一种基于Pearson-CNN模型的露天矿山爆破振速预测方法

本发明属于矿山爆破工程，具体涉及一种基于pearson-cnn模型的露天矿山爆破振速预测方法。

背景技术：

1、爆破作为最常用的大规模、高效益碎岩方法，被广泛应用于各类水利水电、拆除、隧道及露天爆破，同时爆破对各类构筑物及环境带来的负效应如爆破地震波引起的破坏现象及后果称为爆破地震效应或爆破振动，其被认为是产生爆破危害效应之首。

2、对于露天矿山，研究爆破振速是一个比较复杂的问题，受到各种因素的影响。如爆源的位置、炸药量的大小、爆破方式、传播介质和地形条件等，准确的对爆破振速进行预报意义重大。目前国内外学者对于爆破振动效应的预测主要有传统经验公式预测、量纲分析及函数拟合预测和机器学习算法预测等。虽然已有专家对爆破振速的预报都做出了卓越的贡献，但还存在一些不足，如如传统萨道夫斯基公式和美国矿务局给出的公式虽广泛运用于各类工程振速预测，但萨式公式都是基于硐室爆破条件下进行拟合的，只考虑了爆源距和药量等因素，其工程背景与露天矿或水电爆破差异较大，因而存在普适性差预测精度等缺点。对于露天爆破或地质条件复杂的爆破现场，量纲分析式可对传统萨式公式进行改进引入如高差、岩体抗拉强度等影响因子来增强公式的预测能力，但对于一些不可量化的影响因素或非连续型变量如断层个数仍具有一定局限性；机器学习算法大大加强对爆破振动的预测性能，但传统机器算法存在如权值阈值容易陷入最优、学习速度慢、网络层数神经元个数没有相应规范指导、调参过于麻烦等，输入层参量过多、冗余变量导致网络计算过于复杂影响预测精度等问题。采用深度人工智能技术在爆破振速预测方面的研究还十分有限，相关的报道鲜见，亟需展开相关研究。

技术实现思路

1、针对复杂条件下露天矿山爆破振速预测输入参数选取困难、预测精度低等问题，本发明提供一种基于pearson-cnn模型的矿山爆破振速预测方法。所述预测方法通过pearson-cnn模型使得露天矿现场监测振动数据通过智能算法建立爆破振动预测成为可能，为露天爆破振动危害监测等工程带来新的发展。

2、为实现上述目的，本发明采取的技术方案为：一种基于pearson-cnn模型的露天矿山爆破振速预测方法，包括如下步骤：

3、(1)采集露天爆破的现场影响爆破振动速度因素数据；

4、(2)采用pearson相关性分析及显著性检验对采集的数据进行敏感性分析，选择显著因素数据，剔除非显著因素数据；

5、(3)将显著因素数据分为训练集和测试集，训练集和测试集的比例为4～5.5：1；

6、(4)设置超参数和损失函数，然后建立和训练卷积神经网络模型：训练集进行神经网络模型训练，得到训练好的神经网络模型，显著因素数据作为神经网络模型的输入，振动速度为输出；

7、(5)利用测试集的数据对卷积神经网络模型进行性能评估，设置dropout层丢弃概率为0.1和优化器选取sgdm随机梯度下降模型训练效果最佳；

8、(6)使用最优的卷积神经网络模型进行露天矿山爆破振速预测。

9、作为本发明的优选实施方案，所述影响爆破振动速度因素数据包括总药量、单段最大药量、爆源水平距离、高程差、爆源直线距离、孔深、单耗、孔径、孔距、排距、最小抵抗线、底盘抵抗线、断层个数和普氏系数。

10、作为本发明的优选实施方案，对步骤(1)采集的数据进行随机打乱，使模型学习到不同爆区的参量特征，提高网络模型的普适性。

11、作为本发明的优选实施方案，采用matlab内置的randperm函数对采集的数据进行随机排序打乱。

12、所述pearson相关性分析的相关系数为0.8-1.0时，变量的相关强度为极强相关；相关系数为0.6-0.8时，变量的相关强度为强相关；相关系数为0.4-0.6时，变量的相关强度为中等程度相关；相关系数为0.2-0.4时，变量的相关强度为弱相关；相关系数为0.0-0.2时，变量的相关强度为极弱相关或无相关。

13、所述显著性检验为根据显著性水平α＝0.05或者α＝0.01和在自由度为n-2＝62-2＝60时，根据t分布表得到ta/2(n-2)的值，当t＞ta/2(n-2)时，拒绝原假设，变量之间存在显著的关系；反之，当t＜ta/2(n-2)时，则接受原假设，变量之间不存在着显著的关系；p值根据查t分布表，如果t＞ta/2(n-2)，p＜0.05，为小概率事件，变量之间存在显著的关系；如果t＜ta/2(n-2)，p＞0.05，变量之间不存在着显著的关系。

14、所述步骤(2)中，采用t检验为显著性检验，显著因素数据同时满足pearson相关性分析中变量的相关强度为中等程度相关、强相关或极强相关和显著性检验中t＞ta/2(n-2)，p＜0.05。

15、作为本发明的优选实施方案，所述超参数包括训练批次、最大轮数、初始学习率、学习率衰减周期、学习率减小因子、dropout层丢弃概率和总迭代次数。

16、作为本发明的优选实施方案，所述损失函数为rmse。

17、作为本发明的优选实施方案，所述卷积神经网络模型包括1个输入层、2个卷积层、2个批量归一化层、2个激活层、1个丢弃层、1个全连接层和1个回归输出层。

18、本发明因数据被一维化因此不设计池化层。

19、作为本发明的优选实施方案，dropout层丢弃概率和优化器选取对模型训练结果影响较为明显，不同数据不同工程背景下超参数差异较大，设置dropout层丢弃概率为0.1～0.5和不同优化器的工况，经多次调参设置dropout层丢弃概率为0.1时和优化器选取sgdm随机梯度下降模型训练效果最佳。

20、作为本发明的优选实施方案，本发明通过拟合优度、rmse和mape作为评价指标来评估模型性能，分别见公式(1)～(3)：

21、

22、

23、

24、式中：n——样本总数；yi——样本实际值；yi*——模型预测值；yi——样本平均值。

25、r2越接近1，rmse和mape值越小，说明模型预测值与样本实际值的偏差越小，拟合效果就越佳，模型性能越好。

26、与现有技术相比，本发明的有益效果为：

27、(1)本发明针对露天矿山提出一种爆破振速预测模型，该模型有效低降低了输出参数的维数，使得模型更加简洁，并且所述模型具有参数共享机制和连接的稀疏性等优点，这使得网络的参数大大降低，用极少的网络参数，训练出较为优异的模型，模型通过卷积等运算操作提取输入参量特征信息，使得露天矿现场监测振动数据通过智能算法建立爆破振动预测成为可能，可为露天爆破振动危害监测等工程带来新的发展。

28、(2)相较传统经验公式、高差因子量纲分析、未经过皮尔逊敏感度分析删除冗余变量的cnn模型、bp模型bp，本文提出的pearson-cnn模型在拟合度、均方根误差、平均绝对百分比误差等验证指标的综合表现均为最优，说明本文提出模型的鲁棒能力和泛化性能的优越。