基于BP神经网络的爆破振速峰值预报

以司家营铁矿露天矿爆破振动的实测数据为基础,运用BP神经网络原理,以孔数、最大单孔药量、总药量、高程差和爆源距作为影响爆破振动速度的主要因素,建立BP神经网络模型,对质点爆破振动速度峰值进行预测。结果表明:BP神经网络模型的预测精确度明显高于传统的萨道夫斯基公式,对工程实践具有较好的指导性。     

基于神经网络算法的爆破振动预测模型开发北大核心

爆破地震效应是爆破过程中最为常见的负面效应之一。对地面振动进行准确预测是预防和控制爆破地震效应的前提。研究中,采集了76组爆破振动数据,基于神经网络算法,提出了8种不同的爆破振动预测模型,并考虑了神经元数量、传递函数和学习函数等超参数对神经网络模型预测精度的影响。选择了三种统计指标对模型性能进行评估,并对所开发模型的性能进行了比较。结果显示,建立的ANN-3模型具有最高的预测精度,其相关系数、决定系数和均方根误差分别为0.972、0.945和1.949。得到了神经网络的最佳参数配置:网络结构2-12-1,输入层-隐藏层-输出层之间的传递函数为logsig-pureling,学习函数为learngd。研究成果有助于提高矿山生产爆破的安全,特别是作为爆破设计过程中的辅助工具,便于爆破工程师更好的控制爆破振动,以及为围岩稳定性评估提供决策支持。     

基于BP神经网络的爆破参数优化研究

在某露天矿由于爆破参数与岩石特性不相符合,导致爆破效果不是太好,大块率高,留有根底,炸药单耗偏高,大块率高势必会导致二次破碎的费用偏高,还会对铲装运输等后续程序产生影响,这都直接影响着矿山的经济效益。通过BP神经网络对矿山爆破参数进行优化,改善爆破效果,提高矿山的经济效益。     

基于神经网络的爆破参数优化

针对露天矿爆破效果不理想的问题,以马家塔露天矿为依托,利用BP神经网络进行爆破参数优化,采用该矿的实际爆破参数作为样本数据对模型进行了训练。结论:该模型具有很好的容错性,该模型可以根据训练所得结果确定各因素之间权的非线性关系,并以高精度拟合出误差极低的连续性函数关系。     

基于灰色分析和神经网络的爆破振速峰值预测（增刊）

爆破给国家带来了巨大经济效益、给施工提供便利条件的同时避免不了会带来一些负面效应, 为此,如何才能既降低爆破振动危害又保证施工进度,己经成为当前隧道工程界亟待解决的一项重要课题。以北京地铁昌平二期05段岩石隧道爆破为例,通过灰色关联分析法确定了对爆破振速峰值有显著影响的指标和输入变量,建立BP神经网络模型,对爆破振动速度峰值进行预测。将结合了灰色关联分析法的BP神经网络模型预报的结果与神经网络模型、传统方法预测的结果相比,其结果为：萨道夫斯基公式的平均误差为18.86％,萨道夫斯基拓展式为16.57％,BP神经网络的误差为14.61％,灰色关联分析神经网络法仅为8.23％。预测结果表明：结合灰色关联分析法并运用BP神经网络对爆破振速峰值预测是可行的。     

基于神经网络的露天矿爆破参数优化研究

马家塔露天矿爆破效果不理想,大块率较高、炸药单耗偏高、残留根底现象严重。为解决这些问题,基于BP神经网络建立了露天矿爆破参数优化模型。采用该矿的实际爆破参数作为样本数据对模型进行了训练,通过实例数据的检验证明该模型具有较高的预测精度。经过现场试验和模型仿真分析,采用优化后的爆破参数进行了爆破,取得了较好的效果：大块率控制在2%以下,炸药单耗由0.41 kg/m³降为0.37 kg/m³,每延米炮孔爆破量由17 m³/m增加至23 m³/m。     

BP神经网络在台阶爆破参数优化中的应用

在遵义县新材料工业园区平场工程土石方开挖中,为了达到良好的爆破效果,需对爆破参数进行优化研究。首先根据目前所采用的生产设备和爆破器材确定了中深孔台阶爆破所需优化的参数,利用BP神经网络以岩石性质参数、爆破现场条件以及爆破效果要求作为BP神经网络的输入层,以需优化的爆破参数作为BP神经网络的输出层,然后以25组经典数据分析了模型参数的选取并进行了神经网络训练验证了网络的有效性,最后将现场参数输入神经网络得到了满足生产要求的爆破参数,达到了良好的爆破效果。     

爆破参数的BP神经网络优选及验证

爆破矿石块度大小及其均匀程度是反映爆破效果好坏的关键指标,它不仅直接影响采矿作业后续工序如装载、运输等设备工作效率和磨损程度,还严重影响采矿成本.因此利用BP神经网络对开阳磷矿的凿岩爆破参数进行优选,以排距、孔底距及炸药单耗作为输出结果,以国内同类矿山作为训练样本进行练习,计算得到了最优爆破参数,并根据最优爆破参数进行了现场试验验证,结果显示大块率有了明显的降低,因此这种方法由于良好的发展前景.     

