APP下载

基于RBF神经网络的爆破参数优选

2016-11-08欧洪宁张钦礼刘伟军

现代矿业 2016年9期
关键词:矿岩单耗中南大学

陈 琼 欧洪宁 姜 群 张钦礼 刘伟军

(1.锡矿山闪星锑业有限责任公司;2.中南大学资源与安全工程学院)



基于RBF神经网络的爆破参数优选

陈 琼1欧洪宁1姜 群1张钦礼2刘伟军2

(1.锡矿山闪星锑业有限责任公司;2.中南大学资源与安全工程学院)

为确定合理的爆破参数,建立了RBF神经网络模型,统计了8个矿山的样本数据,将影响矿岩可爆性的6项因素:矿石容重、弹性模量、抗拉强度、矿石坚固性系数、摩擦角、黏结力作为RBF神经网络模型的输入因子,排距、孔底距和一次炸药单耗作为影响爆破参数的输出因子,优选样本参数,得出最优的爆破参数。以某矿中深孔爆破为例,通过RBF神经网络模型优选出该矿的爆破参数:排距1.3 m,孔间距2.2 m,炸药单耗0.32 kg/t。实践证明,选择的孔网参数合理,爆破效果良好。

爆破参数优选 RBF神经网络 样本数据 影响因素

随着矿山爆破技术的快速发展,爆破参数优选已经成为一个重要研究课题[1],对于降低爆破成本、改善爆破效果具有重要意义[2]。爆破参数主要包括排距、孔底距及一次炸药单耗等,而矿岩的物理力学性质,如矿岩容重、抗拉强度、摩擦角及黏结力等是影响爆破参数选择的主要因素[3]。

爆破参数优选是一项复杂的系统工程,目前,相关专家利用一些类似BP神经网络理论[4]的数学方法解决爆破参数优选遇到的问题。赵彬[4]等人应用BP神经网络对爆破参数进行了优选;王德永[5]等应用GA_BP神经网络组合模型对矿岩爆破参数进行了优选,均取得了很好的效果。RBF神经网络是一种径向基向量函数,其特点和BP神经网络类似,但RBF神经网络学习速度更快,是BP神经网络学习速度的103以上[6],分析精度也比BP神经网络更高。故研究利用RBF神经网络模型进行爆破参数优选,以期取得应有的应用效果。

1 RBF神经网络基本原理及模型

1.1 RBF神经网络基本原理

径向基函数 (RBF)[7]是由输入层、隐含层和输出层组成的3层前馈神经网络。其中,输入层负责传递信号到下一层,而隐含层节点是由类似高斯函数构成,同时,输出节点通常是由线性函数(图1)构成的。

图1 径向基函数神经网络

1.2 RBF神经网络模型

径向基函数(RBF)神经网络常用于函数逼近与模式分类。隐含层激活函数为Gaussian函数,即

(1)

式中,j为隐节点个数;k为隐含层节点数;φj(x)为

第j个隐节点的输出;x为网络输入向量;cj为第j个隐含层节点的核函数中心矢量;σj为第j个隐含层节点的高斯函数宽度。

利用RBF进行数据预测,首先设计隐藏层,然后建立RBF神经网络预测模型,构造相应的神经网络,再根据网络收敛速度和预测误差进行比较,最后利用中心选择算法优化网络与输出层的预测结果。

2 工程实例

某金属矿山采场处于采空区范围内,为避免采矿贫化,故采用上向扇形中深孔对整个采场进行一次集中爆破。为了优选该矿山的爆破参数,结合该矿实际生产条件,选取了8个实际矿山的爆破参数作为样本集(表1),对该矿进行了现场爆破试验,以验证优选出爆破参数的合理性。

表1 爆破参数优选样本集

建立RBF神经网络模型,将弹性模量、摩擦角、黏结力、矿石容重等6项影响矿岩固有属性的因素作为RBF神经网络的输入因素,将排距、孔底距和炸药单耗作为输出因子,对爆破参数进行优选。

2.1 RBF神经网络优化

对表1中的样本集数据进行处理,建立RBF神经网络训练样本。通过分析可得,以矿石容重(kg/t)、弹性模量(MPa)、抗拉强度(MPa)等作为RBF神经网络模型的输入项,炸药消耗量(kg/t)、排距(m)、孔底距(m)作为RBF神经模型的输出项,建立RBF神经网络预测模型,通过RBF神经网络收敛速度与预测误差相互比较,最后确定最佳隐含层节点数。同时为消除各维数间数量级差别,需要对样本数据进行归一化处理,把所有数据都转化为[0,1]区间的数,xk=(xk-xmin)/(xmax-xmin)为归一化[8-9]函数,在输出预测结果时,对数据进行反归一化。

根据RBF神经网络模型优化条件,爆破参数的优化模型流程如图2所示。

图2 神经网络算法流程

2.2 RBF神经网络训练和预测结果

在优选爆破参数过程中,需要根据网络结构(图3)对RBF神经网络进行调试,最终确定隐含层节点个数。根据本次训练过程,确定选用隐含层神经元为3个,在模拟误差在10-3的低水平情况下,将试验数据作为RBF神经网络的训练样本,分别检查隐含层节点数为7,10,13时的网络性能。图4~图6分别是经若干步运算达到精度要求而得到的隐含层节点数为6,9,12时的结果。仅当隐含层节点数为9时,预测模型的训练及收敛速度较快,网络的收敛速度高于其他两者;隐含层节点数为6,9,12时的误差分别为:0.031,0.017,0.024,且中间误差明显低于前后两者。故隐含层节点数取9时,模型网络预测最快,误差最小。

