基于RBF神經(jīng)網(wǎng)絡(luò)的爆破參數(shù)優(yōu)選

陳 瓊 歐洪寧 姜 群 張欽禮 劉偉軍

(1.錫礦山閃星銻業(yè)有限責任公司；2.中南大學資源與安全工程學院)

?

基于RBF神經(jīng)網(wǎng)絡(luò)的爆破參數(shù)優(yōu)選

陳 瓊1歐洪寧1姜 群1張欽禮2劉偉軍2

(1.錫礦山閃星銻業(yè)有限責任公司；2.中南大學資源與安全工程學院)

為確定合理的爆破參數(shù)，建立了RBF神經(jīng)網(wǎng)絡(luò)模型，統(tǒng)計了8個礦山的樣本數(shù)據(jù)，將影響礦巖可爆性的6項因素:礦石容重、彈性模量、抗拉強度、礦石堅固性系數(shù)、摩擦角、黏結(jié)力作為RBF神經(jīng)網(wǎng)絡(luò)模型的輸入因子，排距、孔底距和一次炸藥單耗作為影響爆破參數(shù)的輸出因子，優(yōu)選樣本參數(shù)，得出最優(yōu)的爆破參數(shù)。以某礦中深孔爆破為例，通過RBF神經(jīng)網(wǎng)絡(luò)模型優(yōu)選出該礦的爆破參數(shù)：排距1.3 m，孔間距2.2 m，炸藥單耗0.32 kg/t。實踐證明，選擇的孔網(wǎng)參數(shù)合理，爆破效果良好。

爆破參數(shù)優(yōu)選 RBF神經(jīng)網(wǎng)絡(luò) 樣本數(shù)據(jù) 影響因素

隨著礦山爆破技術(shù)的快速發(fā)展，爆破參數(shù)優(yōu)選已經(jīng)成為一個重要研究課題[1]，對于降低爆破成本、改善爆破效果具有重要意義[2]。爆破參數(shù)主要包括排距、孔底距及一次炸藥單耗等，而礦巖的物理力學性質(zhì)，如礦巖容重、抗拉強度、摩擦角及黏結(jié)力等是影響爆破參數(shù)選擇的主要因素[3]。

爆破參數(shù)優(yōu)選是一項復(fù)雜的系統(tǒng)工程，目前，相關(guān)專家利用一些類似BP神經(jīng)網(wǎng)絡(luò)理論[4]的數(shù)學方法解決爆破參數(shù)優(yōu)選遇到的問題。趙彬[4]等人應(yīng)用BP神經(jīng)網(wǎng)絡(luò)對爆破參數(shù)進行了優(yōu)選；王德永[5]等應(yīng)用GA_BP神經(jīng)網(wǎng)絡(luò)組合模型對礦巖爆破參數(shù)進行了優(yōu)選，均取得了很好的效果。RBF神經(jīng)網(wǎng)絡(luò)是一種徑向基向量函數(shù)，其特點和BP神經(jīng)網(wǎng)絡(luò)類似，但RBF神經(jīng)網(wǎng)絡(luò)學習速度更快，是BP神經(jīng)網(wǎng)絡(luò)學習速度的103以上[6]，分析精度也比BP神經(jīng)網(wǎng)絡(luò)更高。故研究利用RBF神經(jīng)網(wǎng)絡(luò)模型進行爆破參數(shù)優(yōu)選，以期取得應(yīng)有的應(yīng)用效果。

1 RBF神經(jīng)網(wǎng)絡(luò)基本原理及模型

1.1 RBF神經(jīng)網(wǎng)絡(luò)基本原理

徑向基函數(shù) (RBF)[7]是由輸入層、隱含層和輸出層組成的3層前饋神經(jīng)網(wǎng)絡(luò)。其中，輸入層負責傳遞信號到下一層，而隱含層節(jié)點是由類似高斯函數(shù)構(gòu)成，同時，輸出節(jié)點通常是由線性函數(shù)(圖1)構(gòu)成的。

圖1 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)

1.2 RBF神經(jīng)網(wǎng)絡(luò)模型

徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)常用于函數(shù)逼近與模式分類。隱含層激活函數(shù)為Gaussian函數(shù)，即

(1)

式中，j為隱節(jié)點個數(shù)；k為隱含層節(jié)點數(shù)；φj(x)為

第j個隱節(jié)點的輸出；x為網(wǎng)絡(luò)輸入向量；cj為第j個隱含層節(jié)點的核函數(shù)中心矢量；σj為第j個隱含層節(jié)點的高斯函數(shù)寬度。

利用RBF進行數(shù)據(jù)預(yù)測，首先設(shè)計隱藏層，然后建立RBF神經(jīng)網(wǎng)絡(luò)預(yù)測模型，構(gòu)造相應(yīng)的神經(jīng)網(wǎng)絡(luò)，再根據(jù)網(wǎng)絡(luò)收斂速度和預(yù)測誤差進行比較，最后利用中心選擇算法優(yōu)化網(wǎng)絡(luò)與輸出層的預(yù)測結(jié)果。

