一种基于人工神经网络的配料爆破参数智能设计方法与流程

本发明涉及岩体爆破领域，更具体的说，是涉及一种基于人工神经网络的配料爆破参数智能设计方法。

背景技术：

由于岩体天然裂隙块度的影响，对级配料的爆破开采是巨大的技术进步，但其中是一个非常复杂的过程，在实际工程中难以推广，因此有必要设计一种基于人工神经网络的水电站级配料爆破参数设计方法，将复杂的运算过程由计算机完成，设计人员只需给出前次的爆破效果(块度筛分结果)、地质条件、提出爆破开采要求，计算机可根据前期的试验成果以及施工过程中不断补充的筛分以及碾压监测数据修正预报模型并给出合理的爆破参数。

人工神经网络算法在解决关于岩体力学非线性关系、参数识别、预测等方面的问题表现出巨大的优势，不同自然地质条件下，岩体的天然裂隙和块度分布杂乱无章，其对理想爆破块度的影响显然具有多因素的特征，而堆石坝填充料的级配要求对岩体天然块度具有多目标的要求。因此首先通过适量的现场试验和多次岩体爆破破碎全过程的数值仿真积累大量数据样本；其次基于累计的样本，从影响天然块度的因素筛选出主要因素，同时根据不同工程建设要求确定设计块度的主要目标；然后针对筛选出的主要因素和主要目标，基于人工神经网络算法建立天然块度和设计块度的映射关系；再者选取部分工程实例或数值计算实例，验证所建立的映射关系的准确性。

技术实现要素：

有鉴于此，有必要针对上述问题，提供一种基于人工神经网络的配料爆破参数智能设计方法，基于大量数据样本，建立岩体天然块度与理想爆破块度的映射关系，实现考虑研究对象的天然地质缺陷条件下，事先对爆破参数进行优化。

为了实现上述目的，本发明的技术方案如下：

一种基于人工神经网络的配料爆破参数智能设计方法，包括以下步骤：

S1、根据爆破环境和地质条件的改变，建立并嵌入预测模型；

S2、根据历史实验、爆破数据及碾压监测数据修正预测模型并预测理想爆破块度；

S3、建立岩体天然块度与理想爆破块度的映射关系，事先对爆破参数进行优化。

作为优选的，所述步骤S1中预测模型为Kuz-Ram爆破块度预警模型。

作为优选的，所述Kuz-Ram爆破块度模型包括R-R分布函数和Kuznetsov方程；

所述R-R分布函数包括石料特征尺寸x⁰和块度分布不均匀指数n两个变量，表达式为：

式中，R为小于某一粒径x的百分比，x为岩块颗粒粒径，x₀为特征块度；

所述Kuznetsov方程为爆破平均块度与爆破能量、岩石特性的经验方程，其表达式为：

式中，A为岩石系数，Q为单孔装药量，E为炸药相对威力，q为炸药单耗。

作为优选的，所述Kuz-Ram爆破块度模型中，块度分布不均匀指数n算法如下：

n＝(2.2-14w/d)(1-e/w)[1+(m-1)/2]L/H

式中，W为最小抵抗线，d为炮孔直径，e为钻孔精度标准差，m为间距系数，m＝a/W，a为孔距；L为不计超钻部分的装药长度；H为台阶高度。

作为优选的，所述步骤S2包括，根据爆破试验或前期施工中积累的实际块度分布资料和用该模型计算的平均块度块度分布不均匀性指标n进行比较,将其实际和计算值之比值作为修正系数Kx和Kn,从而得到修正后的Kuz-Ram模型：

n'＝Kn(2.2-14w/d)(1-e/w)[1+(m-1)/2]L/H。

作为优选的，所述步骤S3具体包括：

S31、建立神经网络函数；

S32、调用神经网络函数，根据现场试验和多次岩体爆破破碎全过程数据中实际数据库中的训练样本作为输入参数，输入到神经网络函数中，进行神经网络函数的训练学习；

S33、、建立岩体天然块度与理想爆破块度的映射关系，事先对爆破参数进行优化。

作为优选的，所述神经网络函数包括三层结构的神经网络控制模型，包括5个输入层神经元、若干隐层含神经元和1个输出层神经元。

与现有技术相比，本发明的有益效果在于：本发明根据爆破环境和地质条件的改变，建立并嵌入预测模型；根据历史实验、爆破数据及碾压监测数据修正预测模型并预测理想爆破块度；建立岩体天然块度与理想爆破块度的映射关系，事先对爆破参数进行优化。通过基于爆破开采的逐步推进，根据爆破环境和地质条件的改变，嵌入预测模型的实时更新和调整机制；基于大量数据样本，建立岩体天然块度与理想爆破块度的映射关系，实现考虑研究对象的天然地质缺陷条件下，事先对爆破参数进行优化。

