一种基于事故树和遗传算法的爆破振动控制预测方法与流程

本发明涉及工程爆破技术领域，特别是一种基于事故树和遗传算法的爆破振动控制预测方法。

背景技术：

随着我国工程项目建设的迅速发展以及技术的不断提高，工程爆破等新技术在矿山开采、水电工程、道路交通、核电站建设以及地下空间综合开发利用等大量工程建设领域得到了广泛应用，取得了许多重大成就，极大地推动了爆破技术的进步和创新。然而，工程爆破在给工程建设带来快速、高效的同时，由于爆破振动效应，也导致对周围环境的振动、污染、噪音等负面效应，甚至发生工程爆破事故，造成周边附属设施破坏和人员伤亡。随着人们生活质量的提高，人们对爆破振动效应危害性的重视程度也越来越高，例如，在工程爆破领域以及重要的建筑安全评价爆破地震波作用下的矿山爆破。举例来说，目前的高层建筑物拆除以及矿山开采，大多采用工程爆破技术，而由工程爆破引起的振动，很可能会造成地下巷道、矿区高陡边坡或地面建筑物等结构物设施在爆破振动力作用下的失稳与破坏。

技术实现要素：

本发明的目的是要解决现有技术中存在的不足，提供一种基于事故树和遗传算法的爆破振动控制预测方法。

为达到上述目的，本发明是按照以下技术方案实施的：

一种基于事故树和遗传算法的爆破振动控制预测方法，包括以下步骤：

步骤一、收集历史影响爆振动设计和施工过程中所有因素作为事故树事件，构建爆破振动事故树，爆破振动事故树的事件及代码如下：

步骤二、确定主导因素：

结合事故树分析方法计算出最小割集、的路径，从而作为改进的参考，

t＝m1+m2＝x1m3+x2m4＝x1(m5+m6)+x2(m7+m8)

＝x1(x3+x4+x5+x14+x15+x6+x7+x8)+x2(x9+x10+x11+x12+x13)

＝x1x3+x1x4+x1x5+x1x14+x1x15+x1x6+x1x7+x1x8+x2x9+x2x10+x2x11+x2x12+x2x13

最小割集13个，即影响爆破块度的路径有13个，即{x1,x3}；{x1,x4}；{x1,x5}；{x1,x14}；

{x1,x15}；{x1,x6}；{x1,x7}；{x1,x8}；{x2,x9}；{x2,x10}；{x2,x11}；{x2,x12}；{x2,x13}

ie(i)第i个基本事件的临界重要度系数，

q顶上事件概率函数，q＝q(q1,q2,q3,...,qn)，

qi第i个事件发生的概率值，

ip(i)第i个基本事件的概率重要系数，反映基本事件概率的增减对顶上事件发生概率影响的敏感度，

利用公式计算出最小割集中各个基本事件的临界重要度系数，并按照从达到小进行排序；

步骤三、先用遗传算法优化确定神经网络的初始权值、和网络结构，来代替一般神经网络初始权值、和网络结构的随机选取和盲目选择，然后用神经网络算法在这个网络结构内对网络权值进行精调，搜索出最优解或者最优近似解；

步骤四、构建bp人工神经网络模型：

bp人工神经网络的输入层节点为13个、隐含层节点为27个、输出层节点为1个，来预测爆破振动速度，采用动量梯度下降反向传播算法traingdm训练函数，动量系数为mc＝0.1，均方误差为网络输出和目标输出之问的均方误差mse＝10^-4；

步骤五、预测结果：控制范围以内(1，0，0，0)；达到临界值(0，1，0，0)；超过控制值(0，0，1，0)；严重超过控制值(0，0，0，1)。

与现有技术相比，本发明从源头上控制爆破振动事故发生，有效降低爆破振动带来的有害效应。提高爆破设计的合理性和科学性。

附图说明

图1为本发明的流程图。

图2为本发明构建的爆破振动事故树。

图3为本发明的遗传算法的流程图。

图4为本发明构建的bp人工神经网络结构图。

具体实施方式

下面结合具体实施例对本发明作进一步描述，在此发明的示意性实施例以及说明用来解释本发明，但并不作为对本发明的限定。

如图1所示，本实施例的一种基于事故树和遗传算法的爆破振动控制预测方法，包括以下步骤：

步骤一、收集历史影响爆振动设计和施工过程中所有因素作为事故树事件，构建爆破振动事故树，构建的爆破振动事故树如图2所示，爆破振动事故树的事件及代码如下：

步骤二、确定主导因素：

最小割集是导致顶上事件发生基本事件的最小集合，基于最小割集，能够计算出哪些基本事件概率的变化对事故产生的影响和控制力最大，哪些因素起到微不足道的作用。

结合事故树分析方法计算出最小割集、的路径，从而作为改进的参考，

t＝m1+m2＝x1m3+x2m4＝x1(m5+m6)+x2(m7+m8)

＝x1(x3+x4+x5+x14+x15+x6+x7+x8)+x2(x9+x10+x11+x12+x13)

