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

邹宝平,杨建辉,王建秀,胡力绳

(1.浙江科技学院土木与建筑工程学院,杭州 310023；2.同济大学地下建筑与工程系,上海 200092；3.中铁二局集团有限公司,成都 610031)

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

邹宝平1,2,杨建辉1,王建秀2,胡力绳3

(1.浙江科技学院土木与建筑工程学院,杭州 310023；2.同济大学地下建筑与工程系,上海 200092；3.中铁二局集团有限公司,成都 610031)

围岩岩体力学行为复杂多变,为避免爆破振动激发煤与瓦斯突出,获得合理的松动爆破,对特长瓦斯特大断面隧道爆破参数进行优选预测研究。基于灰色系统理论和BP神经网络,考虑围岩累积爆破损伤变形具有的动态性、瓦斯等灰色信息,选取最小抵抗线、炮孔间距、装药集中度等参数作为主要优选指标,建立基于单位化约束条件的综合集成优选模型,并对爆破振动效应下的特长瓦斯特大断面隧道的爆破参数进行优选预测。结果表明,建立的基于单位化约束条件的综合集成优选模型降低了试验中爆破参数的离散程度,当爆破参数E、W、q1的优选值分别为60、70 cm、0.12 kg/m时,基于单位化约束条件的综合集成优选模型优选预测值精度较高,隧道爆破效果较好。

隧道；爆破；参数优选；灰色理论； BP神经网络

爆破参数优选研究一直是隧道工程中的一个重要研究课题之一[1]。爆破参数主要包括炮孔间距、最小抵抗线、装药集中度、装药结构等[1-5]，合理的爆破参数能够获得较好的爆破效果。特别是特长瓦斯特大断面隧道，爆破振动效应能引起隧道围岩累积爆破损伤以及激发煤与瓦斯突出，而合理的爆破参数能有效增加煤层的透气性，减少瓦斯抽放阻力，避免爆破振动效应激发煤与瓦斯突出，形成合理的松动爆破[6-7]。随着爆破工程经验的不断积累，各种基于经验的爆破参数理论计算法一直广泛应用于爆破工程设计，其爆破成缝机理主要以爆炸应力波和爆生气体共同作用理论为主[4-5]。但是受隧道围岩岩体力学行为复杂多变以及岩石爆破破岩机制的复杂性和不确定性的限制，现有隧道工程爆破参数的确定大多以经验计算为主，爆破过程中经常出现超欠挖、围岩片落、隧道壁面凹凸不平等现象，影响隧道爆破的质量和生产效益[3，5]。尤其是认识到爆炸应力波和爆生气体共同作用是爆破成缝的主要机理后，理论计算法[2]、多目标灰色局势决策理论[8]、突变综合评价理论[9]、灰色关联分析法[10]、试验法[3，11-12]等各种分析方法开始应用于爆破参数优选研究。但现有优选模型主要是单一利用以上理论对隧道爆破参数进行优化设计，由于各类试验研究的目的不是单一地进行参数优化研究，同时又受爆破复杂性、地质条件多变性等各种客观条件的限制，无法将爆破参数的各种影响因素都反映出来。现有研究中，基于灰色系统理论[13]和BP神经网络[14-15]，对特长瓦斯特大断面隧道爆破参数优选预测的相关研究还较少，特别是隧道爆破地震波在传播时将产生波的反射、透射与折射，使这些突出煤层中的节理裂隙等弱面受到拉、压、剪等应力的混合作用发生扩展和延伸而产生爆破累积损伤[6]，进而激发煤与瓦斯突出，因而考虑爆破累积损伤的瓦斯特大断面隧道爆破参数优选预测研究也较少。

因此，基于灰色系统理论和BP神经网络，考虑特长隧道围岩爆破累积损伤变形具有的动态性、瓦斯等灰色信息，选取最小抵抗线、炮孔间距、装药集中度等参数作为主要优选指标，建立了基于单位化约束条件的综合集成优选模型，并对爆破振动效应下的特长瓦斯特大断面隧道的爆破参数进行优选预测，进而优选出适应性广、精度高、优选预测成果更为合理的爆破最优参数，以避免爆破振动效应激发煤与瓦斯突出，获得合理的松动爆破，达到最佳的爆破效果。