附图说明

图1为本发明实施例的方法流程图；

图2为本发明实施例的神经网络函数的系统结构图。

具体实施方式

下面结合附图和实施例对本发明所述的一种基于人工神经网络的配料爆破参数智能设计方法作进一步说明。

以下是本发明所述的一种基于人工神经网络的配料爆破参数智能设计方法的最佳实例，并不因此限定本发明的保护范围。

图1示出了一种基于人工神经网络的配料爆破参数智能设计方法，包括以下步骤：

S1、根据爆破环境和地质条件的改变，建立并嵌入预测模型；

S2、根据历史实验、爆破数据及碾压监测数据修正预测模型并预测理想爆破块度；

S3、建立岩体天然块度与理想爆破块度的映射关系，事先对爆破参数进行优化。

作为优选的，所述步骤S1中预测模型为Kuz-Ram爆破块度预警模型。

作为优选的，所述Kuz-Ram爆破块度模型包括R-R分布函数和Kuznetsov方程；

所述R-R分布函数包括石料特征尺寸x⁰和块度分布不均匀指数n两个变量，表达式为：

式中，R为小于某一粒径x的百分比，x为岩块颗粒粒径(m)，x₀为特征块度(cm)，即筛下累积率为63.21％时的块度尺寸；当R＝0.5时，有：

此时，X＝X₅₀：

X₀＝X₅₀/(ln2)^1/n

所述Kuznetsov方程为爆破平均块度与爆破能量、岩石特性的经验方程，其表达式为：

式中，A为岩石系数，与岩石的节理、裂隙发育程度有关，中硬岩A＝7，坚硬岩、节理发育取A＝10，坚硬岩、节理不发育取A＝14；Q为单孔装药量(kg)；E为炸药相对威力，，铵油炸药为100，TNT时为115；q为炸药单耗(kg/m³)。

作为优选的，所述Kuz-Ram爆破块度模型中，块度分布不均匀指数n算法如下：

n＝(2.2-14w/d)(1-e/w)[1+(m-1)/2]L/H

式中，W为最小抵抗线，d为炮孔直径(mm)，e为钻孔精度标准差(m)，m为间距系数，m＝a/W，a为孔距；L为不计超钻部分的装药长度(m)；H为台阶高度(m)。

用Kuz-Ram爆破块度模型确定的爆破块度分布曲线的线形特征、变化趋势是和实际情况一致的。但采用该模型计算级配料开采的实际资料也表明，无论是决定爆破块度分布曲线位置的平均块度和决定爆破块度分布曲线陡缓的n值大小都和实践有差距而难以完全反映实际情况，因此，所述步骤S2包括，根据爆破试验或前期施工中积累的实际块度分布资料和用该模型计算的平均块度块度分布不均匀性指标n进行比较,将其实际和计算值之比值作为修正系数Kx和Kn,从而得到修正后的Kuz-Ram模型：

n'＝Kn(2.2-14w/d)(1-e/w)[1+(m-1)/2]L/H。

作为优选的，所述步骤S3具体包括：

S31、建立神经网络函数；

S32、调用神经网络函数，根据现场试验和多次岩体爆破破碎全过程数据中实际数据库中的训练样本作为输入参数，输入到神经网络函数中，进行神经网络函数的训练学习；

S33、、建立岩体天然块度与理想爆破块度的映射关系，事先对爆破参数进行优化。

人工神经网络算法是由大量处理单元互联组成的非线性、自适应信息处理系统。它的适应性是通过学习实现的，根据环境的变化，对权值进行调整，改善系统的行为。针对爆破破碎全过程长滞后、非线性、多输入因子、不确定性、时变性、模糊控性等特点，系统采用人工神经网络算法对周围环境自适应或自学习，通过自我调整使输出误差达到最小，即通过训练进行学习，对于某些难以参数化的因素，通过训练，自动总结规律。

神经网络算法为非线性系统辨识提供了一个有力的工具，更适合于对岩体爆破这一非线性系统进行辨识，同时还能有效解决收敛性的问题并提高学习速度。Matlab数值分析软件提供了功能非常丰富的神经网络函数，本智能设计方法采用Microsoft.NET开发环境实现，Microsoft.NET调用Matlab软件中神经网络函数，神经网络学习取用现场试验和多次岩体爆破破碎全过程数据的实际数据库中的训练样本作为输入参数。

系统人工神经网络算法采用三层结构的神经网络控制模型，如图2所示，输入层神经元为5个(用x1、x2、x3、x4、x5表示)，输出层神经元1个，(用U表示)，隐含层神经元个数对神经网络的性能有着巨大影响，太少会降低神经网络的容错能力，太多又会影响神经网络的泛化能力。隐含层神经元的个数可根据神经网络计算理论中的有关公式通过试验确定。

与现有技术相比，本发明的有益效果在于：本发明根据爆破环境和地质条件的改变，建立并嵌入预测模型；根据历史实验、爆破数据及碾压监测数据修正预测模型并预测理想爆破块度；建立岩体天然块度与理想爆破块度的映射关系，事先对爆破参数进行优化。通过基于爆破开采的逐步推进，根据爆破环境和地质条件的改变，嵌入预测模型的实时更新和调整机制；基于大量数据样本，建立岩体天然块度与理想爆破块度的映射关系，实现考虑研究对象的天然地质缺陷条件下，事先对爆破参数进行优化。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。