露天煤矿抛掷爆破有效抛掷率预测

刘 干 李克民 肖双双 马 力

(1.中国矿业大学矿业工程学院，江苏 徐州 221116;2.煤炭资源与安全开采国家重点实验室，江苏 徐州 221116)

露天煤矿抛掷爆破有效抛掷率预测

刘 干1,2李克民1,2肖双双1,2马 力1,2

(1.中国矿业大学矿业工程学院，江苏 徐州 221116;2.煤炭资源与安全开采国家重点实验室，江苏 徐州 221116)

有效抛掷率是评价抛掷爆破效果最重要的指标之一，预测有效抛掷率可以指导露天煤矿准确制定生产计划。在分析了抛掷爆破有效抛掷率影响因素的基础上，选取抛掷爆破台阶高度、炸药单耗、底盘抵抗线、孔距、排距、煤层厚度等6个指标作为广义回归神经网络的网络输入，以有效抛掷率为网络的输出，建立了有效抛掷率预测模型，并通过MATLAB编程来实现了网络的训练和预测。实例结果表明：广义回归神经网络能够较准确地预测有效抛掷率，预测误差一般在5%左右，预测结果能够满足工程要求。

抛掷爆破 有效抛掷率 可靠性 广义回归神经网络

露天煤矿使用抛掷爆破剥离技术可以将30%～65%的剥离物直接抛掷到采空区，无需再进行采、运、排作业，使剥离成本降低30%以上[1-2]。抛掷爆破技术与拉斗铲倒堆工艺结合使用可大幅提升露天煤矿的生产能力，进一步降低剥离费用[3-4]。有效抛掷率是评价抛掷爆破效果最重要的指标之一，文献[5]以MIV值为评价依据，研究了抛掷爆破台阶高度、采宽、平均炸药单耗、煤层厚度、最小抵抗线、孔距、排距等参数对抛掷距离、有效抛掷率和松散系数的影响权重；文献[6]在理论分析和现场实验的基础上，探讨台阶高度对抛掷爆破效果的影响；文献[7]推导出抛掷距离与炮孔倾角及炸药单耗的关系式，描述了各参数之间关系变化的趋势；文献[8]建立了有效抛掷率离散模型和抛掷速度反演模型，通过扫描爆破前后倒堆台阶，对露天煤矿抛掷爆破有效抛掷率进行了有效预测；文献[9]分析了高台阶抛掷爆破效果的各影响因素，建立了反映各主要影响因素与抛掷爆破效果之间关系的抛掷爆破效果预测BP神经网络预测模型；文献[10]完善了BP神经网络预测抛掷爆破有效抛掷率的建模流程，并利用遗传算法优化了BP神经网络的初始权值，提高了预测精度；文献[11]建立了基于遗传算法优化的支持向量机模型GA-SVM用于预测抛掷爆破有效抛掷率。

由于BP神经网络收敛速度慢、容易陷入局部最小、需要大量训练样本等缺点，用其预测有效抛掷率误差较大，结果并不理想；SVM的参数惩罚项与核函数参数的选择、优化对预测结果影响较大，而广义回归神经网络具有收敛速度快、计算量小，样本数据较少时也可以取得较好的预测效果等优点[12]，并可以处理不稳定的数据，因此本研究选择广义回归神经网络(GRNN)预测有效抛掷率。

1 预测抛掷爆破有效抛掷率的意义

有效抛掷率是指通过抛掷爆破被抛掷到采空区不需要再进行采装、排弃等作业的爆破量与抛掷爆破总量的比值，如图1所示，其计算公式为

(1)

式中，η为有效抛掷率；ks为爆堆松散系数；H为抛掷爆破台阶高度，m；A为采掘带宽度，m；SⅠ、SⅡ、SⅢ分别为图1中Ⅰ、Ⅱ、Ⅲ区域的面积，m2。

图1 有效抛掷率计算

定义拉斗铲倒堆工艺系统的可靠性为拉斗铲倒堆工艺系统在当前露天矿的生产作业条件下和计划的时间内完成计划的剥离任务量的能力，其可靠度为系统在当前露天矿的生产作业条件下和计划的时间内完成计划的剥离任务量的概率，即

