露天台阶爆破块度参数的RBF-SVM预测模型

江国华

（江西铜业集团公司 德兴铜矿，江西 德兴 334224）

露天台阶爆破块度参数的RBF-SVM预测模型

江国华

（江西铜业集团公司 德兴铜矿，江西 德兴 334224）

为了分析德兴铜矿台阶爆破块度参数，利用核函数为Gauss径向基核函数的支持向量回归算法（RBF-SVM）对9组样本的爆后的块度参数进行了模型构造，并对2组测试样本进行了预测。从预测结果可以看出，预测结果的平均相对误差仅为3.03%，说明该模型的可靠性，模型具有很好的预测精度，具有一定的推广价值。

露天采矿；台阶爆破；块度参数；径向基向量函数；支持向量机

1 引言

目前，随着露天采矿技术的发展，露天台阶爆破技术也不断进步［1］。爆破块度参数是评价爆破质量的一个重要指标，爆破块度参数包括的均匀性指标、特征块度Xe、K50、K80和大块率等。为提高爆破质量，块度参数的预测和控制成了相关学者研究的热点［2］。爆破工程受到多因素的综合影响，露天矿山台阶块度参数不能仅以某一两个因素来确定，需要综合多因素考虑。近年来，许多学者常用人工神经网络算法对块度参数进行预测［2-3］，但这类算法常出现重复学习、依赖经验数据、主观性强等固有的缺陷，影响了预测数据的可靠性。支持向量机算法（Support Vector Machine， SVM）有望帮助解决这类问题。支持向量机从观测数据（样本）出发寻找规律，利用这些规律对未来数据或无法预测的数据进行预测。笔者利用支持向量机对爆破破碎过程进行建模，对德兴铜矿台阶爆破块度参数进行预测。

1995年，Vapink提出了统计学构设下的数据预测算法，该方法通过适当的核函数进行数据推测，具有较强的适用性和灵活性［5］。其中RBF-SVM算法的核函数为Gauss径向基核函数。

支持向量机模型可从少数数据中挖掘样本之间的函数关系，并能得到泛化最优解［6］。支持向量机作为一种新的通用方法、非常有发展前景的技术，是统计学习理论中最实用的部分，近年来，关于SVM方法的研究和应用得到了推广［7］。

2 RBF-SVM算法

SVM回归算法，它要解决的问题是：根据给定的样本数据集为｛（xi，yi）|i=1，…，k｝，xi与yi分别为预测因子值及其值，而 是这些数据的最优关系函数。

求解最优化问题：

RBF-SVM的核函数为RBF核函数，即Gauss径向基核函数：

3 基于RBF-SVM的露天台阶爆破块度参数预测系统

3.1 台阶爆破块度参数的RBF-SVM模型的建立

该模型以RBF-SVM为理论依据，兼顾爆破方法、爆破工艺、炸药与岩石波阻抗等。输出变量主要包括：矿岩性质（岩石波阻抗、抗压强度、抗拉强度）、炸药参数（炸药波阻抗、炸药爆速）、爆破参数（炸药单耗、孔距、炮孔密集系数、孔边距、充填高度）；输出变量主要是描述爆后效果的参数：均匀性指标n、特征块度Xe、K50、K80和大块率。

和模糊数学理论和BP神经网络计算的区别在于，该模型输出变量是唯一的确定值，因此在模型建立时，必须把输出输入变量进行联合，成为独立的训练样本。其建立过程如下：

建模方法为 —支持向量回归机，其算法如下：（1）给定训练集

（2）选择适当的参数C和ε，选择RBF核函数；

（3）利用式（2）、式（3）求解最优化问题；

（4）构造决策函数式（4）。

本次试验进行9组爆破试验，根据测试记录进行换算，取得9组数据（见表1）。其中前七组为训练样本，剩余的为推测样本，检验模型的可靠性。

本次试验中，只有一种炸药，故每组试验的炸药爆速和炸药波阻抗相同，若选择不同的炸药试验，更能很好的体现出炸药对块度参数的影响。故该模型中输入参数中的炸药参数项可忽略不予考虑，不会影响到块度参数的预测。