1 特长瓦斯隧道爆破参数优选指标的选取

特长瓦斯隧道地质灾害较多，隧道爆破过程中，如不对爆破参数进行优选，就得不到合理的松动爆破，那么爆破振动效应就会激发煤与瓦斯突出[6-7]，这是隧道建设中的难题。因此，根据前人研究[1-5]，选取反映特长瓦斯隧道爆破参数中的几个关键性指标并对其进行优选分析，主要包括最小抵抗线、炮孔间距、装药集中度。

1.1 最小抵抗线

最小抵抗线反映了光爆层的厚度，其大小直接影响光爆效果。最小抵抗线过大，光爆层岩石将得不到合理破碎，以致不能使其沿炮眼底部最小抵抗线切割下来。反之，最小抵抗线过大，反射波的作用使隧道围岩内产生较多、较长的裂隙，对隧道围岩稳定性产生影响，造成围岩超挖、隧道光爆面凹凸不平[1-5]。为屏蔽反射应力波拉伸作用对围岩造成的破坏，光爆层必须满足下式

(1)

式中，W为最小抵抗线；E为炮孔间距；cp为岩石的弹性纵波波速；uC为炸药爆炸后周边眼裂缝扩展平均速度。

炮眼密集度系数m应满足下式

(2)

式中，m根据围岩软硬不同而不同，一般取0.6～1.2，硬岩取大值，软岩取小值。

依据豪柔公式计算最小抵抗线W，即

(3)

式中，qb为炮眼内的装药集中度；lb为炮眼长度；c为爆破系数，相当于单位耗药量。

1.2 炮孔间距

爆炸应力波和爆生气体共同作用下的爆破成缝理论是目前确定炮孔间距公认的理论基础[2-5]。在爆生气体静压作用下，装药激起的应力波在炮眼壁上出现初始裂缝，进而扩展形成贯穿裂缝，其近似的平衡条件为

(4)

(5)

式中，db为炮孔直径；rk为爆炸应力波在眼壁上形成的初始裂缝长度；δ为岩石的损伤因子；St为岩石受损前静态单向抗拉强度；α为应力波衰减指数，α=2-λ；pr为眼壁初始径向压力；σr为二次应力；pb为爆炸气体充满炮眼时的准静压力，可按等熵膨胀过程按下式计算

(6)

式中，pk为临界压力，一般取200 MPa；r为绝热指数，一般取1.2～1.3；k为熵指数，一般取3；Kd为径向装药不耦合系数；Kl为轴向装药不耦合系数；p0为爆生气体的初始平均压力，即

(7)

式中，ρ0为炸药密度；D为爆速。

根据式(4)～式(7)可求炮孔间距E的计算公式，即

(8)

1.3 装药集中度

Kd、Kl为两种主要的装药结构参数，主要综合考虑孔壁的初始冲击压力小于受损岩石的动态体积抗压强度以及孔壁的初始动拉力大于受损岩石的动态抗拉强度[2-5]，即满足下式

(9)

(10)

当隧道爆破忽略炮泥长度不计，采用轴向和径向不耦合装药，此时可求

(11)

式中，n为爆生气体碰撞眼壁时的压力增大倍数，可取10。

在隧道爆破中，如果Kd确定，则Kl可由式(9)～式(11)确定

(12)

当Kd、Kl确定后，装药集中度及单孔装药集中度可按下式计算

(13)

式中，ql为装药集中度；db、dc分别为装药直径和炮孔直径。

2 基于灰色理论与BP神经网络的综合集成优选模型

2.1 灰色优选GM(1，1)模型

设隧道爆破参数原始指标数据序列为非等时距数据序列[13]，即时间步长ti+1-ti≠k，设不等时间间隔为ki=ti+1-ti，(i=1，…，n-1)，则平均时间间隔m为

(14)

将隧道爆破参数非等时距数据序列变换为等时距数据序列w(0)，平均时间间隔即为时间步长m，则有

(15)

对w(0)作AGOw(0)一次累加，则

(16)

由式(14)～式(16)可得白化微分方程为

(17)

Yn={w(0)(2),w(0)(3),…,w(0)(n)}T，

则用最小二乘法可求a、c得

(18)