(2)

式中，R为拉斗铲倒堆工艺系统可靠度；Qs为拉斗铲实际生产能力，m3/月；Qj为拉斗铲计划任务量，m3/月。

根据图1中的几何关系可知：

(3)

式中，M为露天煤矿计划的月原煤生产能力，t/月；ks为二次倒堆率；h为煤层的平均厚度，m；γ为煤的容重，t/m3；kc为煤层回采率。

由于国内的煤层埋藏较深，覆盖层较厚[13]，抛掷爆破—拉斗铲倒堆工艺只能用于煤层上覆部分岩石的剥离，此工艺系统严重限制采煤作业。为了保证露天煤矿的持续生产，必须保证拉斗铲倒堆工艺系统有较高的可靠性。而露天煤矿在制定生产计划时，通常根据经验把有效抛掷率看作一个常数ηc，假设实际有效抛掷率为ηs，在不考虑其他因素变化的情况下，当ηc>ηs时，会导致拉斗铲的计划任务量Qj偏小。这种情况下，即使拉斗铲完成计划任务量，即Qs≥Qj，也会导致露天煤矿完不成计划的月原煤生产能力。当ηc≤ηs时，拉斗铲的计划任务量Qj会偏大，这种情况使拉斗铲倒堆工艺系统的可靠性更高，但可能会导致拉斗铲的生产能力不能完全发挥。

若可以准确预测有效抛掷率，使制定生产计划时采用的有效抛掷率η接近实际有效抛掷率ηs，则可以使拉斗铲的计划任务量Qj准确可靠，保证拉斗铲倒堆工艺系统的可靠性，还可以充分发挥拉斗铲的生产能力。因此，预测抛掷爆破有效抛掷率对准确制定露天煤矿生产计划、提高拉斗铲倒堆工艺系统的可靠性、保证露天煤矿持续稳定的生产具有重要意义。此外，有效抛掷率的预测结果还可以作为抛掷爆破优化设计、判断爆破参数等是否合理的重要依据，指导改善抛掷爆破效果。

2 影响抛掷爆破有效抛掷率的因素分析

影响露天煤矿抛掷爆破有效抛掷率的因素包括工程地质条件、爆破技术条件、现场施工质量3个方面[14]，详细见图2。

图2 有效抛掷率影响因素

2.1 工程地质条件

工程地质条件主要包括岩石的物理力学性质、节理裂隙发育程度、结构面产状、煤层厚度等。岩石的物理力学性质如岩石的密度、弹性模量对抛掷爆破的有效抛掷率影响较大，在其他条件不变的情况下，有效抛掷率随着岩石密度的降低而增大，随着岩石弹性模量的增大而增大。当岩体节理裂隙垂直于自由面时，爆轰气体容易逸散，使得有效抛掷率偏低；当节理裂隙平行于自由面时，会增大相邻炮孔间的相互作用，使得有效抛掷率偏大。煤层厚度影响抛掷爆破台阶重心的高度，进而影响抛掷距离，当其他参数一定的情况下，煤层厚度越大，抛掷距离越远，有效抛掷率越大。

2.2 爆破技术条件

爆破技术条件包括孔网参数、装药结构、布孔及起爆方式、延时时间及炸药特性等。孔网参数如孔距、排距、底盘抵抗线直接影响有效抛掷率，如当排距不变的情况下，增大孔距，爆堆的爆堆的前沿抛掷距离基本不变，在一定范围内，抛掷率随着炮孔密集系数的增大而增大[15]。装药结构决定炸药单耗、炸药位置。炸药单耗偏低，会导致有效抛掷率较低，在一定范围内，提高炸药单耗可以显著提高有效抛掷率，但炸药单耗也不宜过大。炸药特性影响爆轰压力、爆炸压力、爆炸作用时间等，直接影响有效抛掷率。此外，抛掷量和台阶高度与采掘带宽度之比呈近似线性关系，在一定范围内，增大台阶高度可提高抛掷距离，适当增加台阶高度，减小采掘带宽度可以提高有效抛掷率。

