基于BP神经网络的露天采场爆破振速预测

郭英杰　璩世杰　胡光球

(北京科技大学土木与环境工程学院)



基于BP神经网络的露天采场爆破振速预测

郭英杰璩世杰胡光球

(北京科技大学土木与环境工程学院)

摘要以首云露天铁矿爆破震动实测数据为基础，运用BP神经网络原理，建立了以总药量、最大段药量、爆心距和高程差为输入层的神经网络模型，预测爆破震动峰值振速。将爆破震动监测数据与BP神经网络预测结果和萨氏公式预测结果比较，BP神经网络预测爆破震动峰值平均误差为17.16%，远低于萨氏公式预测的平均误差44.12%，表明BP神经网络预测爆破震动强度精度更高，结果更可靠。

关键词BP神经网络爆破振速预测

爆破是矿业开挖的主要手段，露天矿爆破规模一般都比较大，由此引起的振动容易影响临近建筑物的安全。因此，对爆破振动进行准确分析和预测，为爆破设计和施工优化提供依据，是矿山爆破生产环节中的重要工作，对于矿山及周边的安全稳定具有重要的意义。

我国广泛运用萨道夫斯基公式对爆破震动进行幅值预报：

(1)

式中，V为质点振动速度，cm/s；Q为装药量，kg；R为测点距爆心的距离，m；K为场地系数；α为衰减系数。

运用萨道夫斯基公式预报平整场地的爆破震动幅值，精度较高[1]，但对于高低起伏较大的露天采场，没有充分考虑高程对爆破地震波的影响，预测精度不理想。为适应变化的场地情况，对萨道夫斯基公式加以改进，周同岭[2]等在萨道夫斯基公式的基础上加入了高程因素H，对H做无量纲处理，得到改进的萨氏公式：

(2)

式中，H为高程差，正高差取正，负高差取负，m；β为高程差相关系数，其他符号意义同前。

修正公式在一定程度上减小了预报误差，但爆破震动受到多因素的相互作用，各因素之间关系十分复杂，传统的预测公式难以满足不断变化的实际情况。随着计算机技术的发展，引进神经网络法[3]进行爆破震动幅值预报。

运用BP神经网络预测爆破振动强度，通过分析爆破震动影响因子与爆破震动测量数据的关系，用经过训练的神经网络对爆破震动强度进行实时预测，取得了良好的预测效果。董香山[4]等人建立BP神经网络预测某露天矿的生产爆破振动速度，并与萨道夫斯基公式预测结果进行了对比，结果表明神经网络预测模型精度更高，误差更小；陶挺，林从谋[5]等建立两个不同输入参数的BP神经网络模型，预测南惠高速公路第NHA5合同段路基开挖现场爆破的震动峰值振速，将神经网络预测结果与萨道夫斯基公式预测结果对比，发现BP神经网络模型的预测误差均小于萨氏公式预测误差；段宝福[6]等运用BP神经网络建立爆破震动衰减预测模型，成功预测某矿生产爆破震动速度、振动主频和持续时间，预测误差最大只有18.3%。

本文通过建立BP神经网络模型，以首云铁矿实时监测的爆破数据为样本，对网络进行训练，预测后续爆破震动强度，以降低预测误差，从而合理的进行爆破设计，避免爆破震动对周边基地的影响。

1爆破振动监测

1.1测震地点及仪器

国家安全工程技术实验与研发基地建设项目位于北京市密云县巨各庄镇首云铁矿厂区内，由于基地紧邻矿区生产区，距离周围边坡距离较近，采矿爆破作业产生的地震波经高大边坡的放大效应后，可能引发边坡岩体滑移、建筑物震动受拉以及实验仪器工作状态不稳定等问题。降低最大单响药量可以降低爆破振动强度，但是会影响矿山的生产进度，因此，预测爆破振动强度，合理优化爆破设计，是兼顾生产效率和爆破震动安全问题的前提条件。

共对首云铁矿的6次爆破作业进行了震动测试，其中露天台阶炮孔爆破3次，地下炮孔爆破3次。使用测试仪器为NUBOX-6016型智能震动监测仪，该型仪器能对传感器产生的动态、静态信号(包括速度、加速度等)进行数字转换，其触发机制保证能对爆破震动信号进行正确记录。

