｌｅ ｂｌａｓｔｉｎｇ ｐａｒａｍｅｔｅｒｓ［Ｊ］． Ｎｏｎｆｅｒｒｏｕｓ Ｍｅｔａｌ Ｅｎｇｉｎｅｅｒｉｎｇ，２０１５，５（１） １６０１６４．（ｉｎ Ｃｈｉｎｅｓｅ） ［３］ 韩新平， 李世丰．基于层次分析法的露天矿爆破方案 模糊综合优选［Ｊ］．爆破，２０１５，３２（４） ６４６８． ［３］ ＨＡＮ Ｘｉｎｐｉｎｇ，ＬＩ Ｓｈｉｆｅｎｇ． Ｆｕｚｚｙ ｃｏｍｐｒｅｈｅｎｓｉｖｅ ｏｐｔｉｍｉ ｚａｔｉｏｎ ｏｆ ｏｐｅｎｐｉｔ ｂｌａｓｔｉｎｇ ｓｃｈｅｍｅ ｂａｓｅｄ ｏｎ ＡＨＰ［Ｊ］． Ｂｌａｓｔｉｎｇ，２０１５，３２（４） ６４６８．（ｉｎ Ｃｈｉｎｅｓｅ） ［４］ 鲍学英， 王起才， 宫文昌．基于模糊层次分析法的地铁 工程施工安全评价［Ｊ］．中国安全生产科学技术， ２０１３，９（１） １３６１３９． ［４］ ＢＡＯ Ｘｕｅｙｉｎｇ，ＷＡＮＧ Ｑｉｃａｉ，ＧＯＮＧ Ｗｅｎｃｈａｎｇ． Ｓｔｕｄｙ ｏｎ ｓａｆｅｔｙ ａｓｓｅｓｓｍｅｎｔｓ ｏｆ ｍｅｔｒｏ ｃｏｎｓｔｒｕｃｔｉｏｎｓ ｕｓｉｎｇ ｆｕｚｚｙ ａｎａｌｙｔｉｃ ｈｉｅｒａｒｃｈｙ ｐｒｏｃｅｓｓ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｓａｆｅｔｙ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，２０１３，９（１） １３６１３９．（ｉｎ Ｃｈｉｎｅｓｅ） ［５］ 禹春辉， 朱传云， 翟立新．微粒群算法在隧道爆破参数 优化中的应用［Ｊ］．水利与建筑工程学报，２００９，７（３） ３０３３． ［５］ ＹＵ Ｃｈｕｎｈｕｉ，ＺＨＵ Ｃｈｕａｎｙｕｎ，ＺＨＡＩ Ｌｉｘｉｎ． Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｐａｒｔｉｃｌｅ ｓｗａｒｍ ｏｐｔｉｍｉｚａｔｉｏｎ ｔｏ ｔｕｎｎｅｌ ｂｌａｓｔｉｎｇ ｐａｒａｍｅ ｔｅｒｓ ｏｐｔｉｍｉｚａｔｉｏｎ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｗａｔｅｒ Ｒｅｓｏｕｒｃｅｓ Ａｒｃｈｉ ｔｅｃｔｕｒａｌ Ｅｎｇｉｎｅｅｒｉｎｇ，２００９，７（３） ３０３３．（ｉｎ Ｃｈｉｎｅｓｅ） ［６］ ＴＨＩＥＲＮＯ Ａｍａｄｏｕ Ｍｏｕｃｔａｒ Ｓｏｗ． Ｏｐｔｉｍｉｚａｔｉｏｎ ａｎｄ ａｐｐｌｉ ｃａｔｉｏｎ ｏｆ ｂｌａｓｔｉｎｇ ｐａｒａｍｅｔｅｒｓ ｂａｓｅｄ ｏｎ ｔｈｅ“Ｐｕｓｈｉｎｇｗａｌｌ” ｍｅｃｈａｎｉｓｍ［Ｊ］． Ｓｐｒｉｎｇｅｒ，２０１２，１９（１０） ８７９８８５． ［７］ 邹宝平， 杨建辉， 王建秀， 等．基于灰色理论与ＢＰ神经 网络的特长瓦斯隧道爆破参数优选［Ｊ］．