则式(18)的时间相应特解为

(19)

2.2 BP神经网络模型

BP算法由数据流的前向计算(正向传播)和误差信号的反向传播两个过程构成。设X1,X2,…,Xn是BP神经网络的输入值，Y1,Y2,…,Ym是BP神经网络的预测值，wij和wjk为BP神经网络权值，BP神经网络训练过程包括以下几个步骤[14-15]。

(1)网络初始化。根据系统输入序列(X，Y)确定网络输入层节点数n、隐含层节点数l，输出层节点数m，初始化输入层、隐含层和输出神经元之间的连接权值wij和wjk，初始化隐含层阈值a，输出层阈值b。

(2)隐含层输出计算。根据输入向量X，输入层和隐含层间连接权值以及隐含层阈值a，计算隐含层输出H。

(20)

式中，l为隐含层节点数；f为隐含层激励函数。

(3)输出层输出计算。根据隐含层输出H，wjk和阈值b，计算BP神经网络预测输出O。

(21)

(4)误差计算。根据网络预测输出Qk和期望输出Yk，计算网络预测误差ek。

(22)

(5)权值更新。根据网络预测误差e更新网络连接权值wij和wjk

(23)

(24)

式中，η为学习速率。

(6)阈值更新。根据网络预测误差e更新网络节点阈值a和b。

(25)

(26)

(7)判断算法迭代是否结束，若没有结束，返回步骤2。

2.3 基于单位化约束条件的综合集成优选模型的建立

(27)

式中，ωi为第i项指标的综合优选预测值；λ1、λ2分别各取0.5；li为第i项指标的灰色优选GM(1，1)模型预测值；mi为第i项指标的BP神经网络模型预测值。

3 实例分析

3.1 工程概况

成(都)渝(重庆)高铁某隧道隧区属丘陵地貌，丘槽相间，地形波状起伏，地面高程303～424 m，隧道长约5 100 m，属特长隧道，最大埋深约120 m，隧道区内构造位置属于华金山断裂以东的褶皱束，由一系列北东～北北东向近于平行的高背斜山脉组成。隧区地层岩性为上覆粉质黏土、坡洪积软土、松软土、粉质黏土等，下伏基岩为侏罗系中统沙溪庙组泥岩、砂岩、泥岩夹砂岩、砂岩夹泥岩，节理裂隙发育，质较软。隧道各煤层瓦斯浓度处于6 820～20 500 ppm范围，瓦斯压力高、含量较大，属于瓦斯隧道。隧道采用光面爆破，出现围岩损伤、超欠挖等现象，因此需对隧道爆破参数进行优化。炮眼直径40 mm，炮眼深度4.0 m，药卷直径为32 mm，采用岩石乳化炸药，采用上下台阶法开挖，上台阶采用开挖台车钻眼全断面一次爆破，上台阶设计断面面积为139.42 m2(不考虑下台阶和预留量)。

3.2 基于单位化约束条件的综合集成优选模型参数优选分析

为获得合理的爆破参数，避免隧道爆破振动效应引起隧道围岩累积爆破损伤以及激发煤与瓦斯突出，爆破现场试验参数理论计算时计入爆破振动效应造成的原岩应力、二次应力重新分布引起的围岩累积损伤和破坏，基于应力波与爆生气体共同作用原理、灰色系统理论和BP神经网路理论，对爆破参数最小抵抗线W、炮孔间距E和装药集中度q1进行优选。

