謝經(jīng)鵬 明世祥 梁新民

(北京科技大學(xué)土木與環(huán)境工程學(xué)院)

基于人工神經(jīng)網(wǎng)絡(luò)的中深孔爆破參數(shù)優(yōu)選

謝經(jīng)鵬 明世祥 梁新民

(北京科技大學(xué)土木與環(huán)境工程學(xué)院)

為了得到合理的中深孔爆破參數(shù)，以礦巖的彈性模量、容重、抗拉強度、抗壓強度、摩擦角以及黏結(jié)力作為輸入因子，以炮孔的崩礦步距、孔底距以及炸藥單耗為輸出因子，以國內(nèi)爆破工藝相類似礦山的相關(guān)數(shù)據(jù)為訓(xùn)練樣本，建立BP神經(jīng)網(wǎng)絡(luò)模型進行爆破參數(shù)優(yōu)選。以港里鐵礦為工程背景，通過優(yōu)選和影響因素分析，得到崩礦步距1.67 m，孔底距1.8 m，炸藥單耗0.43 kg/t的爆破參數(shù)。使用后證明，比原炸藥單耗(0.52 kg/t)降低了17.3%。

中深孔爆破 BP神經(jīng)網(wǎng)絡(luò) 參數(shù)優(yōu)選

港里鐵礦以無底柱分段崩落法開采，以扇形中深孔擠壓爆破崩礦礦巖，在生產(chǎn)過程中存在炸藥單耗大、大塊率高的問題?？椎拙唷⒈赖V步距以及炸藥單耗是最主要的爆破參數(shù)[1]，分析影響爆破參數(shù)的主要因素，包括容重、彈性模量、抗拉強度、抗壓強度、摩擦角及黏結(jié)力。爆破參數(shù)與影響因素之間關(guān)系比較復(fù)雜，很難確定其相關(guān)性，因而合理爆破參數(shù)的選擇是一個多層次、多因素、多目標的復(fù)雜過程[2]。

在生產(chǎn)實踐中，國內(nèi)礦山大都采用工程類比法和現(xiàn)場爆破實驗來確定爆破參數(shù)，前者因地質(zhì)條件等因素的影響，具有很大的不確定性；后者既耗時又耗力，難以達到理想的效果[3]。

本文使用BP人工神經(jīng)網(wǎng)絡(luò)建立爆破參數(shù)與主要影響因素間的非線性模型，通過查閱相關(guān)文獻資料，選取國內(nèi)相似的爆破數(shù)據(jù)作為網(wǎng)絡(luò)的訓(xùn)練樣本，然后對爆破參數(shù)優(yōu)選。通過BP神經(jīng)網(wǎng)絡(luò)的優(yōu)選，可以克服耗時、耗力等缺點，具有很大的便捷性。

1 人工神經(jīng)網(wǎng)絡(luò)模型的建立

1.1 BP神經(jīng)網(wǎng)絡(luò)原理

BP神經(jīng)網(wǎng)絡(luò)是一種單向傳播的多層前向神經(jīng)網(wǎng)絡(luò)，簡稱BP算法，是利用輸出后的誤差來估計輸出層的直接前導(dǎo)層的誤差，再利用這一誤差估計更前一層的誤差，如此一層一層的反傳下去，獲得了所有各層的誤差估計[4]。通過這種方式，程序逐層把輸出層顯現(xiàn)的誤差傳到與輸入傳送相反方向的輸入層。

