基于ACOR-LSSVM算法的爆破振动速度预测

由于工程地质条件复杂,传统的方法很难准确预测爆破振动速度。引入连续域蚁群算法(ACOR),对最小二乘支持向量机(LS-SVM)进行参数优化,构建连续域蚁群最小二乘法爆破振动速度预测模型(ACOR-LSSVM)来提高预测精度。结合白鹤滩水电站左岸坝肩槽开挖过程中的40组爆破监测数据,分别采用ACOR-LSSVM、LS-SVM模型与萨氏公式进行爆破振动速度预测,三者的平均绝对相对误差分别为3.16%、10.07%、22.96%。相比之下,ACOR-LSSVM模型预测精度更高,泛化能力更强,在爆破振动速度预测中具有一定的理论意义和工程应用价值。     

基于PSO-LSSVM算法的地下储气库洞室群爆破振动预测

超大断面小净距地下储气库洞室群开挖爆破工程中涉及到众多的影响因素,传统人工智能方法难以对爆破峰值振动速度准确预测。为了提高预测精度,引入粒子群算法,对传统的最小二乘支持向量机模型(LS-SVM)进行优化并建立粒子群最小二乘支持向量机爆破峰值振动速度预测模型(PSO-LSSVM)。以某地下储气库洞室群开挖爆破工程为研究对象,应用PSO-LSSVM模型,将PSO-LSSVM模型与LS-SVM模型、萨道夫斯基经验公式的预测结果进行对比,得到三种预测的结果平均绝对相对误差分别为:5.50%、8.56%、23.45%。由此可见,PSO-LSSVM模型的预测结果与实测数据拟合度更高,精确度更满足工程需求,可为多因素作用下类似工程爆破峰值振动速度预测提供借鉴。     

基于PCA-GA-SVM的露天矿爆破振动速度预测模型研究

露天矿爆破振动速度受很多因素的影响,传统的经验公式和单一的神经网络模型无法满足现代爆破安全的要求。为提高预测爆破振动速度的精度,利用主成分分析(PCA)提取4个影响爆破振动速度的主成分作为模型的输入变量;结合遗传算法(GA)寻优获得支持向量机(SVM)惩罚系数c和核函数参数g为1.899 1和1.971 2,建立了基于PCA-GA-SVM的露天矿爆破振动速度预测模型,并成功应用于现场爆破工程。结果表明:该模型的平均相对误差为14.60%,建模时间为3.12 s,均方误差为0.131 5,与BP神经网络、传统SVM和GA-SVM对比,此模型具有更快的收敛速度和更高的准确率,为多因素影响下爆破振动速度预测提供了一种新的方法。     

基于PCA-GA-SVM的露天矿爆破振动速度预测模型研究

露天矿爆破振动速度受很多因素的影响,传统的经验公式和单一的神经网络模型无法满足现代爆破安全的要求。为提高预测爆破振动速度的精度,利用主成分分析(PCA)提取4个影响爆破振动速度的主成分作为模型的输入变量;结合遗传算法(GA)寻优获得支持向量机(SVM)惩罚系数c和核函数参数g为1.899 1和1.971 2,建立了基于PCA-GA-SVM的露天矿爆破振动速度预测模型,并成功应用于现场爆破工程。结果表明:该模型的平均相对误差为14.60%,建模时间为3.12 s,均方误差为0.131 5,与BP神经网络、传统SVM和GA-SVM对比,此模型具有更快的收敛速度和更高的准确率,为多因素影响下爆破振动速度预测提供了一种新的方法。     

穿越古长城的隧道开挖爆破振动参数预测模型

以山西省某穿越古长城的高速公路隧道爆破开挖工程为实例,根据支持向量机学习原理,建立支持向量机预测模型,以孔径、孔深、孔距、排距、单段最大装药量、总装药量和爆源距作为模型的输入参数,分别预测质点的径向、切向和垂直方向的爆破峰值振动速度及频率,并将预测值与实测值进行对比,以检验模型的精确度。结果表明,支持向量机预测模型对爆破峰值振动速度与频率的预测具有收敛快、精度高等特点,平均误差分别为11.04%、10.16%。利用该模型可以较准确地对爆破振动参数进行预测,在后续的爆破施工作业中,结合预测结果可以更好地对古长城采取有效的保护措施。     