基于单位化约束条件的综合集成优选模型的E、W、q1的优选值与灰色优选GM(1，1)模型、BP神经网络模型优选值对比分析见图1～图3。由图可知，(1)对于灰色优选GM(1，1)模型，E的试验优选预测最小值为39.06 cm，最大值为68.01 cm，其相对误差分别为2.3%和4.6%，试验值优选后验差比值C为0.25，P为0.97，模型优选精度高；W的试验优选预测最小值为46.72 cm，最大值为75.59 cm，其相对误差分别为3.8%和7.98%，试验值优选后验差比值C为0.28，P为1.00，模型优选精度高；q1的试验优选预测最小值为0.09 kg/m，最大值为0.23 kg/m，其相对误差分别为18.62%和24.26%，试验值优选后验差比值C为0.44，P为0.97，模型优选精度较高；表明通过灰色优选降低了试验值的离散程度，客观反映了隧道爆破围岩损伤累积变形的动态性；(2)对于BP神经网络模型，E的试验优选预测最小值为40.00 cm，最大值为63.78 cm，优选拟合残差为0.55%；W的试验优选预测最小值为41.41 cm，最大值为69.47 cm，优选拟合残差为0.48%；q1的试验优选预测最小值为0.10 kg/m，最大值为0.20 kg/m，优选拟合残差为1.47%；(3)对于基于单位化约束条件的综合集成优选模型，E优选值最小值为39.57 cm，最大值为65.89 cm，其相对误差分别为1.07%和1.37%；W优选值最小值为44.82 cm，最大值为72.53 cm，其相对误差分别为0.39%和3.61%；q1优选值最小值为0.08 kg/m，最大值为0.26 kg/m，其相对误差分别为9.3%和12.1%；表明综合集成优选模型的优选精度比单一利用GM(1，1)模型高，而BP神经网络模型虽能较好地对爆破参数进行优选，但其初始权重较敏感，不同的权值其收敛不同，因此，基于单位化约束条件的综合集成优选模型弥补了上述两种模型的不足，保证了爆破参数优选的科学性、精确性。

图1 综合集成优选模型与GM(1，1)模型、BP模型的E优选值对比

图2 综合集成优选模型与GM(1，1)模型、BP模型的W优选值对比

图3 综合集成优选模型与GM(1，1)模型、BP模型的q1优选值对比

基于单位化约束条件的综合集成优选模型，对该隧道ZK247+058处爆破参数进行优选预测，E、W、q1的优选值分别为63.09、71.86 cm、0.12 kg/m，考虑到隧道爆破断面大、现场钻孔和测点布孔人为误差大，以及现场实际施工操作的可行性，因此，施工中E、W、q1的优选值分别取整数，即60、70 cm、0.12 kg/m。隧道爆破后对开挖面进行量测，其爆破效果见图4，由图可知，隧道最大超挖为0.4 m，平均线性超挖为0.16 m，最大欠挖为0.11 m，炮眼利用率为90%，隧道爆破效果较好。

图4 隧道爆破效果图

纵上分析可知，隧道爆破参数的综合集成优选模型的优选预测值是一个综合指标，其相对误差越小越好，表明隧道围岩爆破时的累积损伤对爆破参数设置产生较大影响，隧道爆破累积损伤会导致相邻围岩裂纹贯穿，如得不到合理的松动爆破，将增大瓦斯的抽放阻力，使煤层透气性降低。因此，隧道现场参数爆破试验中考虑了瓦斯带来的爆破风险，尽管具有许多不确定因素，但是优选预测相对误差波动幅度较小，表明考虑爆破围岩累积损伤的基于单位化约束条件的综合集成优选模型具有较高的精度，优选结果能较好地用于隧道施工。

总之，基于单位化约束条件的综合集成优选模型较充分考虑了围岩累积爆破损伤变形具有的动态性、瓦斯等灰色信息，降低了试验中爆破参数的离散程度，客观体现了爆破参数优选中隐含的规律性。

4 结论

(1)特长瓦斯大断面隧道爆破参数的选择，必须考虑爆破振动效应引起隧道围岩累积爆破损伤以及激发煤与瓦斯突出的影响，爆破参数的计算以爆炸应力波和爆生气体共同作用理论为基础，适用于复杂环境下隧道爆破参数的优选计算。

(2)基于灰色系统理论和BP神经网络理论，考虑围岩累积爆破损伤变形具有的动态性、瓦斯等灰色信息，选取最小抵抗线、炮孔间距、装药集中度等参数作为主要优选指标，基于隧道爆破参数灰色优选GM(1，1)模型和BP神经网络模型，建立了基于单位化约束条件的综合集成优选模型，对隧道爆破参数优选预测进行了系统研究。

(3)当爆破参数E、W、q1的优选值分别为60、70 cm、0.12 kg/m时，基于单位化约束条件的综合集成优选模型优选预测值精度较高，隧道爆破效果较好。

[1]王建秀，邹宝平，胡力绳.隧道及地下工程光面爆破技术研究现状与展望[J].地下空间与工程学报，2013(4)：800-807.

