陳昌民 張欽禮 姜志良

(1.衡陽遠景鎢業(yè)有限責任公司；2.中南大學資源與安全工程學院)

基于極限學習機的爆破參數(shù)綜合優(yōu)選

陳昌民1張欽禮2姜志良2

(1.衡陽遠景鎢業(yè)有限責任公司；2.中南大學資源與安全工程學院)

為了合理選擇川口鎢礦變更采礦方法后采場的回采爆破參數(shù)，運用傳統(tǒng)經驗公式計算出爆破參數(shù)取值范圍，根據(jù)極限學習機(ELM)理論，以礦巖容重、彈性模量、抗壓強度等6個因素作為輸入因子，以排距、孔底距、炸藥單耗3個指標作為輸出因子，并利用國內應用較成功的上向扇形中深孔崩礦的7個礦山情況為學習、訓練樣本，建立礦山回采爆破參數(shù)優(yōu)化預測模型。綜合經驗公式和預測模型的結果，確定采區(qū)爆破參數(shù)：炮孔排距為1.3 m，孔底距為1.8 m，炸藥單耗為0.5 kg/t。優(yōu)選爆破參數(shù)適應本采區(qū)工程條件，爆破效果好，震動影響小。

爆破參數(shù) 極限學習機 預測模型

地下礦山開采中，合理的回采爆破設計能減少大塊率、降低爆破作業(yè)擾動并盡可能減少炮孔數(shù)量以降低爆破成本。合理的回采爆破參數(shù)是礦山高效、安全生產的保證[1]。川口鎢礦利用分段空場嗣后充填法回采61#～63#勘探線既存空區(qū)附近高品位礦體，以彌補礦山精礦產量的不足，由于采礦方法的變更以及礦體開采工程條件的制約，需對本采區(qū)進行新的回采爆破設計。

1 開采技術條件

川口鎢礦楊林坳鎢礦床工業(yè)類型為石英細脈帶型黑鎢—白鎢礦床，按照礦石圍巖及礦物組合的不同，礦石類型分為砂巖型礦石和板巖型礦石，受風化和斷裂、層理等構造的影響，礦石穩(wěn)定性相對較差[2]。而本采區(qū)61#～63#勘探線高品位礦體屬于礦區(qū)內特殊的花崗斑巖巖脈，巖石致密堅硬，穩(wěn)固性好。圍巖為板巖，穩(wěn)固性較好，但存在片理結構，易形成巷道圍巖層狀垮落。因此，將采礦方法變更為分段空場嗣后充填法，采用中深孔回采爆破時，需充分考慮周圍巷道以及采空區(qū)的穩(wěn)定性問題。

為利用已有工程，節(jié)省采切工程量，并且盡量回收老采空區(qū)周圍礦體，61#～62#區(qū)段主要回采水平為320 m分段，另布置310 m底部結構分段、330 m上部空區(qū)底柱回收分段和350 m回風、充填水平；垂直走向布置3個采場，寬度分別為14.5，13和13 m，分段高度分別為10，11和10 m。由于330～350 m中段存在3個大的空區(qū)，受充填系統(tǒng)建設滯后影響，不具備進行分礦房充填的條件，故設計本區(qū)段3個采場一次同步回采，回采完畢后集中充填。

2 回采爆破設計

2.1 布孔方式

受礦體賦存條件及礦山開拓工程制約，礦塊回采過程中采用垂直上向扇形孔布置(圖1)。為防止330 m分段上部空區(qū)坍塌，保證采場作業(yè)人員安全，需嚴格控制單段起爆藥量，減少爆破震動影響[3]。

圖1 回采炮孔布置

2.2 爆破參數(shù)的計算

2.2.1 炸藥單耗

根據(jù)計算公式：

(1)

式中,k為修正系數(shù)，取1.2～1.4；γ為礦巖容重，25.9 kN/m3；f為堅固性系數(shù)，9。

計算得出q=0.36～0.42 kg/t，即0.93～1.09 kg/m3。

2.2.2 最小抵抗線

(1)根據(jù)利文斯頓爆破漏斗理論：

(2)

式中,d為炮孔直徑,60 mm;Δ為裝藥密度，0.9 g/cm3；τ為深孔裝藥系數(shù)，0.7～0.85；m為深孔密集系數(shù)，根據(jù)國內分段空場法爆破經驗，取1.3；q為單位耗藥量，取1.0 kg/m3。

計算得出W=1.17～1.29 m。

(2)根據(jù)孔徑和礦巖性質：

W=Kd,

(3)

式中,K為巖石性質影響系數(shù)，礦石屬堅硬礦巖，取25～30；d為孔徑，60 mm。

計算得出W=1.5～1.8 m。

按式(2)和式(3)計算結果，根據(jù)現(xiàn)代爆破理論，應采取小排距、大孔底距的爆孔布置方式，確定最小抵抗線W=1.2～1.4 m。

2.2.3 孔底距

按以下經驗公式確定：

a=mW.

