基于爆堆形态的爆破设计参数预测及优化研究

2020-06-18王帷先张瑞新孙健东

华北科技学院学报 2020年2期

王帷先，张瑞新，孙健东

(华北科技学院，北京东燕郊 065201)

0 引言

目前，黑岱沟露天煤炭开采主要采用抛掷爆破——拉斗铲倒堆工艺综合剥离高台阶岩层。其中，爆破抛掷形成的爆堆是关键分析指标，它直接决定拉斗铲站立平台构建的二次倒堆量，决定后续倒堆周期；而爆堆形态效果主要受爆破设计参数控制，因此也可用于评价并优化设计方案。目前，有效抛掷率是露天抛掷爆破主要评价指标，有关实验表明岩土爆破抛掷率在25%～50%之间，而近年来现场爆破有效抛掷率基本达到27%以上水平，实际平均稳定在33%左右，还有较大改善空间。因此，研究爆堆形态对提升有效抛掷率、优化爆破设计参数具有重要意义。

目前，大量研究围绕抛掷爆破参数对爆堆形态的预测展开，大部分研究通过Weibull模型描述爆堆形态，利用不同参数组合对形态进行预测。如，通过抛掷爆破参数训练模型[1]，预测爆堆形态，并对爆堆加以分类[2]，验证预测效果；通过开发抛掷爆破设计系统[3,4]，实现自动化爆破模拟仿真；通过拉斗铲作业设计特性[5]，利用不同设计参数进行形态预测。其他，通过重点研究网络模型的拓扑结构参数[6]，改进模型算法，优化爆堆预测结果；通过利用极限学习机(ELM)[7]或引入遗传算法[8]，扩容小样本数据实现爆堆形态预测；通过对比不同模型的爆堆预测结果[9]，论证模型适用性和准确性。

上述研究基本实现以理论确定爆破参数并拟合预测爆堆形态，但爆破参数众多，需要进行大量爆堆形态预测模拟，而实际现场生产，更需要直接有效的参数设计方案。因此，本文提出以大量爆堆形态数据为基础，建立从爆堆形态到爆破设计参数的关联网络预测模型，直接利用现场有效爆堆形态，反向预测爆破设计较优参数值，优化设计方案，形成现场设计的参考模板。

1 神经网络预测模型

BP神经网络拓扑模型是解决各类数据之间合理关联的分析模型，数据集通过各层不同节点进行特征储存和传递，利用误差下降不断修正权值，最后确定某类现象与结果关系函数，从而实现预测。

1.1 模型的基础单位

神经元节点作为最基础结构体，具备了三个最基本也是最重要功能：加权、求和和转移，各节点通过数量上的相互链接、扩容组成功能完善的网络结构。图1展示了第i个基本节点，其中，x1、x2…xj分别代表来自神经元1、2 …j的输入；w1、w2…wj则分别表示神经元1、2 …j与第i个神经元的连接强度，即权值；bi为阈值(若数据信号达到阈值将被激活)；最后数据信号通过激活函数f(·)得出y值，yk为第i个元节点的输出。

图1 单个神经元功能

故对于该神经元i的可推导出输入后的值为：

(1)

式中，w为权重值；b为阈值。X= [x1，x2…xj]T，Wj= [wj1，wj2…wjn]。

输入值Sj通过激活函数f(·)，得到第j个元节点输出yj：

(2)

1.2 模型的传播计算

通常在三层网络构造基础上进行模拟即可实现大部分复杂问题的分析，而提高网络训练精度的重点在于隐含层内部神经元节点的数量设置。模型主要通过正向和反向传播交替循环，不断分析误差和更新权值，达到计算结果的逼近，如图2所示。其中，反向传播只在模型训练环节实现，它根据正向计算结果与预期值的对比差距作为反馈信号，反向逐层传递使训练沿着误差减小的方向修正，不断迭代各层连接权重值，最终完成数据信息的记忆。当模型训练完保存后，将不再进行反向传播，训练和测试数据集的错误都将降到最低。因此，误差计算的反向传播算法是调整权值提高精度的关键环节，常利用均方差计算：

(3)

(4)

图2 网络模型的两种传播过程

式中，ylp为网络计算值；tlp为期望(理想)值；Ep为样本均方差；E为网络总误差。

抛掷爆破分析涉及参数多样、数据量大，要求模型具备足够的分布储存和并行处理能力，同时实现针对不同参数类型进行非线性映射处理，快速拟合并预测。BP神经网络模型满足该分析要求，因此，搭建三层网络结构的爆堆形态预测模型。

