基于BP神经网络的爆破振速峰值预报*

王 靖 璩世杰 易巧明 万鹏鹏

(北京科技大学土木与环境工程学院)

基于BP神经网络的爆破振速峰值预报*

王 靖 璩世杰 易巧明 万鹏鹏

(北京科技大学土木与环境工程学院)

以司家营铁矿露天矿爆破振动的实测数据为基础，运用BP神经网络原理，以孔数、最大单孔药量、总药量、高程差和爆源距作为影响爆破振动速度的主要因素，建立BP神经网络模型，对质点爆破振动速度峰值进行预测。结果表明：BP神经网络模型的预测精确度明显高于传统的萨道夫斯基公式，对工程实践具有较好的指导性。

BP神经网络模型 爆破振动 相对误差

大型露天矿山的爆破规模一般都比较大，爆破振动容易影响日常的生产安全和边坡岩体稳定。因此，对爆破振动进行准确预测，为控制爆破振动提供依据，是矿山爆破生产环节中的一项重要工作，对于矿山的安全稳定生产具有重要的意义[1]。

1 爆破振动速度预测的研究

质点振动速度是目前国内外表述爆破振动效应的一个主要参数，工程实践中主要是根据现场测得的振动数据进行回归分析，得出萨道夫斯基经验公式，然后利用求出的公式预测后续爆破振动速度。萨道夫斯基公式：

(1)

式中，V为质点振动速度峰值，m;Q为最大段起爆药量,kg;R为爆源距,即测点至爆区药包中心的距离，m;K，α为与爆破场地条件、地质条件有关的系数[2-3]。

多数工程试验证明，萨道夫斯基公式在平整地形条件下预测地面的爆破振动质点速度具有较高的精度，但由于该公式未考虑测点与爆心之间高差的影响，当爆破场地的地形地貌变化较大时用该公式预测爆破振动精度较低。基于这一认识，有不少学者对有高程变化的爆破振动进行了研究。长江科学院张正宇等考虑边坡高差的影响，提出了优化的爆破振动速度公式[2，4]：

(2)

式中，H为高程差,m；β为高程影响系数；e为常数；其他符号意义同前。

但是由于影响爆破振动速度的因素有很多，因此采用萨氏公式或其修正公式进行预测，有时候误差会非常大，很难满足工程需要。为实现爆破振动速度的准确预报，研究人员开始尝试使用一种新的预报方法——神经网络法[5]。

人工神经网络是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型[6]。人工神经网络是由大量简单的神经元相互连接而成的自适应非线性动态系统，能够进行复杂的逻辑操作和非线性关系的实现[6]。人工神经网络具有大规模并行分布式结构和神经网络学习能力以及由此而来的泛化能力(泛化是指神经网络对不在训练集中的数据可以产生合理的输出)[6]。人工神经网络用训练集中的多个样本进行训练，直到网络达到没有显著的权值修正的稳定状态为止[6]。所以，使用现场获取的原始数据输入进行网络训练，建立输入/输出映射关系，从而预测输出结果[7]。例如，夏梦会等以单段最大药量、爆源距和相对于爆源的高差作输入量，建立模糊神经网络模型，预测出的爆破振动速度与实际值的平均误差为5.58%[8]；申旭鹏等以台阶高度、炮孔数、炸药性能、总药量、最大段药量、测点位置、爆心距作为输入量，建立BP神经网络模型，预测出的爆破振动速度与实际值的平均误差为8.4%[5]。

输入变量的选取是建立合理神经网络模型的关键。人们通过研究影响爆破振动效应的各种因素，建立神经网络模型，用训练好的神经网络来对爆破振动进行预测，对于控制爆破振动和保证安全生产具有十分重要的意义[5]。本文以司家营铁矿露天矿日常的爆破作业为基础，测得了爆破试验数据，综合考虑影响爆破振动的因素，建立BP神经网络模型，预测爆破振动的速度峰值，并与萨道夫斯基公式计算出的结果及现场监测结果进行对比[7]。

2 BP神经网络简介

BP(Back Propagation)神经网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP神经网络由信息的正向传播和误差的反向传播2个过程组成。若实际输出与期望输出不符，则误差通过输出层，按梯度下降的方式修正各层权值，向隐含层、输入层逐层反转。周而复始的信息正向传播和误差反向传播是各层权值不断调整的过程，直到网络输出的误差达到预期的目标或预先设定的学习次数为止[6]。

3 BP 网络模型数据选取及处理

爆破地震是一个非常复杂的动力学过程, 其影响因素主要包括埋深、药量、爆破方式等爆源因素，以及传播途径、爆源距、岩土条件等传播途径因素[1]。在影响爆破振动的各类因素中，某些影响因素的数据是难以获取的，考虑到输入样本应具有代表性和易取性[5]。本文主要选取炮孔数、总药量、最大段药量、高差和爆源距共5个特征量作为影响爆破振动效应强弱的主要因素。