1.2测点布置

为确定首云铁矿的爆破生产作业对日后基地建设项目的建设及运行安全可能产生的影响，将爆破震动测试地点(测点)布置于设计规划中的室外泄漏扩散试验配套测试工房一、危险化学品及有毒物质泄漏扩散试验场等区域。为保证爆破震动传感器能够准确接收到爆破震动信号，测点位置地表裸露介质须为稳定的岩石，并使用石膏作为传感器与地表岩石之间的粘结剂。

2爆破峰值振速的BP神经网络预测模型

2.1BP神经网络基本原理

BP神经网络是一种常用的人工神经网络，即误差逆传播神经网络，其本质是实现映射的一个非线性函数。当输入节点数为n，输出节点数为m时，BP神经网络就表达了一个从n个自变量到m个因变量的函数映射关系。在爆破振动分析中，运用较广泛的是三层前馈型BP神经网络，具有高度的容错性和鲁棒性及学习联想能力，其典型的拓扑结构如图1所示。

图1　典型BP神经网络拓扑结构

三层前馈型BP神经网络包含输入层、隐含层和输出层，信号前向传递，误差反向传播，图中xi表示信号的输入层，信号从输入层输入，经由隐含层处理后，从输出层输出。隐含层的神经元受到上一层神经元的影响，并且只影响下一层的神经元，经过隐含层处理后由输出层输出的值yi，如若其误差值大于允许误差，则误差反向传播。根据误差的大小调整网络权值wij和阀值，如此周而复始，使得网络的预测输出值逼近期望输出值，将误差降到允许误差范围。

2.2BP神经网络结构

BP神经网络具有很好的非线性动态处理能力，能够对样本进行自主学习，通过学习样本数据中的隐含规律，分析出输入层数据与输出目标之间的映射关系，不需要复杂的建模分析过程，就能够建立分析模型。BP神经网络可以看作是一个通过反馈调节的多变量高度非线性映射，而爆破震动受到许多因素的影响，具有很大的随机性，可以看作一个复杂的非线性问题来研究，运用BP神经网络研究爆破震动强度是合理的。

2.3BP网络模型的参数选取

影响爆破震动的因素众多，各因素之间关系也极为复杂，通常将这些因素归为爆破震源因素(爆破药量、孔网参数等)、场地因素(传播介质和地质条件等)和(爆心距、高程等)等[7]几类因素。在这些因素中，震源因素易于获取但数量众多，需区分主次加以取舍；爆心与测点的空间关系受地形影响较大，应当充分考虑；场地因素由于复杂多变而难以定量的加以描述，难以获取。故选择输入层参数时，需综合考虑输入参数的易取性和可行性、代表性，对相关因素加以取舍。综合考虑，输入层选择总药量、最大段药量、爆心距、孔数4个特征量作为影响爆破振动强弱的主要因素。

BP神经网络可以看作是一个非线性映射，在三层BP神经网络中，隐含层的选择目前尚未有可靠的判定办法，通常根据Kolmogorov定理[8]来确定隐含层神经元个数。给定任一连续函数f：Un→Rm，f(x)=y，U∈[0,1]，f可实现一个三层前向神经网络，若输入层有n个输入单元，输出层有m个输出单元，则隐含层的个数为2n+1。考虑到输入单元为总药量、最大段药量、爆心距和孔数4个特征量，隐含层单元数为9，输出神经单元为测点的峰值振速。

在对BP神经网络进行训练和测试之前，所有的输入数据和目标数据都必须进行处理。考虑到各个特征量数值大小不一，需对数值进行归一化预处理，本文对样本数据进行离差标准化处理，进行线性变换：

(3)

样本数据经过归一化处理后，作为输入层数据输入到BP神经网络中。

3基于神经网络模型的爆破振动预测

3.1爆破工程背景

目前首云铁矿露天开采为台阶炮孔爆破，炮孔直径140 mm，孔深12～14 m，采用乳化炸药，孔网参数为7 m×3 m；井下采用无底柱分段崩落法开采，分段高度15 m，采用Simba1354型凿岩台车钻凿76～80 mm的上向扇形炮孔，最小抵抗线1.6～1.8 m，孔底距2.0～2.6 m，边孔角63°～65°，每排布置8～9个扇形深孔，压气装药器装填黏性粒状铵油炸药，每排孔装药量890～960 kg，一次落矿爆破1～2排，正常排面采用毫秒微差分段，加强排面2排同时起爆，一次最大起爆药量1 780～1 920 kg。