(4)

計算得出a=1.56～1.82 m。

3 爆破參數(shù)優(yōu)化

爆破參數(shù)選擇是一個復雜決策過程，涉及多層次、多因素、多目標的非線性關系，并且影響因素與參數(shù)間存在極大的不確定性[4]。傳統(tǒng)的參數(shù)選擇類比相似礦山而定，僅考慮單個或幾個影響因素，帶有極大的經驗成分和隨機性；有些礦山雖然進行爆破試驗，但對數(shù)據(jù)處理不理想，只能從現(xiàn)有試驗組中找出相對較優(yōu)者，無法實現(xiàn)參數(shù)的真正優(yōu)化，而且爆破試驗耗時、費力、成本極高。

隨著系統(tǒng)科學、非線性科學和計算機技術的快速發(fā)展，大量現(xiàn)代信息處理方法被廣泛運用于爆破參數(shù)的預測優(yōu)化。神經網絡是近幾十年發(fā)展起來的一門新興交叉學科，在進行模式識別、非線性映射方面具有獨特優(yōu)勢。而極限學習機(ELM)具有學習速度更快、精度更高、參數(shù)調整簡單等[5]優(yōu)點而被廣泛運用。在ELM 中，輸入層與隱含層間連接權值和隱含層神經元閾值被隨機初始化給定，只需要設置隱含層節(jié)點數(shù)目就可以獲得唯一的最優(yōu)解。

3.1 ELM基本原理

極限學習機的典型網絡由輸入層、輸出層和隱含層組成，輸入層有n個輸入因子，隱含層有l(wèi)個神經元，輸出層有m個輸出因子。對于N個訓練樣本(xi，yi)(i=1,2,…,N)，xi=[x1i,x2i,…,xni]T,yi=[y1i,y2i,…,ymi]T，極限學習機的輸入矩陣X=[x1,x2,…,xN]，輸出矩陣為Y=[y1,y2,…,yN]。設隱含層的激活函數(shù)為f(x)，則極限學習機前饋神經網絡的輸出可以表示為：

(5)

式中，βi為連接第i個隱含層節(jié)點與輸出神經元的輸出權值；ωi為連接輸入神經元與第i個隱含層節(jié)點的輸入權值;bi為第i個隱含層節(jié)點的閾值;tj為第j個訓練樣本的輸出值。

整個極限學習機網絡結構見圖2[6]。

圖2 典型ELM結構

當激活函數(shù)為f(x)，含有l(wèi)個隱含層神經元節(jié)點的前饋神經網絡以零誤差逼近N個訓練樣本時，存在βi,ωi,bi使得

(6)

式(6)可簡化為

Hβ=Y,

(7)

式中,H為極限學習機神經網絡的隱含層輸出矩陣，具體形式如下。

對于任意數(shù)量的不同樣本，當激活函數(shù)f(x)無限可微時，在訓練中不需要調整網絡參數(shù)中的輸入權值ω和閥值b，且在訓練中隨機給出和固定不變，隱含層輸出矩陣H是一個確定的矩陣，可通過求解線性方程組的最小二乘解獲得輸出權值：

(8)

式中,H+為隱含層輸出矩陣H的Moore-Penrose廣義逆矩陣。

3.2 ELM學習算法步驟

3.3 預測模型

礦石的容重、彈性模量、抗壓強度、抗拉強度、摩擦角及黏結力是礦石最重要的固有屬性，使用極限學習機建立這些屬性與爆破參數(shù)間的非線性復雜關系，以國內應用較成功的上向扇形中深孔崩礦的7個礦山情況為學習、訓練樣本(表1)，對本采區(qū)的爆破參數(shù)進行預測和優(yōu)選。為了減少樣本指標差異對模型的性能影響，樣本數(shù)據(jù)在輸入模型之前歸一化到[-1，1]，預測的爆破參數(shù)在輸出模型后反歸一化[7]。

歸一化公式為

(9)

反歸一化公式為

(10)

