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GEP的爆破峰值速度预测模型

针对施工中爆破振动危害严重、振动峰值速度难以预测问题,选用基因表达式编程(Gene Expression Programming,GEP)算法以My Eclipse为开发工具,建立基于GEP的爆破峰值速度预测模型。取实测数据进行预测,并与萨道夫斯基经验公式与模糊神经网络模型预测结果对比。结果表明,三者平均相对误差分别为8.8%、11.3%及27.9%。由此证明GEP模型预测爆破峰值速度可行,亦为爆破振动预测提供新思路。     

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Adaboost-SVM组合算法的爆破振动强度预测研究

为了提高爆破振动强度预测精度,提出了基于Adaboost-SVM组合算法的爆破振动强度预测方法。采用主分量分析法,从7种爆破振动强度影响因素中确定了3类主要因素,并建立训练样本集,选用高斯径向基核函数建立SVM预测模型,经过对模型参数不断训练和优化调整,实现了对爆破振动强度的预测,最后通过Adaboost-SVM组合算法构建预测模型,进一步提升了预测精度。结果表明,SVM模型在预测精度上高于传统经验公式法和BP神经网络法,且训练速度更快;而提出的Adaboost-SVM组合算法能够进一步将预测精度提高至97%以上。     

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。     

下穿古遗址隧道爆破振动预测模型及安全限界

为确保隧道爆破掘进所诱发的振动对明长城遗址不造成影响,以萨道夫斯基公式为基础,基于量纲分析法建立多影响因素的隧道台阶爆破地表质点峰值振动速度预测模型;在此基础上对现场监测数据进行非线性回归运算,将运算结果分别回代萨氏公式及新建公式进行振速预测,并做出准确度评价,二者最大平均相对误差分别为40.4%与15.9%,证明了新建公式对振速预测的准确性。同时利用HHT法对爆破振动信号进行处理,获得Hilbert谱及相应的瞬时能量图,从能量角度分析了爆破振动的传播衰减规律;同时依据相关规程考虑最不利因素,确定保护明长城遗址的安全限界,并提出相应的减振措施,为下穿明长城遗址段爆破施工方案设计及相关科学研究提供理论参考依据。     

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%。     

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%。     

考虑高程放大效应的爆破振速预测研究

为解决现有爆破振速预测公式不能全面反映高程放大效应影响的问题，通过对爆破振动高程放大效应的理论研究，系统的分析了影响爆破振动高程放大效应的诸多因素，运用IAHP(改进层次分析法)求得方案层各影响因素的组合权重。基于量纲分析，引入高程、坡度计算指标，得到了考虑高程放大效应的修正公式；采用多元线性回归方法，对其及常用的经验公式进行拟合对比分析，结果表明考虑高程放大效应的修正公式预测精度更高，在径向、切向、垂向上预测值与实测值之间的平均相对误差分别为13.790%、15.046%、12.482%,均低于其他经验公式。研究结果对非平坦环境下爆破振速的预测提供了更为可靠的结果，对类似地形起伏较大环境下爆破振动控制有一定的参考价值。     

考虑密集系数的台阶松动爆破振动速度预测模型

为提高台阶松动爆破振动峰值速度的预测精度，减少由爆破振动引起的次生灾害事故，通过分析两种具有代表性的爆破振动峰值速度预测模型存在的不足，利用能量守恒定律分析了密集系数对爆破振动速度衰减的影响，基于量纲理论推导出考虑密集系数的多元非线性爆破振动速度预测模型，并结合具体实际工程，对监测数据进行非线性回归分析。结果表明：考虑密集系数的爆破振动速度预测模型相较于两种经典预测模型其预测精度提高了9.99%和4.16%,具有更高的预测精度，同时可为爆破工程设计提供指导，达到防控振动灾害的目的，为类似工程提供参考与借鉴。     