选取露天矿50组爆破振动测试数据为样本(见表1)。由于输入、输出数据数量级差别较大，为了避免因此而造成的网络预测误差较大，在进行训练及测试前对所有的输入数据进行归一化预处理。

4 预测模型的建立

根据BP定理，给定任意ε>0和任意L2函数f:[0，1]n→Rm存在一个3层BP网络，它可在任意ε平方误差精度内逼近f。从该定理可知，用3层的 BP 网络就可以实现L2函数，因此，可以采用 3 层 BP 网络来预报爆破振动速度[7]。本次爆破振动速度预测的BP神经网络模型输入层的神经元有5个(炮孔数、总药量、最大段药量、高差和爆源距)，隐含层节点数根据Kolmogorov定理确定为11个，输出层神经元为测点的振动速度峰值[5]。运用 MATLAB语言构建BP神经网络，采用trainlm训练函数，最大训练步数epochs为1 000，训练目标均方误差mse=1×10-4。用样本数据中前40组数据进行网络训练，后10组数据作为检验样本。

5 预测结果对比

利用表1中的前40组数据进行萨道夫斯基公式回归得到的预测振动速度公式如下：

表1 爆破测试参数数据

(3)

表2为萨道夫斯基公式预测和BP神经网络预测结果与实测结果的对比。由表2可知，萨道夫斯基公式预测的振动速度与实测振动速度的平均误差为19.6%，BP神经网络预测得到的振动速度与实测振动速度的平均误差为10.6%，由此证明BP神经网络预测的爆破振动速度比萨道夫斯基公式预测的爆破振动速度更加准确。

表2 预测速度结果与实测速度结果对比

6 结 论

(1)BP神经网络用输入矢量(孔数、总药量、最大段药量、高差、爆源距)和相应的输出矢量(质点最大振动速度)训练一个网络逼近一个函数。通过调整网络间的权值建立输入/输出的非线性关系，就可以使模型较准确地预报输出结果[7]。

(2)对比于传统的经验公式，BP神经网络模型能够分析多个对爆破振动有影响的因素，而不仅仅局限于药量和爆心距，可以使预测结果更加合理。

(3)用萨氏公式进行预测的结果的平均相对误差为19.6%，用BP神经网络模型预测的结果的平均相对误差为10.6%。由此可知，BP神经网络模型比萨道夫斯基公式预测更加准确。

(4)对于本次BP神经网络模型，由于现场测试的条件限制，对于神经网络的输入量未能考虑岩土条件等影响，使得模型预测准确性有所影响，还需在以后的工作中继续完善。

[1] 谭文辉,璩世杰,毛市龙，等.边坡爆破振动高程效应分析[J].岩土工程学报,2010,32(4):619-623.

[2] 顾毅成，史雅语，金骥良.工程爆破安全[M].合肥：中国科学技术大学出版社，2009.

[3] 张继春，彭琼芳.岩体爆破地震波衰减规律的现场试验与分析[J].辽宁工程技术大学学报：自然科学版，2001，20(4)：399-401.

[4] 刘美山,吴从清,张正宇.小湾水电站高边坡爆破震动安全判据试验研究[J].长江科学院院报,2007,24(1):40-43.

[5] 申旭鹏，璩世杰，王福缘等.基于BP神经网络的爆破振速峰值预测[J].爆破,2013,30(1):122-125.

[6] 周 品.MATLAB神经网络设计与应用[M].北京：清华大学出版社，2013.

[7] 唐 海，石永强，李海波，等.基于神经网络的爆破振动速度峰值预报[J].岩石力学与工程学报，2007,26(1):3534-3539.

[8] 夏梦会，董香山，张力民，等.神经网络模型在爆破振动强度预测中的应用研究[J].有色金属：矿山部分，2004，56(3)：25-27.

安徽勘技院内蒙古新发现多金属矿点11处

安徽省勘查技术院完成的《内蒙古1∶25万恩和、额尔古纳左旗、额尔古纳右旗幅区域化探成果报告》日前通过评审，并获优秀级。

据了解，“内蒙古1∶25万恩和等幅区域化探”是安徽省勘查技术院承担的首个由中国地调局部署的1∶25万基础性项目。工作中，项目组通过详细踏勘、采样和分析处理，编制出了39种元素(含氧化物)地球化学图，对测区各元素的含量特征、变异特征、空间展布进行了认真研究；查证了14个主要成矿元素综合异常，新发现铅、锌、银、铜、金、钼、铁等多金属矿(化)点11处；验证已知矿床1处。在此基础上，项目组圈定找矿远景区10个，找矿靶区37个。

验收专家认为，这一成果报告为该区矿产资源远景调查、基础地质研究提供了基础地球化学资料，同时也为在本区进一步布置大比例尺勘查工作提供了依据。

*国家自然科学基金资助项目(编号：51274020)。

2014-08-18)

王 靖(1986—)，男，硕士，100083 北京市海淀区学院路30号。