隧道爆破振动的BP神经网络预测及应用研究

以福厦高速公路扩建工程中的大帽山小净距大跨度隧道爆破开挖为背景,应用BP神经网络,建立了小净距隧道掘进爆破振动和速度峰值的预报模型,并成功地应用于该隧道进、出口段掘进爆破振动控制工程实践.分析比较结果表明,BP神经网络预报方法的预测结果与实测值的平均误差为7.16%～10.61%,较传统预报方法的预测精度提高20%以上.研究成果为小净距大跨度隧道爆破振动控制提供了新的预测方法,具有理论及实用参考价值.     

基于BP神经网络的桩基爆破振动速度预测

为研究桩基爆破振动对邻近埋地天然气管道的影响,以荣乌高速公路第7标段红泉村3号大桥桩基爆破振动为研究对象,以水平距离、雷管段数、总装药量、最大单段装药量、桩基深度和爆心距作为主要因素,建立桩基爆破振动BP神经网络预测模型,以现场测试的15组数据为学习样本对模型进行训练,以5组数据为检测样本进行预测,并将预测结果与萨道夫斯基公式和高程修正公式进行对比。结果表明:BP神经网络、萨道夫斯基公式和高程修正公式预测平均相对误差分别为7.90%、27.68%和24.30%,BP神经网络比萨道夫斯基公式和高程修正公式预测精度分别提高71.43%和67.49%。     

基于BP神经网络的爆破振速峰值预测

在分析爆破振动主要影响因素的基础上,建立了对爆破振动质点速度峰值进行预测的BP神经网络模型.将某露天铁矿的爆破振动监测数据分别与模型预测结果和应用传统经验公式进行预测的结果比较,发现由于每次爆破的地震波传播不同,直接应用萨氏公式的K、α值进行预测会引起较大误差,相比之下,BP网络模型的预测结果更为准确和可靠.     

基于遗传算法的神经网络在爆破振动预测中的应用

针对BP神经网络对工程爆破振动的预测存在精度不够高的缺点,建立遗传算法优化神经网络的模型,并介绍了它的原理。最后通过爆破振动预测实例的介绍,应用MATLAB编程,将总装药量Q、测点与爆源的高差h、孔间微差时间t、最大药包距离L这4个参数作为模型参数,对爆破振动幅值v、振动主频f和振动持续时间T进行预测,得出基于遗传算法的神经网络预测的结果比BP神经网络更为精确,克服了BP神经网络的缺点。     

基于爆破振动的岩质边坡损伤神经网络预测

岩石高边坡的爆破开挖会对保留岩体造成损伤,岩体损伤过大可能导致边坡失稳,需严格控制并准确确定开挖损伤深度,因此,提出一种快速精确的损伤深度预测方法。以白鹤滩水电站左岸834.0⁷70.0 m高程坝肩槽边坡爆破开挖为背景,利用六个开挖梯段的多高程、多爆心距爆破振动监测及损伤深度声波检测的数据,建立基于振动峰值的爆破损伤深度BP神经网络预测模型,对高边坡爆破损伤深度进行实时预测。该方法利用不同部位及不同爆心处的质点峰值振动峰值作为主回归变量,同时还考虑最大单响药量和岩体强度的影响。结果表明,当开挖区域坡体岩性相似且无长大软弱结构面发育时,运用神经网络模型及多高程实测爆破振动预测本梯段爆破损伤深度的方法简便可行,预测精度可满足实际工程需求。作为传统爆破损伤声波检测的补充,可大大减轻现场声波测试工作量。     

基于爆破振动的岩质边坡损伤神经网络预测

岩石高边坡的爆破开挖会对保留岩体造成损伤,岩体损伤过大可能导致边坡失稳,需严格控制并准确确定开挖损伤深度,因此,提出一种快速精确的损伤深度预测方法。以白鹤滩水电站左岸834.0~770.0 m高程坝肩槽边坡爆破开挖为背景,利用六个开挖梯段的多高程、多爆心距爆破振动监测及损伤深度声波检测的数据,建立基于振动峰值的爆破损伤深度BP神经网络预测模型,对高边坡爆破损伤深度进行实时预测。该方法利用不同部位及不同爆心处的质点峰值振动峰值作为主回归变量,同时还考虑最大单响药量和岩体强度的影响。结果表明,当开挖区域坡体岩性相似且无长大软弱结构面发育时,运用神经网络模型及多高程实测爆破振动预测本梯段爆破损伤深度的方法简便可行,预测精度可满足实际工程需求。作为传统爆破损伤声波检测的补充,可大大减轻现场声波测试工作量。     