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。     

下穿村庄隧道爆破振动效应研究

为了研究下穿村庄隧道爆破振动效应,以太锡铁路太崇段新建崇礼隧道下穿和平村实际工程为研究对象,利用等效药量与等效距离的概念改进萨道夫斯基公式,通过实测爆破振速对其进行回归分析,建立适用于本工程的振速预测模型。然后,利用小波包分析对能量分布规律,得出能量衰减模型。结果表明：改进公式预测模型最大相对误差仅为—6.75%,提高了爆破振速预测精度。随着等效药量与等效距离的增加,爆破低频带能量占比呈升高的趋势,而随着等效距离的增加,爆破振动能量衰减很快,等效距离50 m以上时,爆破振动能量衰减趋于平缓。     

较大高程差迎波坡面爆破地震地形效应分析

针对较大高程差起伏地形高边坡爆破施工对周边环境的影响,开展了迎波坡面爆破地震地形效应研究。通过爆破振动测试与分析,得到了迎波坡面质点峰值振动速度萨氏经验公式。结合高程放大效应质点峰值振动速度经验公式,推导出了基于地形效应迎波坡面爆破地震预测模型,通过依托工程迎波坡面质点峰值振动速度预测分析,表明预测模型能较好地反映出地形效应对爆破地震的影响;同时,研究指出由于爆破地震波传播路径与介质的复杂性以及波传播过程中的叠加干涉,对较大高程差起伏地形的质点峰值振速预测,以总药量参与计算更为精准。     

爆破震动速度峰值预测模型的比较和讨论

传统的爆破震动峰值质点速度(PPV)预测公式已不能适应现代爆破安全的要求。基于人工神经网络(ANN)原理,建立了结构为2-5-1的BP神经网络预测模型,以青藏铁路关角隧道爆破震动测试数据为样本,对人工神经网络模型和几种传统公式的爆破震动速度预测结果进行比较。通过对实测结果与预测结果相关性系数(COD)、平均绝对误差(MAE)和相对误差(RE)的分析,表明:在传统预测模型中USBM预测公式精度最高,而人工神经网络模型较传统模型更接近实际值。     

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。     

基于人工智能方法的地下洞室群爆破振动速度预测

特大断面地下洞库爆破开挖工程中涉及到众多的影响因素,为了较准确地预测出爆破振动速度,引入支持向量机理论,建立最小二成支持向量机爆破振动速度预测模型(LS-SVM模型),该模型利用结构风险最小化来提高求解问题的速度和精度。采用该模型对某地下水封LPG洞库工程进行爆破振动速度预测,并与传统的萨道夫斯基回归公式模型(萨氏模型)和模糊神经网络模型(FNN模型)进行对比分析。分析结果表明:LS-SVM模型、FNN模型与萨氏模型的全局均方根相对误差RMSRE分别为4.68%、14.42%与19.33%;LS-SVM模型有14组数据满足预测模型泛化能力误差阀值(6%)的要求,而FNN模型与萨氏模型均不满足要求。因此LS-SVM模型在爆破振动速度预测中的预测性能和泛化能力均优于FNN模型及萨氏模型,可为多因素影响下类似工程爆破振动速度预测提供借鉴经验。     

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。     

地铁隧道爆破振动对地面的影响规律研究

为控制地铁爆破开挖引起的振动对地表建筑物的影响,需要探明爆破振动传播至地表过程中的衰减规律。通过中深孔爆破法进行现场试验,试验孔装药量对应实际工程中单段药量,模拟大连地铁1号线隧道爆破掘进作业,采用钻孔监测与地表监测相结合的方法,分别在地表和地表以下1.5 m,7.5 m和15 m深的孔内安置监测点,监测爆破振动在不同深度的质点振速。同时,利用FLAC3D软件对现场试验中各观测点质点振速峰值进行数值计算,分别采集试验与数值模拟的质点振速峰值,并通过萨道夫斯基经验公式进行回归分析。结果表明:地下爆破振速的监测结果较地表小,振速峰值约为地面的50%~64%;对比萨道夫斯基公式反算的振速与数值模拟计算结果,数值模拟得到的质点振速与实测结果更接近,可以通过数值模拟结果对萨道夫斯基公式进行修正以提高预测精度。