江國華

（江西銅業(yè)集團公司 德興銅礦，江西 德興 334224）

露天臺階爆破塊度參數(shù)的RBF-SVM預測模型

江國華

（江西銅業(yè)集團公司 德興銅礦，江西 德興 334224）

為了分析德興銅礦臺階爆破塊度參數(shù)，利用核函數(shù)為Gauss徑向基核函數(shù)的支持向量回歸算法（RBF-SVM）對9組樣本的爆后的塊度參數(shù)進行了模型構(gòu)造，并對2組測試樣本進行了預測。從預測結(jié)果可以看出，預測結(jié)果的平均相對誤差僅為3.03%，說明該模型的可靠性，模型具有很好的預測精度，具有一定的推廣價值。

露天采礦；臺階爆破；塊度參數(shù)；徑向基向量函數(shù)；支持向量機

1 引言

目前，隨著露天采礦技術的發(fā)展，露天臺階爆破技術也不斷進步［1］。爆破塊度參數(shù)是評價爆破質(zhì)量的一個重要指標，爆破塊度參數(shù)包括的均勻性指標、特征塊度Xe、K50、K80和大塊率等。為提高爆破質(zhì)量，塊度參數(shù)的預測和控制成了相關學者研究的熱點［2］。爆破工程受到多因素的綜合影響，露天礦山臺階塊度參數(shù)不能僅以某一兩個因素來確定，需要綜合多因素考慮。近年來，許多學者常用人工神經(jīng)網(wǎng)絡算法對塊度參數(shù)進行預測［2-3］，但這類算法常出現(xiàn)重復學習、依賴經(jīng)驗數(shù)據(jù)、主觀性強等固有的缺陷，影響了預測數(shù)據(jù)的可靠性。支持向量機算法（Support Vector Machine， SVM）有望幫助解決這類問題。支持向量機從觀測數(shù)據(jù)（樣本）出發(fā)尋找規(guī)律，利用這些規(guī)律對未來數(shù)據(jù)或無法預測的數(shù)據(jù)進行預測。筆者利用支持向量機對爆破破碎過程進行建模，對德興銅礦臺階爆破塊度參數(shù)進行預測。

1995年，Vapink提出了統(tǒng)計學構(gòu)設下的數(shù)據(jù)預測算法，該方法通過適當?shù)暮撕瘮?shù)進行數(shù)據(jù)推測，具有較強的適用性和靈活性［5］。其中RBF-SVM算法的核函數(shù)為Gauss徑向基核函數(shù)。

支持向量機模型可從少數(shù)數(shù)據(jù)中挖掘樣本之間的函數(shù)關系，并能得到泛化最優(yōu)解［6］。支持向量機作為一種新的通用方法、非常有發(fā)展前景的技術，是統(tǒng)計學習理論中最實用的部分，近年來，關于SVM方法的研究和應用得到了推廣［7］。

2 RBF-SVM算法

SVM回歸算法，它要解決的問題是：根據(jù)給定的樣本數(shù)據(jù)集為｛（xi，yi）|i=1，…，k｝，xi與yi分別為預測因子值及其值，而 是這些數(shù)據(jù)的最優(yōu)關系函數(shù)。

求解最優(yōu)化問題：

RBF-SVM的核函數(shù)為RBF核函數(shù)，即Gauss徑向基核函數(shù)：

3 基于RBF-SVM的露天臺階爆破塊度參數(shù)預測系統(tǒng)

3.1 臺階爆破塊度參數(shù)的RBF-SVM模型的建立

該模型以RBF-SVM為理論依據(jù)，兼顧爆破方法、爆破工藝、炸藥與巖石波阻抗等。輸出變量主要包括：礦巖性質(zhì)（巖石波阻抗、抗壓強度、抗拉強度）、炸藥參數(shù)（炸藥波阻抗、炸藥爆速）、爆破參數(shù)（炸藥單耗、孔距、炮孔密集系數(shù)、孔邊距、充填高度）；輸出變量主要是描述爆后效果的參數(shù)：均勻性指標n、特征塊度Xe、K50、K80和大塊率。

和模糊數(shù)學理論和BP神經(jīng)網(wǎng)絡計算的區(qū)別在于，該模型輸出變量是唯一的確定值，因此在模型建立時，必須把輸出輸入變量進行聯(lián)合，成為獨立的訓練樣本。其建立過程如下：

