岭澳核电站采石爆破振动分析

以岭澳核电站采石爆破为背景,分析了采石场爆破对核电站、水库的振动效应及安全影响,并确定了核电站、水库的爆破振动安全阈值.在现场试验的基础上,对测得的振动加速度、速度数据进行了回归分析,得到了场地爆破震动衰减规律,并与核电站二期工程基础负挖爆破得到衰减规律进行了比较,校核和优化了爆破震动参数,对保证核电站、水库的安全以及后续采石场爆破设计和施工具有指导意义.     

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.     

爆破开挖的振动效应与安全判据

分析和研究了爆破振动效应主要控制因素和安全判据。介绍了临近重要保护物、特殊地层中的开挖爆破振动效应与安全判据和隧道爆破开挖对上覆建筑物的振动影响及安全控制。现场测定结果与研究表明,不同条件下的开挖爆破引发的地震波衰减规律不同,并根据质点振动速度,提出了重点文物、岩溶隧道和冻土隧道、地铁等环境条件下的爆破振动安全标准。     

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。     

大直径深孔采矿爆破对充填体的影响分析

为了提高生产效率,安庆铜矿目前主要采用大直径深孔爆破工艺进行爆破崩矿生产,大直径深孔爆破振动效应已经对充填体造成了不同程度的影响和破坏。为确定井下采场大爆破的规模,预测和掌握爆破振动的影响范围和破坏程度,对井下大直径深孔爆破不同爆破规模、爆破方式、单段起爆药量的爆破振动速度等参数进行理论计算预测,同时开展了现场爆破振动监测试验。根据安庆铜矿采场大直径深孔爆破振动效应测试的结果,利用回归计算、理论分析等多种方法系统地研究安庆铜矿采场大直径深孔爆破振动效应对充填体的影响,进而结合安庆铜矿爆破生产的实际情况提出降低大直径深孔爆破振动强度的控制技术措施及建议。     

汽车专用道控制爆破振动监测与分析

通过对嘉陵江桥改移汽车二级专用道控制爆破振动效应进行监测、分析,通过线性回归拟合,得到了该工程的萨道夫斯基经验公式,为预测爆破振动振速、安全装药量、安全影响半径提供依据。根据爆破振动的特点,结合工程实际施工条件,提出了一系列减振手段,为类似工程对减弱爆破振动效应提供了一定的参考价值。     

岩体爆破振速和损伤预测的支持向量机方法

针对爆破振动效应评价中诸多因素不确定性问题,应用支持向量机理论并结合工程实际,提出基于支持向量机理论的岩体爆破振动效应预测方法.以三峡工程坝区现场爆破试验的实测资料为依据,采用支持向量机回归方法,分别进行爆破振动速度预测及爆破损伤深度和损伤半径预测;考虑爆破震动信号的幅值强度特性、频谱特性、持时特性和时-能密度曲线特性,选用震动峰值速度、震动主频、震动持时和时-能密度曲线下的面积作为评价指标,以11组工程岩体爆破实测数据作为学习样本进行训练,建立岩体爆破振动损伤效应预测的支持向量机分类模型,并对8组待判样本进行判别.研究结果表明:建立的支持向量机分类与回归模型对岩体爆破效应预测效果良好,评估结果与实际结果吻合,为岩体爆破效应评估提供了一种新思路.     

煤矿岩巷毫秒延期爆破振动测试与控制技术研究

为了提高煤矿硬岩巷道掘进爆破效果、降低爆破振动效应,对毫秒延期爆破参数进行优化及实施,实测爆破振动速度。分析了爆破参数与爆破振动信号特征之间的关联性,针对电雷管存在延期误差,应用小波变换时-能密度法识别确定毫秒爆破中实际延期时间,提出了降低爆破振动效应的技术措施。研究表明：采用合理的毫秒延期爆破参数方案,可以取得良好的爆破效果;垂直方向爆破质点峰值振速可以作为煤矿岩巷的安全判据;时-能密度法能够有效地识别出各段雷管的起爆时刻,确定实际延期时间。     

偏斜烟囱拆除爆破振动测试与分析

对某偏斜砖结构烟囱的爆破振动进行了测试,并对某些测点的振动速度值异常情况进行了现场调查,结合爆破振动测试结果,分析了该烟囱底部一侧存在软弱夹层,导致烟囱偏斜,引起爆破地震效应异常。指出了该爆破振动测试系统对类似爆破振动效应分析及其安全防护的重要意义。     

偏斜烟囱拆除爆破振动测试与分析

对某偏斜砖结构烟囱的爆破振动进行了测试,并对某些测点的振动速度值异常情况进行了现场调查,结合爆破振动测试结果,分析了该烟囱底部一侧存在软弱夹层,导致烟囱偏斜,引起爆破地震效应异常。指出了该爆破振动测试系统对类似爆破振动效应分析及其安全防护的重要意义。     

