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。     

基于TPE-BP神经网络的爆破振速预测模型研究

爆破振动速度是爆破设计需要考虑的的重要因素之一,然而在爆破振动速度预测中,BP神经网络超参数的确定依赖经验公式且具有主观性。为克服这种局限性,并提高振动速度预测精度,采用超参数优化算法TPE对BP神经网络进行超参数优选。以最大段起爆炸药量、炮孔深度、水平距离、垂直距离和炸药单耗参数作为输入量,建立了隐含层数量神经元数量为31个的BP神经网络(TPE-BP)预测模型,该模型的爆破振动速度平均预测误差为2.35%,最大误差为6.29%,与基于经验公式确定超参数的BP神经网络模型和传统的BP神经网络模型相比较,平均预测误差分别降低了23.26个百分点和4.24个百分点,说明参数网络优化后TPE-BP预测模型能更好地拟合振动数据,其预测结果更接近真实值,可为爆破参数设计提供参考依据,从而有效地控制爆破振动。     

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。     

基于RBF神经网络的露天矿爆破效果预测研究

露天矿爆破是一个受诸多因素共同影响的系统工程,是露天开采的重要环节之一,其爆破效果的优劣直接影响后续工序的完成。提高爆破技术水平和爆破质量,对矿山安全和生产具有重要的意义。本文通过随机森林选择影响爆破效果的主要参数,结合模糊评价确定爆破综合效果,建立了RBF神经网络爆破效果预测模型。将该模型应用于矿山爆破效果预测中,并将爆破现场实测的11组数据作为模型训练样本,另外5组现场数据作为预测样本进行测试,通过与BP神经网络比较,发现RBF神经网络的预测性能更为优越,可广泛应用于现场实践中。     

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。     

矿山预裂爆破效果预测的BP神经网络法

为简化矿山预裂爆破效果预测环节、提高预测精准度，针对传统预裂爆破效果评价注重预裂坡面成型的不足，考虑到露天矿山边坡时常受到爆破破岩振动等动态荷载影响的特点，结合BP神经网络，提出了既考虑坡面成型标准又顾及爆破振动对边坡影响的矿山预裂效果预测方法。将单孔装药量、平均孔深、孔距、振动速度峰值（水平、垂直）、振动主频（水平、垂直）、爆心距等参数作为神经网络输入参数，将预裂坡面的平均振动速度、半孔率、不平整度、裂隙系数等参数作为神经网络输出参数。基于24次临近边坡的爆破技术数据建立了矿山预裂爆破效果的BP神经网络预测模型。3次现场爆破预测试验表明：通过神经网络内部的自组织结构，将岩石性质、工程地质条件等与控制预裂爆破效果有关的因素进行简化，可将平均振动速度的预测相对误差控制在7%左右，将半孔率、不平整度、裂隙系数的预测相对误差控制在3%左右，对于提高爆破预裂效果的预测精度有一定的参考价值。     

矿山预裂爆破效果预测的BP神经网络法

为简化矿山预裂爆破效果预测环节、提高预测精准度，针对传统预裂爆破效果评价注重预裂坡面成型的不足，考虑到露天矿山边坡时常受到爆破破岩振动等动态荷载影响的特点，结合BP神经网络，提出了既考虑坡面成型标准又顾及爆破振动对边坡影响的矿山预裂效果预测方法。将单孔装药量、平均孔深、孔距、振动速度峰值（水平、垂直）、振动主频（水平、垂直）、爆心距等参数作为神经网络输入参数，将预裂坡面的平均振动速度、半孔率、不平整度、裂隙系数等参数作为神经网络输出参数。基于24次临近边坡的爆破技术数据建立了矿山预裂爆破效果的BP神经网络预测模型。3次现场爆破预测试验表明：通过神经网络内部的自组织结构，将岩石性质、工程地质条件等与控制预裂爆破效果有关的因素进行简化，可将平均振动速度的预测相对误差控制在7%左右，将半孔率、不平整度、裂隙系数的预测相对误差控制在3%左右，对于提高爆破预裂效果的预测精度有一定的参考价值。     

基于因子分析与BP神经网络的煤体瓦斯渗透率预测

为提高煤体瓦斯渗透率预测准确性,使用因子分析法对BP神经网络模型进行优化、改进,提出一种改进的BP神经网络预测模型。根据煤体瓦斯渗透率相关主要影响因素实例数据,使用因子分析法对4个煤体瓦斯渗透率影响因素原始数据进行降维数据处理,优化得到2个公共因子;以2个公共因子代替原有4个煤体瓦斯渗透率影响因素作为BP神经网络模型输入层参数,建立改进的BP神经网络煤体瓦斯渗透率预测模型,进行实例数据检验改进BP模型预测效果。最终验证结果:20组训练样本预测值与实际值的相对平均误差为0. 63%,证明训练完成的改进BP神经网络模型具有良好的拟合效果;改进BP模型预测样本平均相对误差为3. 16%,传统BP模型预测样本平均相对误差为6. 37%,证明改进BP模型预测精确度优于传统BP模型。     