建模方法為 —支持向量回歸機，其算法如下：（1）給定訓練集

（2）選擇適當?shù)膮?shù)C和ε，選擇RBF核函數(shù)；

（3）利用式（2）、式（3）求解最優(yōu)化問題；

（4）構(gòu)造決策函數(shù)式（4）。

本次試驗進行9組爆破試驗，根據(jù)測試記錄進行換算，取得9組數(shù)據(jù)（見表1）。其中前七組為訓練樣本，剩余的為推測樣本，檢驗模型的可靠性。

本次試驗中，只有一種炸藥，故每組試驗的炸藥爆速和炸藥波阻抗相同，若選擇不同的炸藥試驗，更能很好的體現(xiàn)出炸藥對塊度參數(shù)的影響。故該模型中輸入?yún)?shù)中的炸藥參數(shù)項可忽略不予考慮，不會影響到塊度參數(shù)的預測。

3.2 模型參數(shù)的選擇及塊度參數(shù)預測

學習樣本集確定后，塊度模型的建立，先要選合理的核函數(shù)，然后尋找適當?shù)腟VM參數(shù)：ε、C和σ。高斯徑向基核函數(shù)精度高，所以此次模型選擇高斯函數(shù)作核函數(shù)。參數(shù)C和ε以及基函數(shù)域?qū)挦也捎迷囼灧ù_定。

調(diào)整敏感性參數(shù)，選擇具有較強適應性的C，ε和核函數(shù)參數(shù)σ。推算結(jié)果顯示，RBF-SVM模型具有最佳的預測能力，其參數(shù)的選擇為： σ=0.001，C=1.56，ε=4.11。

表1 訓練和檢驗樣本

相應的方法，得到均勻性指標n、特征塊度Xe、K50和K80的SVM預測模型參數(shù)，見表2。

表2 參數(shù)表

采用Matlab計算并生成預測模型。為了評估臺階塊度參數(shù)RBF-SVM預測模型的可靠性，對檢驗樣本進行檢驗，模型的預測結(jié)果見表3所示。從預測結(jié)果可以看出，測試結(jié)果與預測結(jié)果的平均相對誤差僅為3.03%，說明該模型的可靠性，模型具有很好的預測精度，有一定的借鑒價值。

4 總結(jié)

（1）利用核函數(shù)為Gauss徑向基核函數(shù)的支持向量回歸算法（RBF-SVM）建立了德興銅礦臺階爆破塊度模型，該模型以RBF-SVM為理論依據(jù)，兼顧爆破方法、爆破工藝、炸藥與巖石波阻抗等。

（2）對9組樣本的進行了模型構(gòu)造，并對2組測試樣本進行了預測。結(jié)果表明，測試結(jié)果與預測結(jié)果的平均相對誤差僅為3.03%，說明該模型是可靠對，且精度高，可以進行類似礦山的推廣應用。

［1］余圣華. 逐孔爆破技術在銅山口礦露天臺階爆破中的應用［J］. 采礦技術， 2015， 15（4）：91-93.

［2］林建章， 陳慶凱， 黃國泉， 等. 露天礦山爆破效果對開采成本的影響研究［J］. 銅業(yè)工程， 2013， 121（3）：33-37.

［3］朱必勇， 楊偉. 基于安全經(jīng)濟評價體系的爆破參數(shù)優(yōu)化［J］. 礦業(yè)研究與開發(fā)， 2015， 35（10）：18-19.

［4］楊偉， 楊珊， 張欽禮， 等. 基于RBF神經(jīng)網(wǎng)絡的采場回采工藝改進試驗［J］. 東北大學學報（自然科學版）， 2014， 35（11）：1 641-1 645.

［5］趙國彥， 吳浩. 松動圈厚度預測的支持向量機模型［J］. 廣西大學學報， 2013， 38（2）：444-449.

［6］黃海峰， 宋琨， 易慶林， 等. 滑坡位移預測的支持向量機模型參數(shù)選擇研究［J］. 地下空間與工程學報 ， 2015， 11（4）：1 053-1 058.

［7］何小二， 王德禹. 支持向量機近似模型的參數(shù)選取及其在結(jié)構(gòu)優(yōu)化中的應用［J］. 上海交通大學學報， 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

江國華（1983-），男，江西貴溪人，采礦工程師，主要從事采礦管理工作。E-mail：117528813@qq.com