基于MIV-BAS-Elman模型的爆破振动速度预测

蔡晨，钱谦，资昊

摘 要：针对标准神经网络预测爆破振动易陷入局部极值且预测精度低的问题，采用平均影响值法（MIV）对输入变量进行筛选和约简来提高建模精度，采用天牛须搜索算法（BAS）对Elman神经网络进行初始权值阈值的优化，在此基础上建立了MIV-BAS-Elman算法模型。基于某露天煤矿爆破振动速度峰值数据样本对模型进行了验证，并与其他多种算法模型进行了比较分析，结果表明基于MIV-BAS-Elman的爆破振动速度预测模型具有运算速度快、预测精度高的优点，对爆破振动预测具有普适性和一定的实用价值。

关键词：爆破振动速度;Elman神经网络;MIV;天牛须搜索算法（BAS）

中图分类号：TP183            文献标识码：A            文章编号：1006—7973（2019）12-0110-03

1 引言

随着我国采矿、水利及交通建设的快速发展，建设中的爆破工程日益增多。爆破引起的振动将会对周边岩土体及临近结构产生不利影响甚至造成破坏，因此，控制爆破振动是爆破工程领域的重要问题，而实现有效的振动控制需建立在准确预测爆破振动的基础上。爆破振动的强度常采用振动速度来描述，为此，国内外学者针对爆破振动速度预测开展了一些工作。其中，应用较多的是结合振動实测数据拟合得到的萨道夫斯基公式。由于爆破振动受多种因素影响，各因素间存在高度非线性，采用传统方法很难进行准确预测[1]。

近些年来，一些学者通过引入神经网络开展了爆破振动速度预测并取得了较好的效果[2-5]。如王建国等[4]使用BP神经网络对某煤矿爆破振动速度进行预测，精度较萨道夫斯基公式提升约10%。蒲传金等[5]以水平距离、雷管段数、总装药量、最大单段装药量、桩基深度和爆心距作为主要因素，建立了桩基爆破振动BP神经网络预测模型，预测精度分别比萨氏公式和高程修正公式提高了71.4%和67.5%。针对神经网络存在收敛速度慢，易陷入局部极值的问题，孙文彬等[6]基于MIV对抛掷爆破影响因子进行权重分析，为优化设计提供了参考。张士科[7]等使用遗传算法（GA）改进BP神经网络进行了煤矿爆破振动特征参量预测，结果显示经过优化后的神经网络模型不仅会提高预测精度高，也会加快计算速度。

现阶段爆破振动工程中较多使用BP神经网络进行预测，而已有研究发现，Elman神经网络对于小幅变化数据和大数据的预测较BP神经网络具有优越性，Elman神经网络对于历史数据具有敏感性[8]。此外，Elman相比BP等单向神经网络对非线性系统动态预测效果更佳，适用于强非线性系统[9]。基于现有使用静态前馈神经网络进行爆破振动速度预测存在的不足，考虑到Elman神经网络的优势，本文首先采用MIV算法进行影响因素的约简，然后使用BAS算法进行初始权值阈值的优化，最终构建了基于MIV-BAS-Elman模型的爆破振动速度峰值预测方法，并与其他方法预测结果进行对比分析，结果表明本文模型提升了预测精度和迭代速度，可为爆破振动速度预测提供技术参考。

2 MIV-BAS-Elman模型的建立

2.1 Elman神经网络

Elman神经网络在BP神经网络的基础上增加承接层，隐含层的输出通过反馈层中的承接层单元自联到隐含层的输入，增强了网络本身处理动态信息的能力，使得Elman神经网络对历史数据具有敏感性和动态性。

2.2 BAS原理

天牛须搜索（Beetle Antennae Search，BAS）算法[10]是一种仿生智能搜索算法。其仿生原理为天牛在觅食过程中，比较左右触角接收到的气味强度进行移动。据此过程进行建模，即为自变量根据适应度函数大小进行迭代的过程。

2.3 MIV-BAS-Elman模型的建立

平均影响值法（Mean of Impact Value，MIV）可用来评价神经网络中的变量对输出的影响，其绝对值大小代表了输入特征影响网络输出的相对重要性。原始数据样本经过MIV处理后得到新的数据样本。以MIV数据样本为基础建立MIV-BAS-Elman预测模型的流程见图1。