3.2预测模型训练样本

共进行了4次露天台阶炮孔爆破作业震动测试，爆破技术参数、距离及测试结果数据如表1所示。

3.3峰值振速的BP神经网络预测

将数据进行归一化处理后输入网络。隐含层的传递函数[9]选择双曲正切S型非线性函数tansig，构造非线性系统，输出层使用logsig函数，使得输出结果为0～1，将输出结果反归一化处理，即可得到预测合成的质点振速峰值。模型选取10#、02#、05#、06#、02#(1)仪器测量数据作为检验集，其他14组数据作为训练样本，用训练函数trainlm进行训练，最大训练步数5 000，训练目标误差为10-7，经过725次训练达到预期目标，训练停止。用训练好的BP神经网络对检验集的峰值振速进行预测，训练函数的训练收敛曲线见图2。

表1　首云铁矿爆破震动监测数据

图2　训练函数的训练收敛曲线

3.4结果分析

对表1中的数据按萨道夫斯基公式进行回归,得质点振速峰值V与单响最大药量Q及爆心距R的关系为：

(4)

用式(4)预测检验集数据中的爆破振动峰值速度，并与BP神经网络预测结果进行对比(见表2)。从表2中可以看出，BP神经网络预测爆破震动具有明显的优势，预测平均误差17.16%；萨道夫斯基公式预测平均误差达到44.12%。BP神经网络模型预测精度大大高于萨氏公式。

表2　预测结果对比

4结论

由于神经网络不需要建立输入变量和输出间的数学关系，只要调整网络之间权值就可以建立输入与输出的非线性关系，从而使模型较准确地预报结果。本文运用神经网络模型预测爆破震动速度，并得到以下结论：

(1)BP神经网络综合考虑了影响爆破震动强度的多个影响因素，具有强大的非线性动态处理能力，预测结果比传统的经验公式更加准确。

(2)BP神经网络模型预测露天采场爆破震动峰值振速平均误差为17.16%，远远低于萨氏公式预测结果的平均误差(44.12%)，故BP神经网络预测爆破震动与实际爆破震动速度更符合。

(3)本次神经网络模型预测充分考虑了爆源特性和爆破地形条件，但地质条件，如褶皱、断层等未能纳入神经网络模型中，对模型的预测精度产生一定的影响，在今后的工作中应当对此方面加以探索。

参考文献

[1]刘殿中，杨仕春.工程爆破实用手册[M]．北京:冶金工业出版社，2004．

[2]周同岭，杨秀甫，翁家杰． 爆破地震高程效应的实验研究[J]．建井技术，1997(S1):32-36．

[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):122-125,130．

[4]夏梦会，董香山，张力民，等． 神经网络模型在爆破震动强度预测中的应用研究[J]．有色金属:矿山部分，2004(3):25-27．

[5]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(4):105-107．

[6]段宝福，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):401-406．

[7]张艺峰，姚道平，谢志招． 基于BP神经网络的爆破振动峰值及主频预测[J]．工程地球物理学报，2008(2):222-226．

[8]徐全军，张庆明，恽寿榕． 爆破地震峰值的神经网络预报模型[J]．北京理工大学学报，1998(4):472-475．

[9]程相君，王春宁，陈生潭．神经网络原理及其应用[M]．北京:国防工业出版社，1995．

(收稿日期2015-10-08)

Prediction of Blasting Vibration Based on BP Neural Network in Open-pit Mine

Guo YingjieQu ShijieHu Guangqiu

(Civil and Environmental Engineering School, University of Science and Technology Beijing)

AbstractAccording to the blasting vibration measured data of Shouyun open-pit mine,parameters of total charge, maximum explosive, distance of explosive source and evaluation difference are regarded as the input layer to establish neural network model based on the BP neural network principle to predict the peak velocity of blasting vibration. The measured data of blasting vibration, the prediction results of BP neural network model and Sadaovsk formula are conducted contrast analysis. The results show that the average error of the peak velocity of blasting vibration of BP neural network model is 17.6%, it is far below the average error (44.12%) of Sadaovsk formula. The research results further indicated that the prediction precise of BP neural network model is higher than the others, the prediction results of BP neural network model is more reliable.

KeywordsBP neural network, Blasting vibration, Prediction

郭英杰(1990—)，男，硕士研究生，100083 北京市海淀区学院路30号。