基于SSA-BP神经网络爆破参数优选试验研究

为实现矿山快速准确地选取爆破参数,提出了一种基于麻雀搜索算法(SSA)来优化BP神经网络的数学模型,以抗拉强度、弹性模量、内摩擦角等6项影响矿岩可爆性因素为输入因子,以炮孔间距和炸药单耗为输出因子,基于训练样本建立参数优选模型。以辽阳宏盛镁矿为例,通过优选得到了该矿的爆破参数孔底距为1.5 m,排距为1.2377 m,炸药单耗为0.1603 kg/t。实践证明,此模型有效改善了传统BP神经网络收敛速度慢、精度相对较低等缺陷,相比经验公式得到的炸药单耗降低了27.2%,大块率控制在5%以内,优选的爆破参数能够取得良好的爆破效果。     

BP神经网络预测在台阶爆破参数优化的应用

以遵义东联二号路道路爆破工程实例为研究目标,分析了爆破效果的各个影响因素,并建立了爆破效果评价指标等级。收集了不同爆破工况条件下的爆破参数和爆破效果量化指标,并以此为基础建立了爆破参数优化BP神经网络模型。现场试验结果表明:优化后的爆破参数能够改善爆破效果,并达到预定要求指标,可为类似台阶爆破参数优化提供参考。     

钻孔爆破中自由面方位角对爆破振速的影响

影响钻孔爆破振动速度的因素有许多,而萨氏公式仅仅反映了最大段装药量、爆心距与爆破振动速度的关系。通过某矿爆破振动监测,发现反映自由面方位角影响的爆破振动公式预测值较萨氏公式更加接近真实值,该比例达70%,说明自由面方位角对爆破振速的影响是明显的。     

深孔爆破振动峰值问题的神经网络法研究

将神经网络法引入到深孔台阶爆破速度峰值的预测中,建立深孔爆破振动神经网络系统,利用美国矿业局研究报告中的数据对深孔爆破振动峰值进行分析预测,表明神经网络分析法是研究深孔台阶爆破速度峰值问题的有效工具之一.神经网络预测结果和实测值吻合较好.     

基于BP神经网络的爆破参数优选

为了得到最优的矿岩爆破参数, 提出以矿岩的容重、弹性模量、抗拉强度、抗压强度、摩擦角及粘结力为输入因子, 炮孔排距、孔底距及一次炸药单耗为输出因子, 并以国内爆破工艺类似、效果良好的矿山为样本来建立BP神经网络模型进行优选的思路。以石人沟铁矿上向扇形中深孔爆破参数选择为例, 优选出的参数适用于矿岩条件, 爆破效果良好。这种思路也可用于使用其它爆破工艺的矿山, 具有广阔的应用前景。     

井下爆破降振措施的应用

针对井下中深孔爆破引起的地表振动,通过确定爆破规模、微差爆破、优化爆破参数和精心施工等措施,有效地降低了爆破振动引起的危害,促进了社会和谐发展。     

爆破震动强度预测的神经网络模型研究

爆破震动控制一直是工程爆破界的一个重要研究课题,而如何对爆破震动进行准确地预测则是进行震动控制的前提和基础。BP神经网络是目前在非线性预测中得到极为广泛的一种神经网络模型,通过建立一个BP神经网络实现了对爆破震动速度的预测,并与常用的线性回归方法进行了比较,结果表明,神经网络预测模型具有更高的精确性。     

SVMR在爆破振速预测中的应用

为了预测爆破振速,讨论了国内外的相关研究方法,提出采用回归型支持向量机(SVMR)进行预测的方法。首先,通过工程实例建立预测模型;其次,使用Matlab仿真了SVMR模型和BP神经网络模型;最后,完成了两种模型下的振动预测。预测结果表明,SVMR方法的性能优于BP神经网络方法。     

神经网络模型在爆破震动强度预测中的应用研究

爆破震动控制一直是工程爆破界的一个重要研究课题 ,而如何对爆破震动进行准确地预测是进行震动控制的前提和基础。本文通过建立一个BP神经网络实现了对爆破震动速度的预测 ,并与常用的线性回归方法进行了比较 ,结果表明神经网络预测模型具有更高的精确性。     

BP神经网络在爆破振动中的研究与应用

为准确地预测爆破结果、减少爆破振动对建筑的损伤和保障工人的安全,利用具有处理非线性问题能力的BP神经网络预测爆破结果。选取合格的爆破结果作为网络模型的学习样本,经过一定次数的训练学习后通过神经网络的前馈特性确定各层阈值和误差,完成对BP神经网络的建立,发现预测结果与真实结果相比的误差在10%以内。再结合PAC算法、POS算法或者MATLAB软件等优化网络后甚至可以将误差控制在5%以内。通过建立BP神经网络预测可以减少爆破作业带来的危害,降低安全成本,指导爆破作业的施工。     

基于混沌优化神经网络的冲击地压预测模型

为了改进BP神经网络用于冲击地压预测的精度和泛化能力,利用BP算法和混沌优化算法优缺点的互补性,构建了一种组合式优化预测模型（COBP）.将该模型应用于重庆砚石台煤矿冲击地压的预测,结果显示,该模型既利用混沌优化帮助BP算法克服了易陷入局部极值的缺点,又利用BP算法克服了基本混沌优化局部搜索能力有限和有时不能搜索到全局最优的缺陷.