基于FLAC及神经网络的岩体力学参数反分析

以大冶铁矿高陡边坡为例, 应用差分法、正交设计和BP神经网络建立了边坡岩体物理力学参数反分析方法。按照正交设计要求选取不同物理力学参数, 用FLAC^3D差分程序建立模型并计算得出相应的BP神经网络分析样本, 对样本进行了BP网络训练, 再将现场监测数据作为输入样本值, 对岩体力学参数进行了神经网络反分析, 分析结果满足工程要求, 表明该反分析方法的可行性和精确性。     

参数优化GA-ELM模型在露天煤矿抛掷爆破的预测

为有效指导露天煤矿制定正确生产计划,提高露天煤矿抛掷爆破预测的准确率,在分析露天煤矿抛掷爆破影响因素的基础上,通过"试错法"确定模型最优隐含层节点参数,进而提出一种参数优化后遗传算法(GA)和极限学习机(ELM)相结合的抛掷爆破预测模型。选取网络的输入输出相关参数,针对现有ELM输入权值矩阵和隐含层偏差,采用遗传算法对其进行优化选择;利用某露天煤矿抛掷爆破监测数据对该模型进行实例分析,并将RBF,BP,SVM,GA-BP模型预测结果与该模型进行对比分析;并引入Weibull模型,通过预测控制参数ɑ,β模拟爆堆形态。研究结果表明:(1)通过"试错法"确定GA-ELM模型最优隐含层节点数为39,有效降低系统的仿真误差,该参数下仿真误差值为0.137 7;(2)相较于传统ELM预测模型,通过遗传算法优化后,有效抛掷率,松散系数以及抛掷距离均得出更小的均方误差MSE值(0.258 0,1.748 5×10-4,3.618 4)和更高的决定系数R2值(0.986 4,0.995 3,0.970 6),改进后的GA-ELM具有更好的拟合效果和泛化能力;(3)通过与其他智能算法如BP,RBF,SVM,GA-BP相比,改进后的GA-ELM测试结果(均方误差,决定系数,仿真误差)明显优于其他预测模型,有效提高预测精度;(4)利用训练完成的GA-ELM网络预测爆堆形态时,控制参数a,β的预测误差均未超过5%,预测爆堆曲线接近真实爆堆曲线。     

基于SVR的隧道掘进光面爆破效果预测模型

为了提高隧道掘进光面爆破效果预测准确性,构建了基于支持向量机回归(SVR)的光面爆破效果预测模型.选取炮眼密集系数、最小抵抗线、光爆孔线装药量、光爆孔眼深度和岩石单轴抗压强度共5个影响因素作为输入参数,选取半眼率和超欠挖量共2个爆破效果评价指标作为输出参数,分别利用遗传算法、粒子群算法、模拟退火算法对36组隧(巷)道爆...     

基于RBF神经网络的爆破参数优选

为确定合理的爆破参数,建立了RBF神经网络模型,统计了8个矿山的样本数据,将影响矿岩可爆性的6项因素:矿石容重、弹性模量、抗拉强度、矿石坚固性系数、摩擦角、黏结力作为RBF神经网络模型的输入因子,排距、孔底距和一次炸药单耗作为影响爆破参数的输出因子,优选样本参数,得出最优的爆破参数。以某矿中深孔爆破为例,通过RBF神经网络模型优选出该矿的爆破参数：排距1.3 m,孔间距2.2 m,炸药单耗0.32 kg/t。实践证明,选择的孔网参数合理,爆破效果良好。     

爆破参数智能设计的T-S模糊神经网络方法

针对地下矿山爆破参数设计的工作繁琐、任务量大等问题,建立基于T-S模糊神经网络的地下矿山爆破参数智能设计模型,实现爆破参数快速、智能设计。以某矿山地下矿中深孔爆破为研究对象,收集大量矿山现场实测数据,以抗压强度、抗拉强度、初始弹模、弹性模量、泊松比、黏聚力、内摩擦角、孔底距和排距为输入量,利用BP神经网络和T-S模糊神经网络,建立不同的地下矿山爆破参数预测模型,结果表明,T-S模糊神经网络具有更高的准确性以及更快的运行时间,能够更好地表达地下矿爆破参数与主控因素之间的非线性关系,网络预测值与目标值的均方误差达到1.375 9×10^-5,模型预测效果最佳,为矿山地下矿爆破参数设计提供了参考依据。     

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。     

中深孔爆破效果的非线性预测

将神经网络原理应用于河南灵宝罗山矿区中深孔爆破效果的预测中, 选取爆区岩石力学性质、炸药性能参数、爆破设计参数作为影响爆破效果的因素, 建立了神经网络模型, 对爆破效果包括块度、大块率、前冲距离、堑沟边帮平整度、质点振动速度进行了非线性预测。结果表明, 运用神经网络预测模型对爆破效果进行预测, 取得了较好的效果, 同时, 可以根据预测的爆破效果调整爆破参数来满足工程要求。该方法对于节省工程投资和提高工作效率有一定的实用价值。     

基于BP神经网络的煤矿安全管理绩效评价

 建立煤矿安全管理绩效评价指标体系,介绍BP神经网络评价法的结构和原理,构建煤矿安全管理绩效评价的BP神经网络模型,对其输入输出参数、各层连接权值和域值进行界定;以matlab6.0软件为平台,利用其内嵌的神经网络工具箱和样本数据对构造好的神经网络进行训练,同时对煤矿安全管理绩效进行预测。