穿越古长城的隧道开挖爆破振动参数预测模型

以山西省某穿越古长城的高速公路隧道爆破开挖工程为实例,根据支持向量机学习原理,建立支持向量机预测模型,以孔径、孔深、孔距、排距、单段最大装药量、总装药量和爆源距作为模型的输入参数,分别预测质点的径向、切向和垂直方向的爆破峰值振动速度及频率,并将预测值与实测值进行对比,以检验模型的精确度。结果表明,支持向量机预测模型对爆破峰值振动速度与频率的预测具有收敛快、精度高等特点,平均误差分别为11.04%、10.16%。利用该模型可以较准确地对爆破振动参数进行预测,在后续的爆破施工作业中,结合预测结果可以更好地对古长城采取有效的保护措施。     

基于KS-GS-SVR的峰值爆破振速预测

为了保证爆破作业时周围建筑物的稳定，需要提高对峰值爆破振动速度预测的准确性。运用Kennard-Stone算法优化训练样本，采用网络搜索算法获得支持向量回归机的最优惩罚系数和核函数参数，构建KS-GS-SVR的峰值爆破振速预测模型。结合湖北铜录山现场露天台阶爆破的振速实测数据，选取影响爆破振动速度的8个主要因素作为模型的输入变量，运用KS-GS-SVR模型进行峰值振速预测，并将KS-GS-SVR模型预测结果分别与GS-SVR、KS-GA-BP、KS-萨氏公式模型预测结果对比分析。结果表明，相比于GS-SVR的预测结果，KS-GS-SVR模型预测结果的平均相对误差降低了4.31%,说明Kennard-Stone算法通过优化训练样本提高了预测精度。KS-GS-SVR模型预测结果的平均相对误差为12.17%,明显低于其他模型，说明KS-GS-SVR模型学习和泛化能力更强，预测精度更高。所构建的预测模型可供类似工程爆破振速峰值预测借鉴。     

基于RVM的爆破振动速度预测模型

为提高对爆破振动速度预测的准确性,提出一种基于相关向量机(RVM)的爆破振动速度预测模型.利用该模型建立爆破振动速度与其影响因素之间的非线性映射关系,通过选取影响爆破振动速度的3个主要因素(炸药用量、距离、高程差),并对这3个主要影响因素产生的36组数据进行拟合训练,根据这36组训练样本来对剩余5组样本进行精准预测.将...     

考虑岩体抗拉强度的爆破振动速度衰减多元非线性模型

为了准确地预测爆破振动速度峰值,减少爆破振动灾害事故的发生,分析了两种典型的爆破振动速度峰值预测公式的不足。在此基础上,探讨城市深孔爆破中振动速度衰减与岩体抗拉强度在群孔效应条件下的关系。通过分析爆破振动速度衰减的影响因素,提取8个主要因素的量纲,由量纲理论推导出考虑岩体抗拉强度的爆破振动速度衰减多元非线性数学模型,并结合具体工程监测数据,使用1st0pt软件进行了非线性回归分析。研究表明:推导出的改进萨道夫斯基(萨氏)公式在3个场地预测值的平均相对误差分别为2.81%、10.56%、4.42%,均低于传统预测公式的平均相对误差,验证了所推导数学模型的正确性。可为爆破振动灾害防治研究提供参考。     

