基于极限学习机的爆破参数综合优选

陈昌民 张钦礼 姜志良

(1.衡阳远景钨业有限责任公司；2.中南大学资源与安全工程学院)

基于极限学习机的爆破参数综合优选

陈昌民1张钦礼2姜志良2

(1.衡阳远景钨业有限责任公司；2.中南大学资源与安全工程学院)

为了合理选择川口钨矿变更采矿方法后采场的回采爆破参数，运用传统经验公式计算出爆破参数取值范围，根据极限学习机(ELM)理论，以矿岩容重、弹性模量、抗压强度等6个因素作为输入因子，以排距、孔底距、炸药单耗3个指标作为输出因子，并利用国内应用较成功的上向扇形中深孔崩矿的7个矿山情况为学习、训练样本，建立矿山回采爆破参数优化预测模型。综合经验公式和预测模型的结果，确定采区爆破参数：炮孔排距为1.3 m，孔底距为1.8 m，炸药单耗为0.5 kg/t。优选爆破参数适应本采区工程条件，爆破效果好，震动影响小。

爆破参数 极限学习机 预测模型

地下矿山开采中，合理的回采爆破设计能减少大块率、降低爆破作业扰动并尽可能减少炮孔数量以降低爆破成本。合理的回采爆破参数是矿山高效、安全生产的保证[1]。川口钨矿利用分段空场嗣后充填法回采61#～63#勘探线既存空区附近高品位矿体，以弥补矿山精矿产量的不足，由于采矿方法的变更以及矿体开采工程条件的制约，需对本采区进行新的回采爆破设计。

1 开采技术条件

川口钨矿杨林坳钨矿床工业类型为石英细脉带型黑钨—白钨矿床，按照矿石围岩及矿物组合的不同，矿石类型分为砂岩型矿石和板岩型矿石，受风化和断裂、层理等构造的影响，矿石稳定性相对较差[2]。而本采区61#～63#勘探线高品位矿体属于矿区内特殊的花岗斑岩岩脉，岩石致密坚硬，稳固性好。围岩为板岩，稳固性较好，但存在片理结构，易形成巷道围岩层状垮落。因此，将采矿方法变更为分段空场嗣后充填法，采用中深孔回采爆破时，需充分考虑周围巷道以及采空区的稳定性问题。

为利用已有工程，节省采切工程量，并且尽量回收老采空区周围矿体，61#～62#区段主要回采水平为320 m分段，另布置310 m底部结构分段、330 m上部空区底柱回收分段和350 m回风、充填水平；垂直走向布置3个采场，宽度分别为14.5，13和13 m，分段高度分别为10，11和10 m。由于330～350 m中段存在3个大的空区，受充填系统建设滞后影响，不具备进行分矿房充填的条件，故设计本区段3个采场一次同步回采，回采完毕后集中充填。

2 回采爆破设计

2.1 布孔方式

受矿体赋存条件及矿山开拓工程制约，矿块回采过程中采用垂直上向扇形孔布置(图1)。为防止330 m分段上部空区坍塌，保证采场作业人员安全，需严格控制单段起爆药量，减少爆破震动影响[3]。

图1 回采炮孔布置

2.2 爆破参数的计算

2.2.1 炸药单耗

根据计算公式：

(1)

式中,k为修正系数，取1.2～1.4；γ为矿岩容重，25.9 kN/m3；f为坚固性系数，9。

计算得出q=0.36～0.42 kg/t，即0.93～1.09 kg/m3。

2.2.2 最小抵抗线

(1)根据利文斯顿爆破漏斗理论：

(2)

式中,d为炮孔直径,60 mm;Δ为装药密度，0.9 g/cm3；τ为深孔装药系数，0.7～0.85；m为深孔密集系数，根据国内分段空场法爆破经验，取1.3；q为单位耗药量，取1.0 kg/m3。

计算得出W=1.17～1.29 m。

(2)根据孔径和矿岩性质：

W=Kd,

(3)

式中,K为岩石性质影响系数，矿石属坚硬矿岩，取25～30；d为孔径，60 mm。

计算得出W=1.5～1.8 m。

按式(2)和式(3)计算结果，根据现代爆破理论，应采取小排距、大孔底距的爆孔布置方式，确定最小抵抗线W=1.2～1.4 m。

2.2.3 孔底距

按以下经验公式确定：

a=mW.