基于BP神经网络的微差爆破震动预测研究

爆破震动危害是矿山安全评估的一个重要指标,爆前对其震动预测,做好安全防护,是保证矿山安全生产的重要措施。爆破对象及其地质情况的不确定性、爆区周边环境的复杂性,使得震动监测难以用一套统一的公式进行准确预测。人工神经网络可实现复杂环境、多因素影响下的仿真模拟,利用BP神经网络建立爆破震动预测模型,将爆破的原始数据及监测数据输入模型,利用Matlab软件自带的神经网络软件包自编程序对其进行训练,使得模型的传递函数达到最优。实践证明,将模型用于爆前震动预测,能够有效的预测震动,指导施工。     

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。     

布沼坝露天矿爆破效果预测BP神经网络模型应用

针对布沼坝露天矿西帮抢险治理工程,进行了35次生产爆破试验,完成了爆破参数的初步优化。同时以孔距、排距、孔深和抵抗线等作为模型的输入因子,大块率、爆堆的前冲距离、爆堆的后冲距离和挖掘机的铲装速率等作为模型的输出因子,以现场爆破试验数据为训练样本,建立爆破效果预测的BP神经网络模型。通过对网络仿真结果和现场实测数据进行比较分析,表明BP神经网络模型能够比较准确地预测出布沼坝露天矿西帮治理工程的爆破效果。     

布沼坝露天矿爆破效果预测BP神经网络模型应用

针对布沼坝露天矿西帮抢险治理工程,进行了35次生产爆破试验,完成了爆破参数的初步优化。同时以孔距、排距、孔深和抵抗线等作为模型的输入因子,大块率、爆堆的前冲距离、爆堆的后冲距离和挖掘机的铲装速率等作为模型的输出因子,以现场爆破试验数据为训练样本,建立爆破效果预测的BP神经网络模型。通过对网络仿真结果和现场实测数据进行比较分析,表明BP神经网络模型能够比较准确地预测出布沼坝露天矿西帮治理工程的爆破效果。     

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。     

基于BP网络的采场爆破钻孔参数优化

针对某硫铁矿生产过程中存在的爆破材料消耗大、大块率高、生产能力低等问题,根据爆破参数对爆破效果的影响的原理,选择不同的凿岩参数,在采场进行工业试验。同时以最小抵抗线、孔间距、周边孔距等作为模型的输入因子,单位炸药消耗量和大块率作为模型的输出因子,并以工业实验数据为训练样本,建立BP神经网络预测模型对爆破参数进行优化,得到最优爆破参数为:最小抵抗线0.8 m,孔间距0.9 m,周边孔孔距0.8 m,对应的炸药单耗为0.2223 kg/t,大块率为5.15%。优化结果表明,所选参数合理,可有效降低矿山的生产成本。     

露天转地下开采矿山边坡爆破振动速度预测

为合理控制露天转地下开采爆破振动效应,以大冶铁矿露天转地下开采中深孔爆破工程为实例,综合运用萨道夫斯基公式、考虑高程影响的爆破振动速度预测公式及人工BP神经网络方法,对边坡爆破振动速度进行预测研究,并与现场爆破振动监测结果进行了对比分析。研究结果表明:在存在高程影响的矿山边坡爆破振动速度预测过程中,采用三种预测方法对比发现,BP神经网络模型在爆破振动速度切向、径向、竖向三个方向的预测误差率均在6%以内;同时采用考虑高程影响的改进公式预测时在Z方向上具有较高的精确性,误差率仅为11.89%;而萨道夫斯基公式精确性相对最差。研究结果可用于预测及控制露天转地下开采矿山边坡爆破振动速度。     

基于灰色 Elman 神经网络的爆破飞石距离预测研究

针对单一神经网络预测方法存在一些不足,将建立灰色关联分析法与 Elman 神经网络的耦合模型,对爆破飞石最大飞散距离进行预测研究。首先,利用灰色关联分析方法对数据进行预处理,确定各影响因素与爆破飞石距离之间的关联度;然后,根据关联度的大小,选择关联度较大的影响因素作为 Elman 神经网络的输入层数据;最后,用神经网络的功能对数据进行训练和预测。研究结果表明：利用灰色关联分析方法确定主要影响因素作为输入层,比单一使用 Elman 神经网络的预测精度更高,达到95％以上。