铁道标准设 计，２０１５，５９（８） １３１１３５． ［７］ ＺＯＵ Ｂａｏｐｉｎｇ，ＹＡＮＧ Ｊｉａｎｈｕｉ，ＷＡＮＧ Ｊｉａｎｘｉｕ，ｅｔ ａｌ． Ｏｐｔｉｍｉｚａｔｉｏｎ ｏｆ ｇａｓ ｔｕｎｎｅｌ ｂｌａｓｔｉｎｇ ｐａｒａｍｅｔｅｒｓ ｂａｓｅｄ ｏｎ ｇｒａｙ ｔｈｅｏｒｙ ａｎｄ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ［Ｊ］． Ｒａｉｌｗａｙ Ｓｔａｎｄａｒｄ Ｄｅｓｉｇｎ，２０１５，５９（８） １３１１３５．（ｉｎ Ｃｈｉｎｅｓｅ） ［８］ 王 璞， 王维锋， 徐海波． ＢＰ神经网络在台阶爆破参数 优化中的应用［Ｊ］．露天采矿技术，２０１２（３） ９９１０６． ［８］ ＷＡＮＧ Ｐｕ，ＷＡＮＧ Ｗｅｉｆｅｎｇ，ＸＵ Ｈａｉｂｏ． Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｉｎ ｂｅｎｃｈ ｂｌａｓｔｉｎｇ ｐａｒａｍｅｔｅｒ ｏｐｔｉｍｉｚａ ｔｉｏｎ［Ｊ］． Ｏｐｅｎｃａｓｔ Ｍｉｎｉｎｇ Ｔｅｃｈｎｏｌｏｇｙ，２０１２（３） ９９１０６． （ｉｎ Ｃｈｉｎｅｓｅ） ［９］ 龙 源， 林吓平， 刘 强．灰色系统局势决策法在洞室 爆破参数优化中的应用研究［Ｊ］．工程爆破，１９９７， ３（１） １４． ［９］ ＬＯＮＧ Ｙｕａｎ，ＬＩＮ Ｈｅｐｉｎｇ，ＬＩＵ Ｊｉａｎｇ． Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｇｒａｙ ｓｙｓｔｅｍ ｓｉｔｕａｔｉｏｎ ｄｅｃｉｓｉｏｎ ｍａｋｉｎｇ ｍｅｔｈｏｄ ｉｎ ｐａｒａｍｅｔｅｒ ｏｐｔｉｍｉｚａｔｉｏｎ ｏｆ ｃａｖｅｒｎ ｂｌａｓｔｉｎｇ［Ｊ］． Ｅｎｇｉｎｅｅｒｉｎｇ Ｂｌａｓｔｉｎｇ， １９９７，３（１） １４．（ｉｎ Ｃｈｉｎｅｓｅ） ［１０］ 王常红， 朱传云， 舒大强， 等．层次分析法在爆破方案 优化中的应用研究［Ｊ］．爆破，２０００，１７（２） ５９． ［１０］ ＷＡＮＧ Ｃｈａｎｇｈｏｎｇ，ＺＨＵ Ｃｈｕａｎｙｕｎ，ＳＨＵ Ｄａｊｉａｎｇ，ｅｔ ａｌ． Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ａｎａｌｙｔｉｃ ｈｉｅｒａｒｃｈｙ ｐｒｏｃｅｓｓ ｉｎ ｂｌａｓｔｉｎｇ ｓｃｈｅｍｅ ｏｐｔｉｍｉｚａｔｉｏｎ［Ｊ］． Ｂｌａｓｔｉｎｇ，２０００，１７（２） ５９．（ｉｎ Ｃｈｉｎｅｓｅ） ［１１］ 和多田淳三．模糊多元分析的理论及其应用［Ｍ］．陈 国范， 等， 译．北京 科学出版社，１９８７． ［１２］ 孟海利．隧道分区爆破振动传播规律试验研究［Ｊ］． 铁道建筑，２０１５（４） ５０５４． ［１２］ ＭＥＮＧ Ｈａｉｌｉ． Ｅｘｐｅｒｉｍｅｎｔａｌ ｓｔｕｄｙ ｏｎ ｐｒｏｐａｇａｔｉｏｎ ｌａｗ ｏｆ ｂｌａｓｔｉｎｇ ｖｉｂｒａｔｉｏｎ ｉｎ ｔｕｎｎｅｌ［Ｊ］． Ｒａｉｌｗａｙ Ｅｎｇｉｎｅｅｒｉｎｇ， ２０１５（４） ５０５４．（ｉｎ Ｃｈｉｎｅｓｅ） ３７第３４卷 第２期 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 万方数据