(4)

计算得出a=1.56～1.82 m。

3 爆破参数优化

爆破参数选择是一个复杂决策过程，涉及多层次、多因素、多目标的非线性关系，并且影响因素与参数间存在极大的不确定性[4]。传统的参数选择类比相似矿山而定，仅考虑单个或几个影响因素，带有极大的经验成分和随机性；有些矿山虽然进行爆破试验，但对数据处理不理想，只能从现有试验组中找出相对较优者，无法实现参数的真正优化，而且爆破试验耗时、费力、成本极高。

随着系统科学、非线性科学和计算机技术的快速发展，大量现代信息处理方法被广泛运用于爆破参数的预测优化。神经网络是近几十年发展起来的一门新兴交叉学科，在进行模式识别、非线性映射方面具有独特优势。而极限学习机(ELM)具有学习速度更快、精度更高、参数调整简单等[5]优点而被广泛运用。在ELM 中，输入层与隐含层间连接权值和隐含层神经元阈值被随机初始化给定，只需要设置隐含层节点数目就可以获得唯一的最优解。

3.1 ELM基本原理

极限学习机的典型网络由输入层、输出层和隐含层组成，输入层有n个输入因子，隐含层有l个神经元，输出层有m个输出因子。对于N个训练样本(xi，yi)(i=1,2,…,N)，xi=[x1i,x2i,…,xni]T,yi=[y1i,y2i,…,ymi]T，极限学习机的输入矩阵X=[x1,x2,…,xN]，输出矩阵为Y=[y1,y2,…,yN]。设隐含层的激活函数为f(x)，则极限学习机前馈神经网络的输出可以表示为：

(5)

式中，βi为连接第i个隐含层节点与输出神经元的输出权值；ωi为连接输入神经元与第i个隐含层节点的输入权值;bi为第i个隐含层节点的阈值;tj为第j个训练样本的输出值。

整个极限学习机网络结构见图2[6]。

图2 典型ELM结构

当激活函数为f(x)，含有l个隐含层神经元节点的前馈神经网络以零误差逼近N个训练样本时，存在βi,ωi,bi使得

(6)

式(6)可简化为

Hβ=Y,

(7)

式中,H为极限学习机神经网络的隐含层输出矩阵，具体形式如下。

对于任意数量的不同样本，当激活函数f(x)无限可微时，在训练中不需要调整网络参数中的输入权值ω和阀值b，且在训练中随机给出和固定不变，隐含层输出矩阵H是一个确定的矩阵，可通过求解线性方程组的最小二乘解获得输出权值：

(8)

式中,H+为隐含层输出矩阵H的Moore-Penrose广义逆矩阵。

3.2 ELM学习算法步骤

3.3 预测模型

矿石的容重、弹性模量、抗压强度、抗拉强度、摩擦角及黏结力是矿石最重要的固有属性，使用极限学习机建立这些属性与爆破参数间的非线性复杂关系，以国内应用较成功的上向扇形中深孔崩矿的7个矿山情况为学习、训练样本(表1)，对本采区的爆破参数进行预测和优选。为了减少样本指标差异对模型的性能影响，样本数据在输入模型之前归一化到[-1，1]，预测的爆破参数在输出模型后反归一化[7]。

归一化公式为

(9)

反归一化公式为

(10)

表1 爆破参数优选训练样本

3.4 测试结果及分析

隐含层节点数目对ELM有较大的影响，随机选择5组训练样本，2组测试样本，在隐含层节点数为10，12，14，16，18，20的情况下用ELM训练20次，得到训练样本和测试样本均方误差的平均值随隐含层节点变化，见图3。在隐含层节点数为14时，训练样本与测试样本的均方误差均达到理想水平，若继续增加隐含层节点数量，则会降低预测模型收敛速度，同时测试样本的均方误差也会增加。