2 工程實例

某金屬礦山采場處于采空區(qū)范圍內(nèi)，為避免采礦貧化，故采用上向扇形中深孔對整個采場進行一次集中爆破。為了優(yōu)選該礦山的爆破參數(shù)，結(jié)合該礦實際生產(chǎn)條件，選取了8個實際礦山的爆破參數(shù)作為樣本集(表1)，對該礦進行了現(xiàn)場爆破試驗，以驗證優(yōu)選出爆破參數(shù)的合理性。

表1 爆破參數(shù)優(yōu)選樣本集

建立RBF神經(jīng)網(wǎng)絡(luò)模型，將彈性模量、摩擦角、黏結(jié)力、礦石容重等6項影響礦巖固有屬性的因素作為RBF神經(jīng)網(wǎng)絡(luò)的輸入因素，將排距、孔底距和炸藥單耗作為輸出因子，對爆破參數(shù)進行優(yōu)選。

2.1 RBF神經(jīng)網(wǎng)絡(luò)優(yōu)化

對表1中的樣本集數(shù)據(jù)進行處理，建立RBF神經(jīng)網(wǎng)絡(luò)訓練樣本。通過分析可得，以礦石容重(kg/t)、彈性模量(MPa)、抗拉強度(MPa)等作為RBF神經(jīng)網(wǎng)絡(luò)模型的輸入項，炸藥消耗量(kg/t)、排距(m)、孔底距(m)作為RBF神經(jīng)模型的輸出項，建立RBF神經(jīng)網(wǎng)絡(luò)預(yù)測模型，通過RBF神經(jīng)網(wǎng)絡(luò)收斂速度與預(yù)測誤差相互比較，最后確定最佳隱含層節(jié)點數(shù)。同時為消除各維數(shù)間數(shù)量級差別，需要對樣本數(shù)據(jù)進行歸一化處理，把所有數(shù)據(jù)都轉(zhuǎn)化為[0，1]區(qū)間的數(shù)，xk=(xk-xmin)/(xmax-xmin)為歸一化[8-9]函數(shù)，在輸出預(yù)測結(jié)果時，對數(shù)據(jù)進行反歸一化。

根據(jù)RBF神經(jīng)網(wǎng)絡(luò)模型優(yōu)化條件，爆破參數(shù)的優(yōu)化模型流程如圖2所示。

圖2 神經(jīng)網(wǎng)絡(luò)算法流程

2.2 RBF神經(jīng)網(wǎng)絡(luò)訓練和預(yù)測結(jié)果

在優(yōu)選爆破參數(shù)過程中，需要根據(jù)網(wǎng)絡(luò)結(jié)構(gòu)(圖3)對RBF神經(jīng)網(wǎng)絡(luò)進行調(diào)試，最終確定隱含層節(jié)點個數(shù)。根據(jù)本次訓練過程，確定選用隱含層神經(jīng)元為3個，在模擬誤差在10-3的低水平情況下，將試驗數(shù)據(jù)作為RBF神經(jīng)網(wǎng)絡(luò)的訓練樣本，分別檢查隱含層節(jié)點數(shù)為7，10，13時的網(wǎng)絡(luò)性能。圖4～圖6分別是經(jīng)若干步運算達到精度要求而得到的隱含層節(jié)點數(shù)為6，9，12時的結(jié)果。僅當隱含層節(jié)點數(shù)為9時，預(yù)測模型的訓練及收斂速度較快，網(wǎng)絡(luò)的收斂速度高于其他兩者；隱含層節(jié)點數(shù)為6，9，12時的誤差分別為：0.031，0.017，0.024，且中間誤差明顯低于前后兩者。故隱含層節(jié)點數(shù)取9時，模型網(wǎng)絡(luò)預(yù)測最快，誤差最小。

圖3 RBF預(yù)測模型網(wǎng)絡(luò)結(jié)構(gòu)

由爆破參數(shù)樣本(表1)和預(yù)測模型訓練精度曲線及誤差曲線圖(圖4～圖6)可知，當RBF神經(jīng)網(wǎng)絡(luò)的隱含節(jié)點數(shù)為9時，模型的預(yù)測誤差最小，且網(wǎng)絡(luò)預(yù)測最快。將影響因素：礦石容重(3.40)、彈性模量(4.80)、抗拉強度(2.26)、礦石堅固性系數(shù)(12)、摩擦角(38)和黏結(jié)力(2.40)作為RBF神經(jīng)網(wǎng)絡(luò)模型的輸入因子，經(jīng)過計算，RBF神經(jīng)網(wǎng)絡(luò)的輸出因子為：1.30，2.2，0.32。故可獲得該礦山的最佳爆破參數(shù)為：排距為1.30 m，孔底距為2.2 m，一次炸藥單耗為0.32 kg/t。將優(yōu)選出的爆破參數(shù)應(yīng)用于礦山實踐中，達到了良好的爆破效果。

