隧洞爆破地震波作用下临近水电站的安全性评估

为了评估隧洞爆破地震波作用下临近水电站的安全性,结合深溪沟水电站安装间灌浆排水廊道的掘进爆破开挖工程,利用TC-4850测震仪对临近发电厂房、机组及其他重点保护对象进行爆破震动监测。首先将实测数据进行震动波形、时能密度和震速峰值分析,然后采用一元回归方法分析爆破震动衰减规律,预测不同单响药量和不同爆心距下质点震动幅值,通过与国家爆破震动安全控制标准比较,评估爆破震动的安全性。研究结果表明:现场监测结果与回归分析的理论预测结果相吻合,隧洞爆破震动对临近水电站安全运营的影响较小,采用上述分析方法能够合理地评估隧洞爆破地震波作用下临近水电站的安全性。     

爆破震动对HML露天矿边坡影响的研究

频繁的爆破震动会对露天矿已有边坡稳定性造成影响。以HML露天矿为背景,监测爆破震动对边坡的扰动,用回归分析原理得出爆破地震波在岩体中传播衰减规律公式。为今后的爆破设计和震动的预测提供依据。在原有的数据基础上,利用LS—DYNA显式动力分析软件模拟矿山爆破,分析爆破地震波对边坡的影响。在边坡模型上选取点和单元体,通过分析比较其震动速度和有效应力的衰减规律,可以总结出地震波在HML矿山岩体中的传播规律和危害机理。为确保矿山生产顺利进行,维护矿山边坡的稳定性提供依据。     

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。     

井下深孔爆破震动效应的观测

为了确保井下矿山安全生产,研究爆破引起震动对地下巷道,竖井.井底车场,地表移动,地面结构物和建筑物的影响是很重要的。本文通过对几个地下矿山爆破震动观测结果进行初步总结分析,供有关单位现场设计参考。     

控爆中配电站等安全问题的处理

待拆烟囱的钢筋混凝土基础紧邻对爆破震动极为敏感的配电站和挡土墙 ,其上方又有重要的架空高压输电线。通过正确设计控爆方案、合理选取爆破参数并采取试验爆破、多重防护及严密监测等技术措施 ,解决了复杂条件下该基础控爆拆除的安全问题     

控爆中配电站等安全问题的处理

待拆烟囱的钢筋混凝土基础紧邻对爆破震动极为敏感的配电站和挡土墙 ,其上方又有重要的架空高压输电线。通过正确设计控爆方案、合理选取爆破参数并采取试验爆破、多重防护及严密监测等技术措施 ,解决了复杂条件下该基础控爆拆除的安全问题     

基于BP神经网络的高含水岩石爆破震动参数预报

运用现场试验震动监测得出水介质对高含水岩石爆破地震波传播规律的影响,再结合BP神经网络理论,将水介质纳入网络模型,建立爆破震动参数预报的BP神经网络模型。采用高含水岩石爆破现场监测数据对网络模型进行训练。把训练达到最优后的预报结果与实测结果作对比,发现BP神经网络模型预报参数与实测值较为接近。     

爆破振动的BP神经网络预测方法研究

爆破所引起的震动强度在很大程度上具有随机性,它受到众多因素的影响,而且各因素之间存在着极其复杂的非线性关系.运用人工神经网络原理,以孔深、孔数、孔距、最大齐爆药量、总药量和爆源距作为影响爆破振动的主要因素,建立BP神经网络模型1,对爆破振动速度进行预测,并与仅考虑最大齐爆药量和爆源距作为输入量的BP神经网络模型2和萨道...     

基于PCA和改进BP组合预测模型的矿岩可爆性研究

为了更精确地对矿岩可爆性进行预测分级,对BP神经网络评价方法进行优化,建立了主成分分析法和改进BP神经网络相结合的矿岩可爆性分级评价模型。以具体矿山为例,考虑影响矿岩可爆性的10项评判指标,统计15个实际矿山的样本数据。利用SPSS软件对样本数据进行主成分分析,将输出结果作为改进BP神经网络的输入因子,矿岩的爆破等级作为输出因子,得到的分级预测结果更加准确且精度更高。结果表明:该模型对矿岩可爆性分级的相对误差都控制在6%以内,与未经主成分分析的BP神经网络预测误差相比,预测精度显著提高。该组合预测模型为矿岩的可爆性分级提供了一种更加完善的评价体系。     

