地下矿扇形中深孔爆破智能设计系统的开发与应用

张耿城 吴 凡 韩荣灿 张兴帆

（1.鞍钢矿业爆破有限公司；2.沈阳铝镁设计研究院）

在金属矿山地下开采过程中，穿孔爆破是开采工艺中的重要一环。中深孔爆破技术由于具有高效率和低成本等优点被广泛应用于国内外矿山［1］。在使用中深孔爆破法落矿的矿山，工程师需要根据现场的实际情况使用CAD 等绘图软件进行大量重复的爆破设计工作。这些设计工作往往需要根据爆破边界的变化、爆破参数的控制和爆破方量的计算而进行相应的调整。大量重复性的爆破设计工作变得十分繁琐与枯燥，而且常常由于微小的失误而导致爆破效果的偏差。

为了快速完成工程设计中重复性的内容，企业常常会利用相关软件的二次开发技术定制相应的软件系统，其中最典型的代表就是AutoCAD 的二次开发。该技术目前已被广泛应用于机械［2］、电子［3］、建筑［4］、航天［5］和采矿［6］等各个领域。并且该技术可以使用VB［7］、C#［8］、AutoLisp［9］以及C++［10］等多种编程语言进行开发，具有很好的兼容性。

在中深孔爆破设计中，孔网几何参数、起爆参数、炸药装填参数等都对爆破的最终效果具有直接影响，然而现今实际矿山进行爆破参数的设计时还没有相应的规范，设计的依据主要取决于工程师的经验，这种粗糙的设计方法逐渐无法满足矿山高效生产的要求。

本研究针对中深孔爆破设计中存在的弊端，结合鞍山眼前山地下矿地质报告及现场跟踪测量的数据等资料，建立基于改进ELM 的地下矿爆破参数智能设计及效果智能预测模型，借助ELM 学习算法和CAD 二次开发技术开发了中深孔爆破智能设计系统，以某月该系统可以实现各种复杂边界条件下的爆破智能设计，并自动计算爆破方量和炸药用量等数据，可以大大节省工程师的时间和精力。

1 工程背景

眼前山铁矿地处千山风景区东北5 km，西距鞍山市中心22 km。地理坐标：东经123°9′30″；北纬41°0′04″。眼前山铁矿总体走向270°～300°，矿区地层主要以单斜构造为主，总体产状为走向270°～300°，倾向北，倾角70°～85°，局部近直立或有倒转现象。矿区褶皱和断裂构造发育。断层按走向可分为走向断层、横断层和斜交断层。

矿区采用无底柱分段崩落法开采，回采落矿方式主要采用扇形上向中深孔爆破。落矿参数：炮孔扇面倾角为90°，扇形炮孔边孔角为45°～55°，孔径为78 mm，排距为2 m，孔底距为2 m。爆破设计参数对爆破大块率有很大影响，并且直接影响爆破后矿石大块率。尤其在眼前山铁矿溜井处留有大量的大块矿岩，铲运机无法对其进行铲装作业，滞留于巷道中，从而严重影响到装运设备效率和二次破碎工作量，同时，对运输胶带也会产生很大的危害。根据每个爆破位置，量身定做爆破炮孔结构参数，可以改善矿石块度，优化爆破效果，并可以减小中深孔穿孔量。

2 爆破参数智能设计

2.1 ELM极限学习算法概述

基于前馈神经网络，Huang于2006第一次提出极限学习机算法（Exetreme Learning Machine，简称ELM［11］）。ELM 是在单隐含层神经网络（SLFNs）的延伸，被广泛应用于分类、拟合、预测等方面。与SLFNs不同的是，ELM 算法的隐含层节点的个数、隐含层参数与训练数据无关，且隐含层参数随机产生，避免了梯度下降法调整参数，从而大大加快了运行速度。

图1 是一个典型的ELM 神经网络拓扑图。它包含输入层、隐含层和输出层三大层，输入层与隐含层、隐含层与输出层神经单元之间全连接。输入权值和隐含层阈值不是唯一固定的，而是随机产生的。单隐含层前馈神经网络类似于一个线性系统，能够通过计算隐藏层输出的广义逆矩阵可以确定其输出层权值。