2.3 现场施工质量

现场施工质量包括钻孔质量、装药质量、填塞质量及连线质量。钻孔质量直接影响抵抗线、孔距、排距等孔网参数，此外钻孔孔长不够会导致装药长度或填塞长度不满足设计要求，影响装药结构。装药质量影响装药量、炸药在炮孔中的分布，进而影响炸药单耗以及不耦合系数等参数。填塞质量直接影响填塞作用的实现程度。连线质量影响起爆延时，甚至影响爆破安全。

3 抛掷爆破有效抛掷率预测模型的建立

3.1 预测模型的建立

由于影响抛掷爆破有效抛掷率的因素比较多，采用传统的预测方法如灰色预测方法、时间序列方法等预测其生产能力，预测效果并不理想。而广义回归神经网络GRNN能够较好地处理这种非线性不确定复杂问题，并具有收敛速度快、计算量小[16]、样本数据较少时也可以取得较好的预测效果等优点，因此选择GRNN建立抛掷爆破有效抛掷率预测模型。

在特定的露天煤矿，其抛掷爆破台阶的工程地质条件一般变化不大，在露天煤矿的实际生产过程中，为了提高生产效率，方便施工，抛掷爆破通常采用相同的孔径、炮孔倾角、炮孔堵塞方式、采掘带宽度及炸药，一般通过调整孔距、排距、台阶高度等参数来优化抛掷爆破，以适当提高有效抛掷率。根据以上分析，选择抛掷爆破台阶高度、炸药单耗、底盘抵抗线、孔距、排距、煤层厚度等6个能够量化的、对有效抛掷率影响较大的指标作为GRNN广义回归神经网络的网络输入，以有效抛掷率为网络的输出，构建如图3所示的GRNN广义回归神经网络模型。

图3 广义回归神经网络模型

图3中，输入层的神经元数目m等于输入向量的维数，本模型中m=6，输入变量直接传递至模式层。

模式层神经元的数目n等于学习样本数，每个神经元对应不同的样本，神经元的传递函数为

(4)

式中，x为网络输入变量；xi为第i个神经元对应的学习样本。

求和层中包含两类神经元，一类神经元是对模式层的所有神经元的输出进行算术求和，传递函数为

另一类神经元是对模式层所有的神经元输出进行加权求和，传递函数为

输出层神经元的数目等于输出向量的维数k，本模型为k=1，各神经元把求和层的输出相除即可得预测结果:

3.2 模型的求解

网络的训练和预测可以通过MATLAB编程来实现。在MATLAB中可用函数“newgrnn”设计广义回归神经网络，首先载入样本数据并把样本数据划分为训练样本和预测样本，然后通过交叉验证方法训练网络，采用循环训练的方法求解最佳的径向基函数扩展速度SPREAD，最后用建立的网络模型进行预测。

为了保证预测效果，在网络训练之前利用式(5)把样本数据进行归一化处理，将数据转化为[0,1]区间的值。在输出层利用式(5)把输出结果还原:

(5)

4 工程实例

目前，黑岱沟露天煤矿主采煤层6号煤层上部40 m左右的岩石采用抛掷爆破—拉斗铲倒堆工艺进行剥离。抛掷爆破爆区平均长度550 m，采掘带宽度80 m，抛掷爆破台阶高度40 m左右，台阶坡面角65°，炮孔倾角65°。选取该矿的相关数据作为样本，详见表1。通过MATLAB编程实现网络的训练与预测。

表1 广义回归神经网络样本集Table 1 Data set of GRNN

选用前14组样本作为训练样本，第15组样本作为测试样本，网络的训练预测结果见图4。利用第15组样本预测的有效抛掷率为34.3%，实际为32.8%，相对误差为4.57%，预测结果较为准确，完全能够满足露天煤矿的生产要求。