基于粗糙集模糊神经网络的爆破振动预测

以某地下水封洞库爆破工程为研究对象,全面考虑影响爆破振动的各种因素,提出了基于粗糙集理论的模糊神经网络(RS-FNN)预测方法进行质点峰值速度和主频率预测。首先采用粗糙集理论获得最优属性集,然后对实测数据进行模糊处理,建立质点峰值速度和主频率的12-25-1 RS-FNN网络预测模型,并与基于萨道夫斯基经验公式的预测模型进行对比研究。研究结果表明:RS-FNN对质点峰值速度预测要优于经验公式,同时,RS-FNN也首次实现了对主频率的预测,为保障工程爆破安全提供了一定的理论指导。     

基于GRNN的金山店铁矿爆破振动峰值速度预测

为研究爆破振动对金山店铁矿地表构筑物和井下巷道的影响,引入广义回归神经网络(GRNN)的方法,分别以地表、井下部分振动监测数据为学习样本对GRNN进行训练,构建地表、井下爆破振动峰值速度的GRNN预测模型,以剩余振动监测数据为检测样本对地表和井下GRNN预测模型进行检验,并将GRNN模型的预测结果与BPNN、基函数回归法和经验公式法作对比。同时,将地表、井下GRNN模型的预测结果与以地表和井下综合训练数据为学习样本构建的综合GRNN预测模型进行对比。研究结果表明:对于地表监测点,四种方法的预测误差率依次为12.1%、18.9%、30.3%、43.7%;对于井下监测点,四种方法的预测误差率依次为14.0%、16.2%、19.9%、23.0%。GRNN的预测精度最高,其为爆破振动峰值速度的预测提供了一种新方法,且采用GRNN对地表、井下质点爆破振动峰值速度分别进行预测更加合理。     

基于BP神经网络的地下采场爆破振速预测

为降低矿石开采中爆破振动的危害并达到最佳爆破效果,以河北唐山某矿山地下采场－156 m阶段爆破开采为例,采集了爆破振动监测数据,运用BP神经网络与萨道夫斯基经验公式分别对爆破峰值振速进行预测。结果表明:BP神经网络平均误差为17.22%;萨氏公式平均误差为40.76%。BP神经网络预测地下采场爆破振速是可行的。     

爆破振动特征参量的粗糙集模糊神经网络预测

摘 要 爆破振动特征参量对爆破振动危害效应有重要影响。首次用粗糙集模糊神经网络方法对振幅、主频率及主频持续时间进行预测。首先介绍了粗糙集模糊神经网络的基本思想,其次,分析了印象爆破振动特征参量的主要因素,建立了基于粗糙集模糊神经网络的爆破振动特征参量预测模型;最后用某边坡开挖爆破中的振动观测指标对模型进行了训练,并对15组指标进行了测试。结果表明：粗糙集模糊神经网络预测模型能反映了影响因素与特征量之间的非线性关系,适用于爆破振动特征参量预测。一次预测1个指标的精度高于同时预测3个指标的精度。     

PCA-BP算法在地面爆破振动中的应用

为了更加准确地预测地面爆破的质点峰值振动速度,提出应用一种PCA-BP算法,该算法首先利用主成分分析对爆心距、高程差、总药量、炮孔深度、单段最大药量等地面爆破振动影响因素进行研究,然后结合BP神经网络算法对其爆破质点峰值振动速度进行预测。结果显示:利用PCA-BP算法的预测结果更接近工程实测值,平均相对误差为7.748%,远小于用传统萨道夫斯基经验公式进行预测的平均相对误差32.654%,说明将PCA-BP算法应用到爆破振动工作中是比较可行的,对评估地面振动危害有一定的指导意义。     

临近燃气管道的爆破质点峰值振速预测

为研究南宁市某水利枢纽疏浚爆破对临近燃气管道产生爆破振动的衰减规律及其影响,采用爆破振动测试仪对爆破荷载下燃气管道的振动峰值速度进行监测。根据实测数据,利用线性回归与非线性回归方法进行分析。结果表明:运用回归分析得到的预测模型拟合精度较高,且非线性回归分析的预测模型比线性回归分析的预测模型精度高。非线性回归分析模型的相对误差为5.44%,线性回归分析模型的相对误差为6.38%。