基于SSA-BP的露天矿山边坡位移变形预测

针对传统的BP神经网络在预测露天矿山边坡位移变形时存在的局限性,构造了一种基于麻雀搜索算法（SSA）和BP神经网络相结合的边坡位移变形预测模型,先利用麻雀搜索算法对传统的BP神经网络进行权值与阈值的优化,再将麻雀搜索算法优化后的BP神经网络算法（SSA-BP）运用于露天矿山边坡位移的预测。为了验证算法的可行性,将SSA-BP预测模型与WOA-BP、BP以及Elman预测模型针对露天矿山边坡位移变形量的预测结果进行比较。实验结果表明：SSA-BP预测模型针对露天矿山边坡位移变形量的预测相比其他三种模型,其迭代速度块,寻优能力强;通过预测精度评价指标来看,SSA-BP算法的R^2、RMSE、MAPE、MAE、MSE明显优于另外三组算法。为露天矿山边坡位移变形预测提供了一种新的思路和方法。     

基于PSO优化BP神经网络的露天矿边坡位移预测模型

BP神经网络的初始连接权重和阈值对露天矿边坡位移预测的精度和收敛速度有重要影响。鉴于粒子群优化(PSO)算法具有全局搜索性能和收敛速度快,引入PSO算法对BP神经网络的初始连接权重和阈值进行全局优化,提出了基于PSO优化BP神经网络的露天矿边坡位移预测模型。将所提出的模型应用于实际案例中,并与BP神经网络进行对比。结果表明:该模型能够提高BP神经网络在露天矿边坡位移预测中的精度和收敛速度,预测结果的最大相对误差和平均相对误差分别是0.566 8%和0.353 0%,具有较好的精度和实际应用价值。     

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GA-BP模型的露天矿边坡稳定性预测

针对现有研究方法在预测露天矿边坡稳定性时存在适用性不强和误差大的问题,基于遗传算法对BP神经网络进行改进,提出一种露天矿边坡稳定性预测模型。该模型以坡体容重、黏聚力、内摩擦角、边坡倾角、边坡高度和孔隙压力6个参数为输入变量,以安全系数为输出变量,随后利用该模型对露天矿边坡的实例进行分析,与传统BP神经网络预测模型性能进行比较。研究结果表明:GA-BP模型在进行露天矿边坡稳定性预测时效果好,具有误差小和计算精度高的优点,为准确预测露天矿边坡稳定性提供了一种新的方法。     

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...     

基于遗传BP神经网络模型的矿区开采沉陷预计

为解决常规方法监测矿区开采沉陷的可控性、可操作性差及精度低等问题,采用BP神经网络模型拟合矿区高程值对开采沉陷进行预计是一种有效方法。但传统BP神经网络模型为反向传播算法,在训练时需多次试算方可确定神经网络系统的连接权值和阈值,具有易陷入局部最小值、收敛慢等不足。为此,采用遗传算法（Genetic algorithm,GA）对BP神经网络模型参数进行优化以提高其泛化能力,构建了遗传BP神经网络模型（GA-BP）。以某矿区首采工作面地表25个已进行了三等水准联测的高程监测点数据作为遗传BP神经网络模型（GA-BP）的训练样本（15个监测点数据）和测试样本（其余10个监测点数据）,分别采用BP神经网络模型、二次曲面拟合等方法与其进行试验对比,结果显示：遗传BP神经网络模型（GA-BP）具有更高的内、外符合精度及更小的残差,表明该方法有助于实现对矿区开采沉陷的高精度预计。     

基于粒子群-最小二乘支持向量机模型的矿山爆破振动速度预测

爆破地震危害是矿山开采过程中最为显著的负面效应之一,准确预测质点峰值振动速度(PPV)对于有效预防爆破振动引发的建(构)筑物失稳破坏具有极大的工程实际意义。设计并开展了露天矿山开挖爆破现场监测试验,采用灰色关联分析法对PPV影响因素进行敏感性分析,确定各影响因素之间的主次关系。在此基础上,建立最小二乘支持向量机(LS-SVM)模型对PPV进行预测,并通过粒子群算法(PSO)局部寻优确定LS-SVM模型中正则化参数和核函数宽度系数的最佳参数组合,最后将PSO-LSSVM模型预测结果与BP神经网络模型、LS-SVM模型及传统萨道夫斯基公式的预测结果进行了对比分析。结果表明:PSO-LSSVM模型对PPV预测的拟合相关系数(R2)、均方根误差(RMSE)、平均相对误差(MRE)及纳什系数(NSE)分别为97.38%、2.68%、1.36%和99.98%,PSO-LSSVM模型预测精度更高,且具有更好的泛化能力,用于多因素影响下的矿山爆破PPV预测切实可行。     

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。     

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。     

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。