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

技术特征：

1.一种基于人工神经网络的配料爆破参数智能设计方法，其特征在于，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。

2.根据权利要求1所述的基于神经网络的配料爆破参数智能设计方法，其特征在于，所述步骤S1中预测模型为Kuz-Ram爆破块度预警模型。

3.根据权利要求2所述的基于神经网络的配料爆破参数智能设计方法，其特征在于，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：

$R=1-e^{-{\left(\frac{x}{x_0}\right)}^n}$

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：

$\stackrel{\‾}{X}=A\·q^{-0.8}{Q}^{1/6}{(115/E)}^{19/30}$

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。

4.根据权利要求3所述的基于神经网络的配料爆破参数智能设计方法，其特征在于，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。

5.根据权利要求4所述的基于神经网络的配料爆破参数智能设计方法，其特征在于，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：

${\stackrel{\‾}{X}}^{\′}=KxA\·q^{-0.8}{Q}^{1/6}{(115/E)}^{19/30}$

R'＝1-e^-(xKx)n'

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

6.根据权利要求1所述的基于神经网络的配料爆破参数智能设计方法，其特征在于，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。

7.根据权利要求6所述的基于神经网络的配料爆破参数智能设计方法，其特征在于，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。