3.2 模型参数的选择及块度参数预测

学习样本集确定后，块度模型的建立，先要选合理的核函数，然后寻找适当的SVM参数：ε、C和σ。高斯径向基核函数精度高，所以此次模型选择高斯函数作核函数。参数C和ε以及基函数域宽σ采用试验法确定。

调整敏感性参数，选择具有较强适应性的C，ε和核函数参数σ。推算结果显示，RBF-SVM模型具有最佳的预测能力，其参数的选择为： σ=0.001，C=1.56，ε=4.11。

表1 训练和检验样本

相应的方法，得到均匀性指标n、特征块度Xe、K50和K80的SVM预测模型参数，见表2。

表2 参数表

采用Matlab计算并生成预测模型。为了评估台阶块度参数RBF-SVM预测模型的可靠性，对检验样本进行检验，模型的预测结果见表3所示。从预测结果可以看出，测试结果与预测结果的平均相对误差仅为3.03%，说明该模型的可靠性，模型具有很好的预测精度，有一定的借鉴价值。

4 总结

（1）利用核函数为Gauss径向基核函数的支持向量回归算法（RBF-SVM）建立了德兴铜矿台阶爆破块度模型，该模型以RBF-SVM为理论依据，兼顾爆破方法、爆破工艺、炸药与岩石波阻抗等。

（2）对9组样本的进行了模型构造，并对2组测试样本进行了预测。结果表明，测试结果与预测结果的平均相对误差仅为3.03%，说明该模型是可靠对，且精度高，可以进行类似矿山的推广应用。

［1］余圣华. 逐孔爆破技术在铜山口矿露天台阶爆破中的应用［J］. 采矿技术， 2015， 15（4）：91-93.

［2］林建章， 陈庆凯， 黄国泉， 等. 露天矿山爆破效果对开采成本的影响研究［J］. 铜业工程， 2013， 121（3）：33-37.

［3］朱必勇， 杨伟. 基于安全经济评价体系的爆破参数优化［J］. 矿业研究与开发， 2015， 35（10）：18-19.

［4］杨伟， 杨珊， 张钦礼， 等. 基于RBF神经网络的采场回采工艺改进试验［J］. 东北大学学报（自然科学版）， 2014， 35（11）：1 641-1 645.

［5］赵国彦， 吴浩. 松动圈厚度预测的支持向量机模型［J］. 广西大学学报， 2013， 38（2）：444-449.

［6］黄海峰， 宋琨， 易庆林， 等. 滑坡位移预测的支持向量机模型参数选择研究［J］. 地下空间与工程学报 ， 2015， 11（4）：1 053-1 058.

［7］何小二， 王德禹. 支持向量机近似模型的参数选取及其在结构优化中的应用［J］. 上海交通大学学报， 2014， 48（4）：464-468.

The RBF-SVM Prediction Model of Bench Blasting Fragmentation Parameters

JIANG Guo-hua
（Dexing Copper Mine， Jiangxi Copper Corporation， Dexing 334224， Jiangxi， China）

In order to analysis the fragmentation parameters of bench blasting in Dexing copper mine， made the model structure basic on 9 samples blasting parameters by using Gauss radial basis kernel function of support vector machine （RBF-SVM）， and predicted 2 sets of test samples. The prediction results showed the average relative error was 3.03% between the measurements of the test samples and the prediction. And it was proved RBF - SVM model had reliable predicted values and good accuracy measured value， which had an certain value for promotion.

open-pit mining；bench blasting；fragmentation parameters；the radial basis vector function；support vector machine （SVM）

TD854+.2

A

1009-3842（2016）05-0027-04

2016-04-24

江国华（1983-），男，江西贵溪人，采矿工程师，主要从事采矿管理工作。E-mail：117528813@qq.com