[2]宗琦，马芹永.光面爆破参数的理论分析[J].阜新矿业学院学报：自然科学版，1994，13(4):21-25.

[3]张志呈.光面爆破参数的选择[J].西南工学院学报，2000，15(4):58-64.

[4]彭刚健.岩体巷道光面爆破参数的分析与应用[J].中国矿业，2009，18(10):103-106.

[5]付玉华，李夕兵，董陇军.损伤条件下深部岩体巷道光面爆破参数研究[J].岩土力学，2010，31(5):1420-1426.

[6]谢雄刚，冯涛，杨军，等.爆破地震效应激发煤与瓦斯突出的监测分析[J].煤炭学报，2010，35(2):255-259.

[7]徐伟.高瓦斯低透气煤层松动爆破有效影响范围确定[J].煤炭科学技术，2011，39(8):46-49.

[8]左宇军，李保珍，陈颖锋.光面爆破参数的多目标灰色决策分析[J].矿业研究与开发，2001，21(增4):1-3.

[9]方崇.基于燕尾突变理论光面爆破效果的综合评价[J].爆破，2010，27(4):40-42.

[10]张震宇.爆破效果主要影响因素的灰色关联分析[J].矿业快报，2006，1:22-23.

[11]袁溢.新建铁路隧道下穿既有运营隧道的设计与施工[J].铁道标准设计，2014，58(6):98-101.

[12]舒磊，仇文革，龚伦.下穿隧道爆破施工对既有隧道的振动影响及对策研究[J].铁道标准设计，2013(7):70-74.

[13]邓聚龙.灰理论基础[M].武汉:华中科技大学出版社，2002.

[14]Ren C， An N， Wang J， et al. Optimal parameters selection for BP neural network based on particle swarm optimization: A case study of wind speed forecasting[J]. Knowledge-Based Systems， 2014，56：226-239.

[15]Mandal S， Sivaprasad P， Venugopal S， et al. Artificial neural network modeling to evaluate and predict the deformation behavior of stainless steel type AISI 304L during hot torsion[J]. Applied Soft Computing， 2009，9(1):237-244.

Optimal Prediction of Blasting Parameters for Extra-long Gas Tunnel Based on Grey Theory and BP Neural Network

ZOU Bao-ping1,2, YANG Jian-hui1, WANG Jian-xiu2, HU Li-sheng3

(1.School of Civil Engineering and Architecture, Zhejiang University of Science and Technology, Hangzhou 310023, China;2.Department of Geotechnical Engineering, Tongji University, Shanghai 200092, China;3.China Railway Second Engineering Group Co., Ltd., Chengdu 610031, China)

The surrounding rock mass of extra-long gas tunnel is complicated and variable in mechanics behavior. In order to obtain reasonable loose blasting and avoid blasting vibration from motivating coal and gas outburst, the blasting parameters are studied for optimal prediction with respect to extra-long gas tunnel with large cross-section. Based on the grey theory and BP neural network and in consideration of the grey information of cumulative damage to the dynamic characteristics of extra-long tunnel on account of rock mass blasting and the gas, an integration optimal model based on the constraints of unitization for blasting parameters is established by means of selecting such main optimum indexes as the line of least resistance, the borehole spacing and the charge concentration, so as to fulfill optimal prediction of blasting parameters. The results show that the established integration optimal model reduces the discrete degree of test blasting parameters, when blasting parameters ofE,W,q1are 60, 70 cm, 0.12 kg/m respectively, the accuracy of the integration optimal model is very high with good blasting effect.

Tunnel; Blasting; Parameter optimization; Grey theory; BP neural network

2014-10-28；

2014-12-08

国家自然科学基金(41072205)，浙江科技学院科研基金(F702104E03，F703104D01)，中铁二局股份有限公司课题(201218)

邹宝平(1982—)，男，讲师，2014年毕业于同济大学地质工程专业，工学博士，E-mail:zbpky@163.com。

1004-2954(2015)08-0131-05

U455

A

10.13238/j.issn.1004-2954.2015.08.028