典型的BP神經(jīng)網(wǎng)絡(luò)包括三層網(wǎng)絡(luò)結(jié)構(gòu)，即輸入層、隱含層和輸出層。如圖1 所示。

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

在網(wǎng)絡(luò)結(jié)構(gòu)中，輸入層的向量用X=(x1,x2,…,xn)T表示；隱含層的輸出向量用Y=(y1,y2,…,ym)T表示；輸出層向量用O=(o1,…,ok,…,ol)T表示；期望輸出向量用d=(d1,d2,…,dk,…,dl)T表示。輸入層和隱含層之間用權(quán)值矩陣V表示，V=(V1,V2,…,Vj,…,Vm)，其中列向量Vj代表隱含層的第j個神經(jīng)元對應(yīng)的權(quán)向量；隱含層到輸出層之間用權(quán)值矩陣W表示，W=(W1,W2,…,Wk,…Wl)，其中Wk為輸出層第k個神經(jīng)元對應(yīng)的權(quán)向量[5]。

對于輸出層，

ok=f(netk) ,k=1,2,…,l,

(1)

(2)

對于隱含層有

yj=f(netj) ,j=1,2,…,m,

(3)

(4)

式(3)、式(4)中，轉(zhuǎn)移函數(shù)f(x)均為單極性連續(xù)可導(dǎo)的Sigmoid函數(shù)：

(5)

形成了典型的三層BP神經(jīng)網(wǎng)絡(luò)模型。

1.2 人工神經(jīng)網(wǎng)絡(luò)的參數(shù)以及訓(xùn)練樣本的確定

通過參考類似的爆破工藝、且爆破效果良好的礦山爆破資料以及相關(guān)文獻，以抗壓強度、彈性模量、抗拉強度、礦石容重、黏結(jié)力以及摩擦角作為BP神經(jīng)網(wǎng)絡(luò)的輸入因子，以孔底距、炸藥單耗、崩礦步距作為輸出因子，得到神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，如表1。

表1 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本

1.3 隱含層單元數(shù)的確定

本網(wǎng)絡(luò)設(shè)計的輸入因子有6個，輸出因子3個，計算出隱含層單元個數(shù)[6]：

(6)

式中,n為隱含層單元數(shù)；m為輸入單元數(shù)；t為輸出單元數(shù)；a為1 ～10的數(shù)。

通過式(6)計算,得到隱含層單元數(shù)為4～13。

建立BP網(wǎng)絡(luò)模型時，對多種隱含層單元的預(yù)測誤差進行比對，選出適合的隱含層單元進行優(yōu)選[7]。為了降低誤差提高精度,完全可以通過增加隱含層的神經(jīng)元個數(shù)實現(xiàn)，并且訓(xùn)練效果也比增加隱含層數(shù)更容易觀察和調(diào)整。為了更高效的進行網(wǎng)絡(luò)訓(xùn)練，選取隱含層單元數(shù)為7、9、12，得到以下網(wǎng)絡(luò)訓(xùn)練誤差精度曲線，見圖2。

圖2 不同單元數(shù)的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練精度曲線

通過訓(xùn)練結(jié)果可以看出，當神經(jīng)元個數(shù)為9時訓(xùn)練結(jié)果最理想，因此初步選定神經(jīng)元數(shù)為9。對根據(jù)神經(jīng)元數(shù)為8和10的精度誤差曲線進行比較，得到單元數(shù)為8和10的訓(xùn)練精度誤差曲線圖，見圖3。

圖3 單元數(shù)為8、10的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練精度曲線

根據(jù)以上不同單元數(shù)訓(xùn)練精度曲線圖的訓(xùn)練結(jié)果，得到以下誤差數(shù)據(jù)，見表2。

表2 不同單元數(shù)的訓(xùn)練誤差數(shù)據(jù)

由以上圖表可知,當神經(jīng)元的單元數(shù)為9時，誤差比較小，精度比較高，因此選擇隱含層的神經(jīng)單元數(shù)為9。

1.4 其他參數(shù)的確定

由于樣本數(shù)據(jù)各個參數(shù)的差異性比較大，為了達到更高的學(xué)習(xí)效率，需要對樣本數(shù)據(jù)進行歸一化處理，歸一化后，數(shù)據(jù)都處在[-1 1]間。BP神經(jīng)網(wǎng)絡(luò)隱含層、輸出層的神經(jīng)單元傳遞函數(shù)使用正切函數(shù)，得到輸出結(jié)果后，為了更直觀地分析數(shù)據(jù)，對結(jié)果進行反歸一化處理。