图4 网络预测结果

5 结 论

(1)准确预测抛掷爆破的有效抛掷率可以保证拉斗铲倒堆工艺系统的可靠性，充分发挥拉斗铲的生产能力，指导露天煤矿准确制定生产计划，保证露天煤矿持续稳定的生产，为抛掷爆破优化设计、改善抛掷爆破效果提供依据。

(2)影响露天煤矿抛掷爆破有效抛掷率的因素包括工程地质条件、爆破技术条件、现场施工质量3个方面，从中选择抛掷爆破台阶高度、炸药单耗、底盘抵抗线、孔距、排距、煤层厚度等6个指标作为广义回归神经网络的网络输入。

(3)由于广义回归神经网络具有收敛速度快、计算量小、所需样本少等优点，可以根据影响有效抛掷率的因素利用广义回归神经网络建立有效抛掷率预测模型，以预测有效抛掷率。

(4)工程实例表明，建立的有效抛掷率预测模型可以准确的预测有效抛掷率，预测误差可以控制在5%以内，完全能够满足露天煤矿的生产要求。

[1] 傅洪贤，张幼蒂．露天煤矿中的爆破剥离技术[J]．中国矿业，2001，10(2)：38-40． Fu Hongxian，Zhang Youdi.Blasting technology for overburden stripping in open-pit coal mine [J].China Mining Magazine，2001,10(2):38-40.

[2] 张幼蒂，傅洪贤，王启瑞，等．抛掷爆破与剥离台阶开采参数分析——露天矿倒堆剥离开采方法系列论文之四[J]．中国矿业大学学报，2003，32(1)：27-30． Zhang Youdi，Fu Hongxian，Wang Qirui，et al.Casting blast and analysis of mining parameters of stripping bench technical paper series for open cast method in surface mines(IV)[J].Journal of China University of Mining & Technology，2003,32(1):27-30.

[3] 傅洪贤，李克民．露天煤矿高台阶抛掷爆破参数分析[J]．煤炭学报，2006，31(4)：442-445． Fu Hongxian，Li Kemin.Analysis of high-bench cast blasting parameters in surface coal mines[J].Journal of China Coal Society，2006,31(4):442-445.

[4] 李克民，张幼蒂，傅洪贤．露天煤矿抛掷爆破参数分析[J]．采矿与安全工程学报，2006，23(4)：423-426． Li Kemin，Zhang Youdi，Fu Hongxian.Analysis of casting blast parameters in surface coal mines[J].Journal of Mining & Safety Engineering，2006,23(4);423-426.

[5] 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． Sun Wenbin，Liu Xiliang，Wang Hongbin，et al.Weight analysis of cast blasting effective factors based on MIV method[J].Journal of China University of Mining & Technology，2012,41(6):993-998.

[6] 李祥龙，刘殿书，何丽华，等．露天煤矿的台阶高度对抛掷率的影响[J]．爆炸与冲击，2012，32(2)：211-215. Li Xianglong，Liu Dianshu，He Lihua，et al.Influences of bench height of an open-pit coal mine on cast percentage[J]，Explosion and Shock Waves，2012,32(2):211-215.

[7] 马 力，李克民，丁小华，等．抛掷爆破岩体抛掷距离影响因素研究[J]．工程爆破，2013(S1)：50-53. Ma Li，Li Kemin，Ding Xiaohua，et al.Study on the influencing factors on casting distance of rock by casting blast[J].Engineering Blasting，2013(S1):50-53.

[8] 周 伟，才庆祥，李克民．露天煤矿抛掷爆破有效抛掷率预测模型[J]．采矿与安全工程学报，2011，28(4)：614-617． Zhou Wei，Cai Qingxiang，Li Kemin.Prediction mode of effective stripping ratio of casting blast in open pit[J].Journal of Mining & Safety Engineering，2011,28(4):614-617.