2 爆堆形态及设计参数

为了建立爆堆和设计参数之间的关联映射模型，提高预测效率和准确度，统计可用于预测分析的关键参数有：台阶高度、煤层厚度、煤层倾角、炮孔角度、孔径、孔距、排距、抵抗线、炸药单耗、炸药总药量、爆堆形态数据、有效抛掷率、松散系数等。

其中，经多年实践论证，多项参数已基本达到最优设计值，因此可不用于预测分析计算。如：现场采用的牙轮钻机，炮孔直径已统一为310 mm；设计的有效爆区宽度固定为85 m；统一钻孔和爆区尺寸后，排距、孔距也可基本计算确定为7 m排距共计12排，每排孔距12 m若干个孔；各炮孔角度基本稳定在65°。其他参数则受多因素影响，数值上呈现一定离散状态，需通过建立输入和输出两个部分的参数数据库，用于模型分析。

2.1 输入参数库

模型以爆堆形态为核心，利用爆堆剖面数据描述曲线形态，因此输入参数为：爆堆曲线形态数据(Hi)。

表1 输入参数数据(部分)

2.2 预测库建立

模型主要通过爆堆形态分析优化爆破设计方案，因此确定输出参数为：煤层厚度(h)、煤层倾角(φ)、装药量(Q)、单耗(q1,q2,q3)、有效抛掷率(η)、松散系数(ζ)。

表2 输出参数数据(部分)

3 模型训练及预测

3.1 标准归一

在模型分析中，由于数据维度多，数据值分布多样，因此必须通过归一化处理将输入和输出数值进行无量纲化，使该分析模型中各数值转换成相对值关系，以此缩小量值，使计算过程误差减小。通常采用最大最小值法进行标准归一化处理，见式(5)。

(5)

3.2 网络节点分析

针对爆堆预测模型，以输入的爆堆曲线参数维度确定输入节点数，以期望爆破参数数据维度确定输出节点数。而隐含层节点数，常通过经验公式计算参考范围值，并通过训练实验进行对比，最终定量确定最优节点数。

(6)

式中，n为输入节点数；m为输出节点数；a为1～10之间常数。

经计算，得出隐含层合理神经元节点数为6～17个。在Matlab中直接分别进行训练实验，通过对不同节点数的训练误差判断，见表3，确定最小误差对应的隐含层节点数为12个。

表3 不同隐含层神经元节点数的网络误差分析

3.3 预测误差分析

从样本数据库中随机选取多组参数数据进行实验，通过对比分析原始网络和训练网络的误差可知，原始网络模拟值中有12.5%的参数值误差超过1，其中17N1-39剖面的后两排炸药单耗误差数值接近7，数据差距极大；仅有31.2%的参数值误差在0.1以下。训练后的网络误差明显减小，参数值误差水平小于0.1的结果高达71.8%，不再出现超过1的误差值。对比说明训练后的神经网络模型预测准确程度提高。

表4 参数测试数据的真实值、初始值、仿真值比较

续表

如图3所示，蓝线和红线分别为模型训练前和训练后的误差分布，可明显发现，训练后的误差基本回落并稳定在0.4以内。

图3 训练前、后测试误差分布

从测试数据仿真值的单相误差上分析，在获得的所有数据误差值中进行分析，对每项指标计算平均误差值，煤层倾角和后两排单耗误差值仍然突出，整体样本误差均值在0.0798，而去掉突出误差指标后，整体样本误差均值下降到0.0453。通过结果分析，模型预测值基本处于合理范围。

表4 测试样本参数误差

注：整体样本均差值：0.0798

降噪样本均差值：0.0453

4 案例应用及优化

4.1 案例应用

根据露天矿高台阶的高度分布情况分组，现有三组满足拉斗铲倒堆作业平台快速构建的具有典型代表性意义的爆堆形态，见表5。将这三组爆堆形态用于爆堆形态预测模型，获得相应参数设计值，为现场爆破设计方案的优化提供参考。

4.2 预测结果分析

经模型预测计算，同时从爆堆样本库中挑选三组对应相似的曲线形态样本进行对比，分析预测结果的有效性，见表5。

表5 预测数值分析

续表

其中，40 m曲线的预测效果比其他两组要好，数值差异范围基本处于可接受范围，精度基本在90%以上。45 m曲线预测数值也相对匹配，而35 m曲线预测值存在部分偏差。三组对比案例中，后两排炮孔单耗预测值都不理想，煤层倾角由于数值精确度的限制，利用相对误差计算值进行评价较为不准。若排除以上两类参数影响，预测数值平均误差降为0.0656水平，效果明显变好。