學(xué)習(xí)效率的設(shè)定在訓(xùn)練過程中發(fā)揮著重要的作用，決定每一次循環(huán)中權(quán)值變化量[8]。較大的學(xué)習(xí)效率會導(dǎo)致訓(xùn)練的不穩(wěn)定，較小的學(xué)習(xí)效率可能會導(dǎo)致網(wǎng)絡(luò)訓(xùn)練的過程比較長。在現(xiàn)實中，訓(xùn)練往往使學(xué)習(xí)效率比較小，本文選取的學(xué)習(xí)效率為0.01。為了使結(jié)果更精確，選取樣本誤差為0.000 1。

當BP神經(jīng)網(wǎng)絡(luò)的相關(guān)數(shù)據(jù)以及參數(shù)均完成后就可對其進行優(yōu)選，流程如圖4所示。

2 中深孔擠壓爆破參數(shù)優(yōu)選影響因素

以BP神經(jīng)網(wǎng)絡(luò)模型對港里鐵礦的爆破參數(shù)進行優(yōu)選，輸入?yún)?shù)6， 1.41，1.33，3.55，3.03，30，對得出的結(jié)果數(shù)據(jù)進行反歸一化，得1.723 6，1.827 4，0.49，即港里鐵礦中深孔擠壓爆破參數(shù)的BP神經(jīng)網(wǎng)絡(luò)優(yōu)選參數(shù)：炮孔排距W=1.723 6 m，孔底距a=1.827 4 m，炸藥單耗q=0.45 kg/t。

(1)對于網(wǎng)絡(luò)訓(xùn)練樣本數(shù)據(jù)選擇的限制性。本文選擇的是爆破工藝相類似的、并且爆破效果較為理想的礦山爆破參數(shù)為樣本，選擇的礦山個數(shù)以及樣本的數(shù)據(jù)都有一定的局限性。

圖4 BP神經(jīng)網(wǎng)絡(luò)算法流程

(2)輸入層和輸出層的數(shù)據(jù)選取對于訓(xùn)練結(jié)果的影響。輸入層的數(shù)據(jù)大多取自礦山的某一水平，而爆破的炮孔步距、孔底距以及炸藥單耗可能取自同一礦山的其他開采水平，而實際上不同水平礦巖的性質(zhì)參數(shù)都可能有所變化，從而對優(yōu)選結(jié)果造成影響。輸出層的數(shù)據(jù)并沒有包括炮孔直徑。

(3)BP人工神經(jīng)網(wǎng)絡(luò)模型對訓(xùn)練結(jié)果的影響。隱含層是BP神經(jīng)網(wǎng)絡(luò)的重要結(jié)構(gòu)之一，過多的隱含層單元數(shù)會導(dǎo)致學(xué)習(xí)時間過長，誤差卻不一定最小；合理的隱含層神經(jīng)元數(shù)是保證BP網(wǎng)絡(luò)高效運行的必備條件；而輸入層以及輸出層函數(shù)也對訓(xùn)練結(jié)果有一定的影響。

(4)港里鐵礦裂隙比較發(fā)育，礦巖的穩(wěn)定性比較差，不經(jīng)支護無法進行開采，而支護水平的強度大小會影響爆破參數(shù)的選取。該礦大多巷道都采用一級或二級支護的“錨網(wǎng)噴”支護形式，支護強度比較高，而選擇的部分樣本礦山是沒有支護的。

綜合以上因素對爆破參數(shù)進行調(diào)整，選取崩礦步距為1.67 m，孔底距為1.8 m，炸藥單耗為0.43 kg/t，并在生產(chǎn)過程中根據(jù)實際效果作適當?shù)恼{(diào)整。最終所確定的炸藥單耗為0.43 kg/t，相對于原來的炸藥單耗(0.52 kg/t)降低了17.3%。