[9] 李祥龙．高台阶抛掷爆破技术与效果预测模型研究[D]．北京：中国矿业大学，2010． Li Xianglong.Research on the Technology and Effect Prediction Models of High Bench Cast Blasting[D].Beijing：China University of Mining & Technology，2010.

[10] 刘希亮．基于GA-BP神经网络抛掷爆破效果预测与分析[D]．北京：中国矿业大学，2011． Liu Xiliang.Prediction and Analysis of Mine Cast Blasting Effect Based on GA-BP Neural Network[D].Beijing：China University of Mining & Technology,2011.

[11] 刘希亮，赵学胜，陆 锋，等．基于GA-SVM的露天矿抛掷爆破抛掷率预测[J].煤炭学报，2012，37(12):1999-2005． Liu Xiliang，Zhao Xuesheng，Lu Feng，et al.A GA-SVM based model for throwing rate prediction in the open-pit cast blasting[J].Journal of China Coal Society,2012,37(12)：1999-2005.

[12] 赵 闯，刘 凯，李电生．基于广义回归神经网络的货运量预测[J]．铁道学报，2004，26(1)：12-15． Zhao Chuang，Liu Kai，Li Diansheng.Freight volume forecast based on GRNN[J].Journal of The China Railway Society，2004，26(1):12-15.

[13] 杨荣新，曾昭红，贺国友．中国露天采煤工艺的发展方向[J]．煤炭学报，1993，18(1)：11-19． Yang Rongxin，Zeng Zhaohong，He Guoyou.Development direction of surface coal mining technology in China[J].Journal of China Coal Society，1993,18(1):11-19.

[14] 马 力，李克民，丁小华，等．黑岱沟露天矿抛掷爆破效果的模糊综合评价[J]．金属矿山，2011(9)：58-60． Ma Li，Li Kemin，Ding Xiaohua，et al.Fuzzy synthetic evaluation on casting blast effect of Heidaigou surface coal mine[J].Metal Mine，2011(9):58-60.

[15] 李祥龙．孔距、排距对高台阶抛掷爆破抛掷率的影响[J]．北京理工大学学报，2011，31(11)：1265-1269． Li Xianlong.Effect of casting parameters on the cast percentage of high bench cast blasting[J].Transactions of Beijing Institute of Technology，2011,31(11):1265-1269.

[16] 伊良忠，章 超，裴 峥．广义回归神经网络的改进及在交通预测中的应用[J]．山东大学学报:工学版，2013，43(1)：1-6． Yin Liangzhong，Zhang Chao，Pei Zheng.A modified general regression neural network with its application in traffic prediction[J].Journal of Shandong University:Engineering Science，2013,43(1):1-6.

(责任编辑 石海林)

Prediction of Effective Stripping Ratio of Casting Blast in Surface Coal Mines

Liu Gan1,2Li Kemin1,2Xiao Shuangshuang1,2Ma Li1,2

(1.SchoolofMines，ChinaUniversityofMining&Technology，Xuzhou221116，China;2.StateKeyLaboratoryofCoalResourcesandSafeMining，Xuzhou221116，China)

The effective stripping ratio is one of the most important indicators to evaluate the effect of casting blast，and the prediction of effective stripping ratio can guide the technical personnel to make accurate production planning.Based on analyzing the factors of effective stripping ratio，the bench height，explosive consumption，bottom burden，hole spacing，row spacing，thickness of coal seam were taken as the network input of generalized regression neural network (GRNN)，the effective stripping ratio was set as network output.The prediction model of effective stripping ratio was built，and network training and prediction were achieved through MATLAB programming.The results showed that the GRNN could predict the effective stripping ratio accurately with the forecast error normally around 5%，and the prediction results can meet the project requirements.

Casting blast，Effective stripping ratio，Reliability，Generalized regression neural network

2013-11-09

国家高技术研究发展计划(863计划)项目(编号：2012AA062002)，国家自然科学基金重点项目(编号：51034005)。

刘 干(1990—)，男，硕士研究生。

TD824，TD235.31

A 文献标志码 1001-1250(2014)-04-065-05