基于人工神经网络的水下爆破振动预测技术

石晨晨 SHI Chen-chen；陈宏涛 CHEN Hong-tao；杨波 YANG Bo；周泰安 ZHOU Tai-an；赵军 ZHAO Jun

（①中铁二局集团成都新技术爆破工程有限公司，成都 610000；②广西大学，南宁 530004；③中国中铁爆破安全技术研发中心，成都 610000）

0 引言

如今，随着国民经济的快速提升，城市航道建设不断发展。水下爆破施工技术在广泛应用于水运工程施工中，带来了较大经济效益，但其产生的危害效应预测方法及控制技术一直是工程领域研究的热点[1]，各学者采用的分析研究方法也十分多样。

董承全[2]等人对水下爆破振动进行了分析，得出地形条件对振动有一定影响，凸地形的振动比凹地形振动峰值大、频率高、衰减快。张勤彬[3-4]等人对矿山爆破振动进行了分析，得出考虑高程差因素的预测模型，比传统经验公式的预测精度要高。梁瑞[5]等人通过分析边坡爆破振动高程效应的影响，得出了在平整地形条件下，萨道夫斯基公式适用性强。

本文根据现场监测的数据，利用MATLAB软件进行RBF神经网络建模与分析，选取比例药量、场地系数、孔网参数、孔数作为输入层，以实测爆破合振速峰值为输出层进行训练，再进行爆破振动预测，并与使用最为普遍的BP神经网络法进行对比，详细的分析了各爆破因素对爆破振动的变化影响大小。

1 人工神经网络

1.1 人工神经网络介绍

人工神经网络又被称人工神经元链接集合，其通过模拟人类的大脑神经系统的信息处理的方式来进行逻辑运算。本文采用的径向基函数（RBF）神经网络和误差逆传播（BP）神经网络皆从属于人工神经网络学习算法。

1.2 RBF神经网络基本原理

径向基函数神经网络是一种具有三层前馈结构的神经网络，它是以函数逼近理论为基础，被广泛的应用在函数拟合的问题中。RBF神经网络的隐含层以径向基函数作为激活函数，其输出数值是通过计算输入层所输入的数据与隐含层数据中心距离的远近来输出数值。

1.3 BP神经网络基本原理

机器算法中，误差逆传播网络简称BP神经网络，BP神经网络实质上就是一种多层前馈神经网络，以误差逆向传播算法进行神经网络模型的训练，它的优点是具有优良的非线性映射能力，被广泛的应用于函数逼近求解中。

RBF神经网络与BP神经网络均可通过建模，选取比例药量、场地系数、孔网参数、孔数作为输入层元素，以实测数据为输出层进行训练，再进行爆破振动预测，并与实测值作对比[6]，对模型的准确性进行验证后应用。

2 工程实例应用

2.1 工程概况

本工程位于梧州市境内，航道全线沿郁江下段弯曲展布，多处于郁江流域平原区内，部分为低山丘陵区，覆盖层以砂卵砾石为主，局部为基岩裸露。两岸阶地层次明显，多属侵蚀堆积阶地，局部为基座阶地。本工程河谷地貌由冲积盆地和低山丘陵组成，地面高程最低为20m，最高为50m。下段航道属天然航道，两岸主要是低山丘陵地貌，地形起伏大，河床覆盖层以河流冲积物为主，局部地段岸边基岩裸露。

2.2 基于RBF神经网络的爆破振动预测

爆破振动数据来源于工程施工监测数据，共240组数据，将前200组数据用于神经网络训练，后40组数据用于振动预测，限于篇幅，此处仅展示用于预测的40组数据的部分爆破振动数据，如表1所示。

表1 神经网络预测实测数据

通过运用MATLAB软件，将RBF神经网络预测的结果与相关参数导出，包括均方根误差（RMSE）、平均相对误差（MAPE）、决定系数（R2）。这些参数中，均方根误差和平均相对误差与预测精度和预测效果呈反比，决定系数与预测精度和预测效果呈正比。RBF神经网络法预测结果如表2所示。

表2 RBF模型预测结果表

根据对RBF模型训练误差性能曲线的分析结果显示均方误差随着隐含层神经元的增加而不断降低，直至隐含层的神经元达到80个，均方误差达到最小值。

从表2可以看出，预测值与实测值基本相吻合，采用RBF神经网络预测模型得到的结果与实测值间存在9.93%的均方根误差、15.13%的平均相对误差、95.25%的R2。

2.3 基于BP神经网络的爆破振动预测

与RBF神经网络一样，经过MATLAB主程序运行之后，预测结果与相关参数就会导出。通过调节隐含层神经元个数来提高预测精度，直至最优解。一般默认为10个，以6、8、10、12个进行试验，不同隐含层神经元个数训练拟合图如图1（a、b、c、d）所示。

图1 6～12层隐含层BP神经网络训练拟合图

BP神经网络在训练数据时，其总拟合优度可以表征其拟合精度。由图1可知，当隐含层神经元个数为8个时如图1（b），训练出的BP神经网络具有较高的预测精确性。

当隐含层神经元个数为8时，BP神经网络训练后达到最佳均方误差时，停止训练，进行验证及测试，表3为采用8个神经元的BP神经网络模型进行预测的结果。

表3 BP模型预测结果表

从表3可以看出，预测值与实测值基本相吻合，个别存在较大偏差，采用BP模型预测结果与实测值具有14.16%的均方根误差、14.93%的平均相对误差、90.70%的R2，对比表2、表3结果也突出了RBF模型的精确性高于BP模型。

3 RBF与BP神经网络预测爆破振动对比分析

将两个模型的预测结果及参数评价表进行汇总，经过统计后，对比分析输出了如图2所示的两种模型预测结果的对比图。

图2 两种模型预测结果图

可以从图2中看出，RBF模型的预测值与实测值更加接近，而BP模型的预测值有少许出现偏离，分别在第1、11、25、32这几个点偏离较多，误差分别为27.8%、26.1%、67.4%、26.8%。

由表4可以看出，均方根误差、平均相对误差越低，R2越靠近1，预测效果越好，RBF模型均方根误差与R2都要比BP模型优秀，平均相对误差虽然没有BP模型的低，但是两者相差不大，结合图3两种模型预测结果图，可以得出：RBF模型所预测的值，要比BP模型更精确，RBF神经网络法凭借着其优秀算法，在预测爆破振动方面更加可靠。

表4 两种模型参数评价表

4 结论

本文根据现场监测数据，利用MATLAB软件进行RBF神经网络建模与分析，选取了多参量为输入层，以200组实测数据为输出层进行爆破振动训练与预测，并与BP，模型的预测结果进行了对比，得出以下结论：

①RBF预测模型的预测值与实测值间存在9.93%的均方根误差、15.13%的平均相对误差、95.25%的R2。预测精度较高，能准确地反映爆破振动速度的变化规律。

②BP模型需调节神经元个数来提高精度，本工程中选取8个神经元时精度较好。BP预测模型具有14.16%的均方根误差、14.93%的平均相对误差、90.70%的R2。

③将RBF模型预测结果与BP模型预测结果进行对比，RBF模型的均方根误差与R2都要比BP模型优秀，平均相对误差虽没有BP模型的低，但是相差不大，再结合图2两种模型预测结果图，RBF模型预测值与实测值更加接近，而BP预测模型的预测值有少许偏离，分别在第1、11、25、32这几个点偏离较多，误差分别达27.8%、26.1%、67.4%、26.8%。RBF模型所预测的值相对于BP模型更精确，在预测爆破振动方面更加可靠。