隐含层节点数取为14，训练次数为40，得到ELM预测的结果：最小抵抗线W=1.4849m，孔底距a=1.8253m，炸药单耗q=0.4832kg/t，与经验所得值极为接近。但考虑本矿YGZ-90型钻机钻凿炮孔直径为60mm，施工质量相对较差，因此预测出的结果应进行适当的调整，并结合上节爆破参数的计算结果，最终本采区的炮孔选取

图3 均方误差随隐含层节点变化曲线

W=1.3 m，a=1.8 m，q=0.5 kg/t。

4 结 论

(1)从实际爆破效果看，放出矿石大块率较低、矿石中无泥土，证明老旧空区未出现塌方现象，同时采区巷道保持完整，说明爆破震动的影响较小。综上所述，爆破参数与本采区工程条件相匹配，选择合理恰当。

(2)根据传统的爆破参数经验公式计算炸药单耗、最小抵抗线、孔底距的取值范围，将其作为极限学习机预测结果的可靠性判断依据，使爆破参数选择更具综合性。

(3)将国内爆破效果较理想的类似矿山的生产情况汇总，建立训练样本，以极限学习机进行预测，则可以得到目标矿山的理想爆破参数。该法避免了传统单因素的片面性及爆破试验的复杂、高成本等种种弊端，是一种全新的理想方法。

[1] 汪 剑.开阳磷矿中深孔回采爆破参数优化试验研究[D].长沙:中南大学,2004.

[2] 谢国华,曾 耀.倾斜中厚多层低品位难采矿体的采矿方法[J].中南工业大学学报,1995,4(15):11-16.

[3] 朱志彬,刘成平,靖 然.扇形中深孔爆破大块产生的原因及对策[J].现代矿业,2010(8):78-81.

[4] 赵 彬,王新民,史良贵,等.基于BP神经网络的爆破参数优选[J].矿冶工程,2009,29(4):24-27.

[5] 王新民,万孝衡,朱阳亚,等.基于PSO-ELM的建筑物爆破震动速度预测[J].科技导报,2013,32(19):15-20.

[6] Huang Guangbin, Zhu Qinyu， Siew C K. Extreme learning machine: theory and application[J]. Neuro Computing, 2006,70(1):489-501.

[7] 姚金阶,朱以文.岩体爆破参数设计的神经网络模型[J].爆破,2005,22(2):34-40.

Comprehensive Optimization Selection of Blasting Parameters Based on Extreme Learning Machine

Chen Changmin1Zhang Qinli2Jiang Zhiliang2

(1.Hengyang Yuanjing Tungsten Co., Ltd.;2.School of Resources and Safety Engineering, Central South University)

In order to select the blasting parameters of stope that the mining method has been changed of Chuankou Tungsten Mine reasonably, the traditional empirical formula is adopted to calculate the value range of the blasting parameters. Based on the theory of extreme learning machine(ELM), six factors such as ore-bearing rock density, elastic modulus and comprehensive strength and so on are taken as input factors, three factors of row spacing, hole bottom spacing and explosive unit consumption are used as output factors, the situations of seven mines that the upward fan-shaped medium-length hole blasting ore breaking method are applied successfully are taken as learning and training examples so as to establish the optimal prediction model of the blasting parameters during stoping. According to the results of the traditional empirical formula and prediction model, the blasting parameters of mining area are obtained. The hole row spacing is 1.3 m, distance of holes to the bottom is 1.8 m, the explosive unit consumption is 0.5 kg/t. The results show that, the blasting parameters by optimizing selection can adapt to the conditions of mining engineering and achieve the perfect blasting effect, besides that, the blasting vibration effect is small.

Blasting parameters, Extreme learning machine, Prediction model

2014-12-14)

陈昌民(1966—)，男，董事长，总经理，高级工程师，421166 湖南省衡阳市衡南县。