爆破震动对邻近建筑物的危害

在广州数个临近建筑爆破实例的基础上 ,对点源爆破地震波辐射时程效应进行了理论分析 ,并以模拟调整的实测爆破地震波 ,应用时程分析法计算了建筑结构和非结构的地震响应。在使用超过安全规程允许的药量进行临近建筑的浅眼爆破时 ,除了利用计算方法校验爆破震动对建筑物的影响外 ,还应采取稳妥的试爆措施 ,并配合薄弱结构处的震动监测 ,才能确保爆破安全。利用本文推荐的方法 ,解决了建筑物附近爆破的设计与施工问题     

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。     

神经网络用于振动磨阻尼特性的识别

振动磨作为超微颗粒制备的一种方法,其阻尼特性非常复杂。本文应用神经网络的高度学习能力和非线性映射能力,对振动磨的阻尼特性进行了研究,得出了颗粒的摩擦系数、恢复系数、粒度和振动水平是影响系统阻尼的主要因素的结论。     

基于贝叶斯网络的汽轮机组轴承工频振动诊断

将贝叶斯网络方法用于汽轮机组轴承振动诊断。根据现场诊断经验,建立了轴承工频振动诊断的质朴型贝叶斯网络,网络中融合了振动频谱、相位和运行工况等诊断信息;提出了网络推理计算方法,并在LabVIEW软件平台上实现。诊断结果的准确性在多个实际案例中得到证实,表明本文的诊断方法能有效地识别轴承振动的单一故障和复合故障。     

偏最小二乘回归神经网络模型在爆破振动峰值速度预测中的应用

神经网络方法是处理非线性问题的有力工具,但当输入变量较多,输入变量间存在的多重共线性性会使得网络的建模效率下降。偏最小二乘回归方法通过提取对因变量解释性较强的成分,能较好地克服变量间的多重共线性。将两种方法相结合,建立了爆破振动峰值速度的偏最小二乘回归BP神经网络预测模型。利用偏最小二乘法对影响爆破振动的因素进行分析,提取出3个新综合变量,使BP网络的输入层节点数目由9个减少到3个,简化了网络结构,提高了计算速度,增强了网络稳定性。分析结果表明,耦合模型的平均预测误差为7.62%,相较于传统的萨氏公式及标准的BP神经网络模型其预测精度有了明显提高。     

钻头钻进不同介质时的振动信号特征识别研究

钻井作业中,钻头破碎岩石产生振动,利用该振动特征可以实时反映钻进介质的种类。提出了一种钻头钻进不同介质时的振动信号特征识别方法,通过牙轮钻头破岩室内实验,采集到在不同钻压下钻头钻进砂岩、页岩、水泥环和套管时的声振信号,基于数字信号的时频处理,提取了信号时域和频域的50个特征值,应用PCA降维特征矩阵获取特征向量,建立不同钻进情况的钻头信号"指纹"特征,最后通过BP神经网络对"指纹"信息进行聚类后识别岩性和钻压。结果表明,该方法可以完成对钻头信号的特征识别,进而区分钻进地层和井眼材料(套管和水泥环),为井眼防碰作业中岩性在线识别提供技术支撑。     

复杂环境下基坑支撑梁爆破拆除

铁四院总部设计大楼基坑位于铁四院总部建筑群内,邻近信息中心。支撑梁爆破总方量为1400 m3,拆除工期紧,计算机硬盘对振动控制的要求又十分苛刻,所以采取预切割和爆破振动监测技术相结合的方法将支撑梁爆破拆除。对支撑梁预切割前后的爆破振动监测结果对比分析后,选用合理的爆破参数和爆破网路,将邻近信息中心侧的支撑梁爆破拆除。不宜进行封闭式防护的情况时,采用近体防护、调整装药结构、孔内微差起爆的技术,控制爆破飞石。支撑梁预拆除后爆破振动速度降低约60%,计算机服务器正常运行未受到爆破振动影响。     

诊断振动传递的分层极大流法

本文建立了多输入单输出振动传递系统的网络优化模型和数学规划模型，给出了求振动传递信息的分层极大流算法，并通过实例分析说明了该算法的具体应用。     

利用结构化神经网络识别振动系统非线性特性

本文提出了振动系统非线性特性识别的结构化神经网络方法。与传统的前馈神经网络不同的是，该法把系统分为线性和非线性两部分，学习得到的神经网络可以单独识别出系统非线性模型，而不是线性与非线性综合在一起的模型。本文将其应用于振动系统非线性特性的识别。实例表明该方法是可行的。