2.2 ELM模型的改进

ELM 的特点就是输入权值和隐藏层偏差是随机的，通过最小二乘法直接确定输出层权值，具有学习快速、算法简单等优势。然而ELM 算法输入权值和隐藏层偏差随机赋予的特点，使得其针对同一个问题时，每次构建的模型都是不同的，不同的参数对ELM 的泛化能力有着很大的影响，随机产生出不好的参数会产生较差的模型。因此在对ELM 的改进过程中，输出层权值的计算方式与原ELM 计算方式相同，主要对输入层权值和隐藏层偏置进行修改，使得整个模型朝着误差较小的方向走。具体的改进方法如下。

第一步：完成第一次ELM 神经网络的训练与预测，并保存其中的权值、偏置等网络参数，记录本次训练的均方误差E。

第二步：正向搜索w′=w+t，按照ELM 算法，重新更新其中的输入权值β′，计算新的误差E′。

第三步：比较E′和E，若E′＜E，则保留当前的输入层权值、隐藏层偏置和输出层权值，即w=w′，β=β′，然后继续调到第一步。若E′＞E，则跳到第四步。

第四步：判断权值是否为首次更新，若为首次更新，则进行下一步，若已经更新过了，则认为找到了一个局部最小点，退出即可。

第五步：反向搜索w′=w-t，按照ELM 算法，更新输入层权值β′，计算新误差E′。

第六步：比较E′和E，若E′＜E，则保留当前的输入层权值、隐含层偏置和输出层权值，即w=w′，β=β′，然后继续执行第四步。若E′＞E，则退出。

第七步：对下一个粒子执行相同的操作。

2.3 算法改进效果对比

利用上述分析结果，建立训练模型，在地下矿爆破参数设计数据库中，随机挑选10 组未经过训练的数据，进行爆破大块率的预测，根据改进网络的结构，迭代终止时模型对相应岩石力学参数下的大块率预测结果如图2所示。

通过大块率预测模型预测的爆破效果拟合情况可以看出，基于改进ELM 的地下矿爆破大块率预测模型，随着迭代次数的增加，预测值与期望值的拟合情况更好。依据改进的ELM 神经网络所建立的地下矿爆破大块率预测过程中，其精准度非常高，其均方误差仅为4.717 2×10-8，相比原ELM 网络的预测结果，具有极大的提升。与期望值的误差非常小，完全满足矿山生产的误差要求。

3 系统的开发与应用

3.1 开发方法概述

从2006 版本的AutoCAD 以后，.NET API 加入到Autodesk 的开发中。其提供的一系列托管的外包类（Managed Wrapper Class），能够使得技术开发人员在Microsoft.NET Framework 环境下，使用任何一个支持.NET 语言，例如使用VB.NET、Managed C++以及C#等语言对AutoCAD 进行功能的二次开发。其主要的优点就在于完全面向对象，功能更加强大且方便快捷，所以其更适合作为AutoCAD 二次开发的工具。因此，本研究中的中深孔爆破智能设计系统，以Microsoft Visual Studio 作为程序的开发环境，采用C#编程语言进行AutoCAD 二次开发，并将开发的系统进行实际应用。

3.2 功能模块的划分与算法流程图

本系统主要由人机交互模块、核心计算模块、绘图显示模块和数据统计模块四部分组成，各模块下属功能具体如图3所示。根据系统功能模块的划分，程序算法流程如图4所示。

3.3 系统的界面设计

系统的界面设计如图5 和图6 所示。其中，图5为改进ELM算法自动设计爆破参数的过程，图6为利用CAD自动绘制中深孔炮孔的过程。

3.4 系统的应用实例

利用本研究开发的中深孔爆破智能设计系统对眼前山地下矿-159 m 水平2 进路8#剖面进行中深孔的设计工作，系统首先根据输入的岩体力学参数给出爆破参数的选择，接着采用系统建议的爆破设计参数进行中深孔炮孔的布置，在绘制炮孔过程中，系统自动计算每个炮孔的孔深、倾角、单孔装药量以及孔底距等数据，并根据爆破的排距统计此次的爆破量，将统计的数据形成表格，具体情况如图7所示。

4 结论

本研究从现场实际需求出发，为解决地下矿扇形中深孔爆破中依靠人工经验设计和大量手工重复性绘图的问题，开发了中深孔智能爆破设计系统。该系统以改进的ELM 算法为参数优选内核，以基于.NET 的AutoCAD 二次开发技术为手段，可以实现爆破参数的智能设计和炮孔及爆破图表的自动绘制。将该系统应用于现场实际设计工作，取得了较好的应用效果。