3 結(jié) 語

(1)RBF神經(jīng)網(wǎng)絡(luò)是一種輸入—輸出高度非線性映射，具有學習速度快、分析精度高等特點，可以避免傳統(tǒng)的爆破參數(shù)優(yōu)選的主觀性和隨機性，對于爆破參數(shù)優(yōu)選問題，提出了一種全新思路。

(2)通過建立RBF神經(jīng)網(wǎng)絡(luò)優(yōu)選預(yù)測模型，將影響礦巖爆破參數(shù)的6個因素(礦石容重、彈性模量、抗拉強度、堅固性系數(shù)、摩擦角、黏結(jié)力)作為優(yōu)選模型輸入因子，將炸藥單耗、排距和孔底距等因素作為模型輸出因子，可獲得最優(yōu)爆破參數(shù)。

圖4 隱含層節(jié)點數(shù)為6時RBF神經(jīng)網(wǎng)絡(luò)預(yù)測

圖5 隱含層節(jié)點數(shù)為9時RBF神經(jīng)網(wǎng)絡(luò)預(yù)測

圖6 隱含層節(jié)點數(shù)為12時RBF神經(jīng)網(wǎng)絡(luò)預(yù)測

(3)利用RBF神經(jīng)網(wǎng)絡(luò)對試驗結(jié)果進一步細化，將試驗結(jié)果輸入到訓練好的網(wǎng)絡(luò)模型中進行預(yù)測，得到了某礦最優(yōu)爆破參數(shù)，即：排距1.30m，孔間距2.2m，炸藥單耗0.32kg/t。

(4)該礦山應(yīng)用RBF神經(jīng)網(wǎng)絡(luò)預(yù)測的最優(yōu)爆破參數(shù)，采用上向扇形中深孔爆破，取得了較好的爆破效果，該工程實例也為其他類似的工程預(yù)測提供了參考，具有廣闊的應(yīng)用前景。

[1] 尚俊龍,胡建華,莫榮世,等.可爆性分級的博弈論-物元可拓預(yù)測模型及其應(yīng)用[J].采礦與安全工程學報,2013,30(1):86-92.

[2] 張德明,王新民,鄭晶晶,等.基于模糊綜合評判的礦巖體可爆性分級[J].爆破,2010,27(4):43-47.

[3] 趙 彬,王新民，史良貴,等.基于BP神經(jīng)網(wǎng)絡(luò)的爆破參數(shù)優(yōu)選[J].礦冶工程，2009,29(4):24-27.

[4] 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].中南大學學報,2009,40(5):1411-1416.

[5] 王德永,袁艷斌,錢兆明,等.基于GA_BP神經(jīng)網(wǎng)絡(luò)礦巖爆破參數(shù)優(yōu)選[J].爆破,2013,30(1):30-34.

[6] Zhang Yong,DU Qing-dong,YU Shi-dong. RBF neural network based on fuzzy evolution kalman filtering and application in mine safety monitoring[C]//Proceedings-2009 9th International Conference on Hybrid Intelligent Systems,Shenyang:2009:467-470.

[7] 韓紅桂,喬俊飛,薄迎春,等.基于信息強度的RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計研究[J].自動化學報,2012,38(7):1083-1090.

[8] 李夕兵,張義軍,左宇軍,等.巖石爆破振動信號的EMD濾波與消噪[J].中南大學學報:自然科學版,2004,37(1):150-154.

[9] 張友旺,王榮椿.間接自適應(yīng)動態(tài)遞歸模糊神經(jīng)網(wǎng)絡(luò)控制器設(shè)計[J].中南大學學報:自然科學版,2004,35(2):253-258.

Optimization Selection of Blasting Parameters Based on RBF Neural Network

Chen Qiong1Ou Hongning1Jiang Qun1Zhang Qinli2Liu Weijun2

(1.Hsikwang Shan Twinkling Star Co.,Ltd; 2.School of Resources and Safety Engineering,Central South University)

In order to obtain the reasonable blasting parameters,the RBF neural network is established,which is used to optimize blasting parameters.The sample data of 8 actual mines are counted,the six influence factors(the volume weight,modulus of elasticity,compressive strength,tensile strength,friction angle and bond strength)that affect the rock mass blastability are considered,which are taken as the input factors of the RBF neural network model,and the factors(rows space,depth of holes and once consumption of dynamite)that influenced blasting parameters are taken as the output factors,so the sample parameters are conducted optimization selection,and the optimal blasting parameters are obtained.Taking the medium-length hole blasting of a mine as an example,the blasting parameters of the mine are conducted optimization selection by the RBF neural network model,the results show that the row space of holes are 1.30 m,the space of holes are 2.20 m,and the explosives consumption is 0.32 kg/t.The practical application proves that the blasting effect is good, and the blasting parameters are reasonable.

Blasting parameters,RBF neural network,Sample data,Influence factors

2016-06-08)

陳 瓊(1964—)，男，高級工程師，410083 湖南省長沙市。