表1 爆破參數(shù)優(yōu)選訓練樣本

3.4 測試結果及分析

隱含層節(jié)點數(shù)目對ELM有較大的影響，隨機選擇5組訓練樣本，2組測試樣本，在隱含層節(jié)點數(shù)為10，12，14，16，18，20的情況下用ELM訓練20次，得到訓練樣本和測試樣本均方誤差的平均值隨隱含層節(jié)點變化，見圖3。在隱含層節(jié)點數(shù)為14時，訓練樣本與測試樣本的均方誤差均達到理想水平，若繼續(xù)增加隱含層節(jié)點數(shù)量，則會降低預測模型收斂速度，同時測試樣本的均方誤差也會增加。

隱含層節(jié)點數(shù)取為14，訓練次數(shù)為40，得到ELM預測的結果：最小抵抗線W=1.4849m，孔底距a=1.8253m，炸藥單耗q=0.4832kg/t，與經驗所得值極為接近。但考慮本礦YGZ-90型鉆機鉆鑿炮孔直徑為60mm，施工質量相對較差，因此預測出的結果應進行適當?shù)恼{整，并結合上節(jié)爆破參數(shù)的計算結果，最終本采區(qū)的炮孔選取

圖3 均方誤差隨隱含層節(jié)點變化曲線

W=1.3 m，a=1.8 m，q=0.5 kg/t。

4 結 論

(1)從實際爆破效果看，放出礦石大塊率較低、礦石中無泥土，證明老舊空區(qū)未出現(xiàn)塌方現(xiàn)象，同時采區(qū)巷道保持完整，說明爆破震動的影響較小。綜上所述，爆破參數(shù)與本采區(qū)工程條件相匹配，選擇合理恰當。

(2)根據(jù)傳統(tǒng)的爆破參數(shù)經驗公式計算炸藥單耗、最小抵抗線、孔底距的取值范圍，將其作為極限學習機預測結果的可靠性判斷依據(jù)，使爆破參數(shù)選擇更具綜合性。

(3)將國內爆破效果較理想的類似礦山的生產情況匯總，建立訓練樣本，以極限學習機進行預測，則可以得到目標礦山的理想爆破參數(shù)。該法避免了傳統(tǒng)單因素的片面性及爆破試驗的復雜、高成本等種種弊端，是一種全新的理想方法。

[1] 汪 劍.開陽磷礦中深孔回采爆破參數(shù)優(yōu)化試驗研究[D].長沙:中南大學,2004.

[2] 謝國華,曾 耀.傾斜中厚多層低品位難采礦體的采礦方法[J].中南工業(yè)大學學報,1995,4(15):11-16.

[3] 朱志彬,劉成平,靖 然.扇形中深孔爆破大塊產生的原因及對策[J].現(xiàn)代礦業(yè),2010(8):78-81.

[4] 趙 彬,王新民,史良貴,等.基于BP神經網絡的爆破參數(shù)優(yōu)選[J].礦冶工程,2009,29(4):24-27.

[5] 王新民,萬孝衡,朱陽亞,等.基于PSO-ELM的建筑物爆破震動速度預測[J].科技導報,2013,32(19):15-20.

[6] Huang Guangbin, Zhu Qinyu， Siew C K. Extreme learning machine: theory and application[J]. Neuro Computing, 2006,70(1):489-501.

[7] 姚金階,朱以文.巖體爆破參數(shù)設計的神經網絡模型[J].爆破,2005,22(2):34-40.

Comprehensive Optimization Selection of Blasting Parameters Based on Extreme Learning Machine

Chen Changmin1Zhang Qinli2Jiang Zhiliang2

(1.Hengyang Yuanjing Tungsten Co., Ltd.;2.School of Resources and Safety Engineering, Central South University)

In order to select the blasting parameters of stope that the mining method has been changed of Chuankou Tungsten Mine reasonably, the traditional empirical formula is adopted to calculate the value range of the blasting parameters. Based on the theory of extreme learning machine(ELM), six factors such as ore-bearing rock density, elastic modulus and comprehensive strength and so on are taken as input factors, three factors of row spacing, hole bottom spacing and explosive unit consumption are used as output factors, the situations of seven mines that the upward fan-shaped medium-length hole blasting ore breaking method are applied successfully are taken as learning and training examples so as to establish the optimal prediction model of the blasting parameters during stoping. According to the results of the traditional empirical formula and prediction model, the blasting parameters of mining area are obtained. The hole row spacing is 1.3 m, distance of holes to the bottom is 1.8 m, the explosive unit consumption is 0.5 kg/t. The results show that, the blasting parameters by optimizing selection can adapt to the conditions of mining engineering and achieve the perfect blasting effect, besides that, the blasting vibration effect is small.

Blasting parameters, Extreme learning machine, Prediction model

2014-12-14)

陳昌民(1966—)，男，董事長，總經理，高級工程師，421166 湖南省衡陽市衡南縣。