3 結(jié) 語

采用爆破工藝相似礦山的彈性模量、抗拉強度、抗壓強度、摩擦角及黏結(jié)力為輸入因子，炮孔崩礦步距、孔底距及炸藥單耗為輸出因子，構(gòu)成訓(xùn)練樣本，得出爆破參數(shù)，對于礦山，既節(jié)約了爆破實驗的成本又提高了效率，有非常大的借鑒意義。

通過BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，確立了優(yōu)選爆破參數(shù)與影響爆破因子之間的非線性關(guān)系；優(yōu)選的過程中不需要建立數(shù)學(xué)方程，具有很強的適用性，學(xué)習(xí)能力比較強；通過此方法，解決一些數(shù)據(jù)、信息比較少以及很難確定相關(guān)關(guān)系的問題；避免了傳統(tǒng)的爆破參數(shù)確定過程中的缺點，具有廣闊的應(yīng)用空間。

[1] 林大澤.降低地下礦深孔爆破落礦大塊率的技術(shù)措施[J].中國安全科報,2007,17(1):86-90.

[2] 王新民,趙 彬,王賢來,等.基于BP神經(jīng)網(wǎng)絡(luò)的鑿巖爆破參數(shù)優(yōu)選[J].中南大學(xué)學(xué)報:自然科學(xué)版,2009,40(5):1411-1416.

[3] 夏紅兵,徐 穎,宗 琦,等.深部軟巖巷道爆破卸壓技術(shù)及工程應(yīng)用研究[J].安徽理工大學(xué)學(xué)報:自然科學(xué)版,2007,27(1):13-16.

[4] 張良均，曹 晶，蔣世忠.神經(jīng)網(wǎng)絡(luò)實用教程[M].北京：機械工業(yè)出版社，2007.

[5] 施 彥，韓力群，廉小群，等.神經(jīng)網(wǎng)絡(luò)設(shè)計方法與實例分析[M].北京：北京郵電大學(xué)出版社，2009.

[6] 葛哲學(xué)，孫志強．神經(jīng)網(wǎng)絡(luò)理論與MATLABR7實現(xiàn)[M]．北京：電子工業(yè)出版社，2007.

[7] Homik K, Stinchcombe M, White H. Multilayer feed-forward networks are universal approximator[J]．Neural Networks，1989，2(5)：359-366．

[8] 王永奇，戴 兵.爆破參數(shù)的BP神經(jīng)網(wǎng)絡(luò)優(yōu)選及驗證[J].礦業(yè)工程研究,2012,27(1)：1-3.

Optimization Selection of Medium-deep Hole Blasting Parameters Based on Artificial Neural Network

Xie Jingpeng Ming Shixiang Liang Xinmin

(School of Civil and Environmental Engineering, University of Science and Technology Beijing)

In order to obtain the reasonable medium-deep blasting parameters, taking the ore-bearing rock elastic modulus, bulk density, tensile strength, compressive strength, friction angle and cohesive force as the input factors, taking the hole collapse interval, depth of holes, and consumption of dynamite as the output factors, taking the relative datas of the mines that the blasting technology are similar with each other as the training samples so as to establish the BP neural network model to conduct blasting parameters optimization. Taking the Gangli iron mine as the engineering background, through optimization and analysis of the influence factors to obtain the caving step distance is 1.67 m, the hole bottom distance is 1.8 m, explosive consumption is 0.43 kg/t. The application results show that, the optimized explosive consumption is reduced by 17.3% relative to the original unit explosive consumption(0.52 kg/t).

Medium-deep hole blasting, BP artificial neural network, Optimization selection

2014-11-08)

謝經(jīng)鵬(1989—)，男，碩士，100083 北京市海淀區(qū)學(xué)院路30號。