图3 RBF预测模型网络结构

由爆破参数样本(表1)和预测模型训练精度曲线及误差曲线图(图4~图6)可知,当RBF神经网络的隐含节点数为9时,模型的预测误差最小,且网络预测最快。将影响因素:矿石容重(3.40)、弹性模量(4.80)、抗拉强度(2.26)、矿石坚固性系数(12)、摩擦角(38)和黏结力(2.40)作为RBF神经网络模型的输入因子,经过计算,RBF神经网络的输出因子为:1.30,2.2,0.32。故可获得该矿山的最佳爆破参数为:排距为1.30 m,孔底距为2.2 m,一次炸药单耗为0.32 kg/t。将优选出的爆破参数应用于矿山实践中,达到了良好的爆破效果。

3 结 语

(1)RBF神经网络是一种输入—输出高度非线性映射,具有学习速度快、分析精度高等特点,可以避免传统的爆破参数优选的主观性和随机性,对于爆破参数优选问题,提出了一种全新思路。

(2)通过建立RBF神经网络优选预测模型,将影响矿岩爆破参数的6个因素(矿石容重、弹性模量、抗拉强度、坚固性系数、摩擦角、黏结力)作为优选模型输入因子,将炸药单耗、排距和孔底距等因素作为模型输出因子,可获得最优爆破参数。

图4 隐含层节点数为6时RBF神经网络预测

图5 隐含层节点数为9时RBF神经网络预测

图6 隐含层节点数为12时RBF神经网络预测

(3)利用RBF神经网络对试验结果进一步细化,将试验结果输入到训练好的网络模型中进行预测,得到了某矿最优爆破参数,即:排距1.30m,孔间距2.2m,炸药单耗0.32kg/t。

(4)该矿山应用RBF神经网络预测的最优爆破参数,采用上向扇形中深孔爆破,取得了较好的爆破效果,该工程实例也为其他类似的工程预测提供了参考,具有广阔的应用前景。

[1] 尚俊龙,胡建华,莫荣世,等.可爆性分级的博弈论-物元可拓预测模型及其应用[J].采矿与安全工程学报,2013,30(1):86-92.

[2] 张德明,王新民,郑晶晶,等.基于模糊综合评判的矿岩体可爆性分级[J].爆破,2010,27(4):43-47.

[3] 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.

[4] 王新民,赵 彬,王贤来,等.基于BP神经网络的凿岩爆破参数优选[J].中南大学学报,2009,40(5):1411-1416.

[5] 王德永,袁艳斌,钱兆明,等.基于GA_BP神经网络矿岩爆破参数优选[J].爆破,2013,30(1):30-34.

[6] Zhang Yong,DU Qing-dong,YU Shi-dong. RBF neural network based on fuzzy evolution kalman filtering and application in mine safety monitoring[C]//Proceedings-2009 9th International Conference on Hybrid Intelligent Systems,Shenyang:2009:467-470.

[7] 韩红桂,乔俊飞,薄迎春,等.基于信息强度的RBF神经网络结构设计研究[J].自动化学报,2012,38(7):1083-1090.

[8] 李夕兵,张义军,左宇军,等.岩石爆破振动信号的EMD滤波与消噪[J].中南大学学报:自然科学版,2004,37(1):150-154.

[9] 张友旺,王荣椿.间接自适应动态递归模糊神经网络控制器设计[J].中南大学学报:自然科学版,2004,35(2):253-258.

Optimization Selection of Blasting Parameters Based on RBF Neural Network

Chen Qiong1Ou Hongning1Jiang Qun1Zhang Qinli2Liu Weijun2

(1.Hsikwang Shan Twinkling Star Co.,Ltd; 2.School of Resources and Safety Engineering,Central South University)

In order to obtain the reasonable blasting parameters,the RBF neural network is established,which is used to optimize blasting parameters.The sample data of 8 actual mines are counted,the six influence factors(the volume weight,modulus of elasticity,compressive strength,tensile strength,friction angle and bond strength)that affect the rock mass blastability are considered,which are taken as the input factors of the RBF neural network model,and the factors(rows space,depth of holes and once consumption of dynamite)that influenced blasting parameters are taken as the output factors,so the sample parameters are conducted optimization selection,and the optimal blasting parameters are obtained.Taking the medium-length hole blasting of a mine as an example,the blasting parameters of the mine are conducted optimization selection by the RBF neural network model,the results show that the row space of holes are 1.30 m,the space of holes are 2.20 m,and the explosives consumption is 0.32 kg/t.The practical application proves that the blasting effect is good, and the blasting parameters are reasonable.

Blasting parameters,RBF neural network,Sample data,Influence factors

2016-06-08)

陈 琼(1964—),男,高级工程师,410083 湖南省长沙市。

猜你喜欢

矿岩单耗中南大学
降低回转式阳极炉天然气炉前单耗的生产实践
中南大学建筑与艺术学院作品选登
中南大学教授、博士生导师
浅谈矿岩分离爆破技术在铜—曼露天矿山应用的可行性
基于数理统计的卷烟物料供应商选择研究
中南大学校庆文创产品设计
眼前山铁矿矿岩分区可崩性评价研究
电解铝生产降低氟化盐消耗的研究分析
不同加载形式的矿岩-充填体相互作用的力学变形特征分析
某矿区矿岩可崩性评价及块度分布预测研究