＝x1x3+x1x4+x1x5+x1x14+x1x15+x1x6+x1x7+x1x8+x2x9+x2x10+x2x11+x2x12+x2x13

最小割集13个，即影响爆破块度的路径有13个，即{x1,x3}；{x1,x4}；{x1,x5}；{x1,x14}；

{x1,x15}；{x1,x6}；{x1,x7}；{x1,x8}；{x2,x9}；{x2,x10}；{x2,x11}；{x2,x12}；{x2,x13}

当考虑各基本事件发生概率的变化会给顶上事件发生概率以多大影响时，就要分析基本事件的概率重要度。利用下式可求得基本事件xi的概率重要系数

ie(i)第i个基本事件的临界重要度系数，

q顶上事件概率函数，q＝q(q1,q2,q3,...,qn)，

qi第i个事件发生的概率值，

ip(i)第i个基本事件的概率重要系数，反映基本事件概率的增减对顶上事件发生概率影响的敏感度，

利用公式(1)计算出最小割集中各个基本事件的临界重要度系数，并按照从达到小进行排序；13个最小割集可以表示为一行两列的矩阵数组。

步骤三、如图3所示，先用遗传算法优化确定神经网络的初始权值、和网络结构，来代替一般神经网络初始权值、和网络结构的随机选取和盲目选择，然后用神经网络算法在这个网络结构内对网络权值进行精调，搜索出最优解或者最优近似解；这样既实现了两者的优势互补，使得遗传算法的全局搜索能力和神经网络的广泛映射能力得到了发挥，也加快了网络的学习速度，综合提高了整个网络的逼近能力和泛化能力。具体如下：

1、编码:根据约束条件确定解空间，通过编码把解空间变量表示成遗传空间的基因型串的结构数据，变量x作为实数，可以视为遗传算法的表现形式。编码的形式有多种，编码的选择，通常采用二进制编码形式，将某个变量值代表的个体表示为一个{0,1}二进制基因串，基因串的长度取决于所求解的精度。

2、初始种群形成

采用随机生成的方法或用以一些启发性算法在可行域内确定出初始群体。种群的规模n的大小就是指种群中的基因个体数目。

3、适应度计算、基因个体优劣评价

遗传算法是通过个体适应度的大小来确定该个体被遗传代下一代群体中概率。个体的适应度越大，该个体被遗传到下一代的概率越大；反之个体适应度越小，该个体被遗传到下一代的概率就越小。当基本遗传算法使用比例选择算子来确定不同情况下各个个体的遗传概率时，要求所有个体的适应度必须为正数或零，不能为负数。对于求目标函数最小值的优化问题，理论上对其增加一个负号就可将其转化为求目标函数最大值的优化问题，即

minf(x)＝max(-f(x))

4、种群选择

选择是遗传算法的推动力，选择压力是一个内含准则，压力过大搜索会过早的终止；压力过小搜索会产生不必要的缓慢。通常算法的初始阶段采用较低的选择压力，利于扩展搜索空间。在终止阶段采用较高的选择压力，有利于找到最好的解域，使选择将遗传算法搜索引向最优解。

5、算子交叉

交叉运算是遗传算法中区别于其他进化算法的重要特征，在遗传算法中起着关键作用，是产生新个体的主要方法。在生物的自然进化过程中，两个同源染色体通过交配而重组，形成新的染色体，从而产生出新的个体或物种。交配重组是生物遗传和进化过程中的一个主要环节，模仿这个过程，在遗传算法中使用交叉算子来产生新的个体，遗传算法中的交叉是指两个相互配对的染色体按照某种方式相互交换部分基因，形成新的个体。

6、算子变异

在遗传算法中，变异是指将个体中的染色体编码串中的某些基因座上的基因值用该基因座上的其他等位基因替换，形成一个新的个体。进行变异算子的主要目的调节算法的局部搜索能力。算子变异采用高斯变异方法。

7、通过选择、杂交、变异生成新一代群体，然后在转向步骤3，计算新的个体适应值，评价个体的优劣，如此迭代下去，各群体的优良基因逐渐积累，群体平均适应值和最优个体的适应值不断增加，直到收敛于最优解。

步骤四、如图4所示，构建bp人工神经网络模型：

bp人工神经网络的输入层节点为13个(以13个最小割集中各个基本事件的临界重要度系数)、隐含层节点为27个、输出层节点为2个，来预测爆破振动速度，采用动量梯度下降反向传播算法traingdm训练函数，动量系数为mc＝0.1，均方误差为网络输出和目标输出之问的均方误差mse＝10^-4；

步骤五、预测结果：控制范围以内[1，0，0，0]；达到临界值[0，1，0，0]；超过控制值[0，0，1，0]；严重超过控制值[0，0，0，1]输入节点的值是13个一行两列的矩阵数组，输出也是一行两列的矩阵数组。

本发明的技术方案不限于上述具体实施例的限制，凡是根据本发明的技术方案做出的技术变形，均落入本发明的保护范围之内。