3 实例分析

3.1 数据样本和MIV数据集处理

基于文献[7]中某露天煤矿工程爆破实测数据进行预测，选取数据样本中5个样本为测试集，其余20个样本为训练集。在样本数据中，影响爆破振动速度的8个因素依次为孔深L，孔距W，排距l，抵抗线d，堵塞H，最大段药量Q，高程差h，爆心距S，分别用序号1～8表示。图2为原始数据样本的MIV值比较，从图2可知影响因素序号5在本样本中对爆破速度的影响可以忽略不计，根据末位淘汰规则，选取淘汰率为15%，可将因素5剔除，由此确定处理后数据样本的输入变量为7个。

3.2 模型参数的设定

根据上述7个输入变量，即可建立Elman网络输入层，选择MSE值最低即预测精度最高的隐含层神经元数目，得到7-15-1的Elman网络结构。设置网络迭代次数为1000次，学习速率为0.01。隐含层传递函数为tansig，输出层训练函数为purelin，反向传播神经网络训练函数为trainlm。反向传播神经网络权值/阈值学习函数为learngdm，进行反复试验后选取天牛须初始步长= 3，步长因子eta = 0.95，迭代次数t = 100。

3.3 模型性能指标的选取

本文选取测试集的相对误差均值E、判定系数R2以及训练所需时间作为模型性能指标，使用训练好的模型对数据测试集的预测值进行计算，计算公式如下：

其中为测试样本个数， 为模型对第个样本的预测值， 为测试集中第个样本的真实值。以相对误差均值大小评价模型预测精度，误差越小模型精度越高;判定系数能说明模型中所有输入变量对输出变量的联合影响程度，越靠近1说明模型的拟合优度越高[11]。

3.4 预测结果及对比分析

本文选取了BP、Elman和MIV-GA-Elman作为MIV-BAS-Elman的对比算法模型。图3为GA算法与BAS算法在优化神经网络初始权值阈值时的迭代过程对比，可看出BAS算法迭代速度更快。图4、图5分别为各算法模型预测效果和相对误差对比图。各模型预测性能对比结果见表1。从图表中可知，Elman神经网络相对BP神经网络精度高，MIV算法和智能算法都能够在一定程度上提高神经网络预测精度，二者结合的MIV-BAS-Elman预测精度最高、相对误差最为平稳。

图3   权值阈值优化过程的适应度曲线对比

4结论

（1）采用MIV算法对于Elman神经网络数据样本输入变量进行筛选，并在变量筛选基础上加入BAS智能算法对模型的初始权值阈值进行优化，能有效提高模型的预测精度。

（2）结合Elman神经网络、MIV算法和BAS算法的优点，提出了MIV-BAS-Elman爆破振动速度峰值预测模型，测试结果显示该模型计算速度快、预测精度高，对于多因素小规模样本的爆破振动速度预测具有一定的普适性，能较好地用于工程爆破振速的预测。

参考文献 ：

[1]易长平， 冯林， 王刚等. 爆破振动预测研究综述[J]. 现代矿业， 2011， （5）：1-5.

[2]马晨阳， 张汉斌， 袁青等. 基于人工智能方法的地下洞室群爆破振動速度预测[J]. 爆破， 2017（04）：16-20.

[3]何理， 钟冬望， 陈晨， 等. 岩质高边坡开挖施工的爆破振动监测与分析[J]. 金属矿山， 2017（1）.

[4]王建国， 黄永辉， 周建明. 露天煤矿爆破振动的BP神经网络预测[J]. 河南理工大学学报（自然科学版）， 2016， 35（3）：322-328.

[5]蒲传金，郭王林，秦晓星， 等.基于BP神经网络的桩基爆破振动速度预测[J].爆破，2018，35（2）：177-181.

[6]孙文彬， 刘希亮， 王洪斌，等. 基于MIV的抛掷爆破影响因子权重分析[J]. 中国矿业大学学报， 2012， 41（6）：993-998.

[7]张士科，方宏远， 耿勇强 .基于遗传BP神经网络的煤矿爆破振动特征参量预测[J].煤炭科学技术，2018，46（9）：133-139.

[8]贾哲， 郭庆军， 郝倩雯. 基于Elman-马尔科夫模型的深基坑变形预测[J]. 人民长江， 2019， （1）：202-206，219.

[9]Wang Y， Zhang， Fujun， Cui， Tao， et al. Fault diagnosis for manifold absolute pressure sensor（MAP） of diesel engine based on Elman neural network observer[J]. Chinese Journal of Mechanical Engineering， 2016， 29（2）：386-395.

[10]JIANG Xiang-yuan， Li Shuai， BAS： Beetle Antennae Search Algorithm for Optimization Problems， international journal of robotics and control.

[11]黄超，龚惠群.基于判定系数和趋势变动的时间序列逐段线性回归[J].统计与决策，2006（24）：23-24.