由于开发目的和开发平台,大多数当前的采矿和爆破数据库系统只是单独连接到软件,不能完成实时共享和用户之间的数据交互。这将导致两个问题当用户使用数据库系统:一个是数据必须手动更新或手动导入,大大降低了工作的效率和数据的准确性;另一个是用户使用现有的数据数据。在管理和智能设计,有明显的查询或计算结果的差异。

爆破智能设计系统的关键数据。不完整的数据内容和数据的混乱逻辑将防止用户输入和查询相应的爆破数据准确、高效。同时,这个问题也使得后续开发的数据库设计和功能不完备。

目前,在主流爆破设计系统中,数据库的发展通常只作为系统的一个模块或一个数据管理工具,只有实现了数据存储的函数调用和管理。功能相对简单,特别是搜索功能,通常是基于数据库开发软件。对应的搜索模式,没有智能搜索匹配的隧道爆破参数的特点。

数据库系统的建设与数据库系统的基本操作形式和结构,并确定所有用户如何处理爆破数据。解决用户之间的数据共享和同步的问题,新的智能设计系统采用中央数据库结构系统,系统模型如图 1。新系统采用一个统一的中央数据库服务器在设计数据库。操作界面仅仅是用作前平台,以反映用户的数据操作。用户只有通过中央数据服务器交互之间的数据来完成数据同步和共享。

图 2显示了一个中央数据库系统的基本工作流模型。系统的总体框架分为四个级别:例如,数据库,数据库服务器和接口。中央数据库系统的运行过程:数据后,命令是由多个用户操作界面层,统一数据库系统服务器层响应,然后语法分析、编译、执行和执行内存区域的实例层,然后修改数据写入数据文件、数据库层的修改信息写入日志文件,最后,数据命令的执行结果返回给操作界面层来完成用户的爆破数据和应用程序的数据库管理系统。

在新系统的数据库操作,设计了三种不同类型的用户属性,对应的为不同的用户属性设置相应的权限。其目的是为了便于管理的开挖爆破数据由不同的用户,不同用户之间确保数据的安全,进一步实现数据的共享和同步。具体设计方案如表所示 1。

所涉及的数据内容是指所有的数据隧道爆破的过程应该包含在数据库中,数据结构是指结构系统的数据存储在数据库中。

(1)数据内容。根据引用( 17- - - - - - 20.),在爆破设计内容和实际爆破的经验中,隧道爆破开挖的数据应该包括三个部分:工程地质参数、爆破设计参数和爆破参数结果。其中,适合工程地质参数包括设计巷道部分的大小、围岩类型、岩石 f 价值,岩石完整性和地下水。合适的爆破设计参数包括切割模式和参数,周边孔参数,单发电荷量,设计循环录像,爆破孔布局参数。合适的爆破结果参数包括实际循环录像,炸药单位消费,爆炸性的消费,在挖掘价值。总的来说,共有96个数据内容设计到新系统中。

(2)结构。为了方便用户操作,使隧道爆破数据更好的管理和查询,三个部分的数据内容扩展到6个类型的数据。结构见图 3。这六种类型的数据的数据结构,包括用户系统模块、工程地质模块,爆破设计参数模块,爆破图表信息模块,爆破结果参数模块、爆炸物、模块和设备信息。用户管理用户权限系统模块,用户信息,用户的数据共享和同步。工程地质模块管理具体项目信息和爆破区域的地质条件。爆破设计参数模块和爆破图表信息模块的核心内容数据,控制爆破设计参数和设计图纸。爆破结果参数模块管理每个爆破方案的实际postblast数据。爆炸和设备信息模块管理在爆破的炸药和设备信息。

简化了数据库设计和改进数据库的利用率词表,数据库的逻辑设计中采用关系模型。在设计关系数据库时,有必要建立一个逻辑模型。逻辑模型可以表示为一个图表(e - r图)组成的实体和关系。由于空间的限制,只有全球系统的e - r图显示,如图 4。与此同时,根据数据相关性在隧道爆破设计中,数据库中的数据流图,如图 5。

每个相应的数据表的设计内容是由隧道爆破的数据内容和数据流方向,包括系统用户表,工程项目表,地质数据表、切削参数表和周边孔设计表。数据表的总数是38表。每个数据表的设计包括以下因素:字段名、字段数据类型,长度,额外的属性,和评论。由于空间限制,只有周边孔参数的数据表为例。具体内容如表所示 2。

“t - s模糊模型”自动更新的特点,不断修正模糊子集的隶属函数( 21]。这个模型的神经网络结构如图 6。

t - s模糊模型通常是定义在以下“if - then规则的形式。当规则 R^我 ,其模糊推理逻辑如下:

R 我 :如果 x 1 是 一个 1 我 , x 2 是 一个 2 我 、… x k 是 一个 k 我 ,然后 y 我 = p 0 我 + p 1 我 x 1 + ⋯ + p k 我 x k 。

一个 1 我 的样本集是模糊系统的所有参数, p j 我 j = 1 , 2 , 3 , 。 ⋯ , k 是模糊系统的参数, y 我 计算输出的模糊规则。上面的推理规则表明,决定输出 y 我 是一个样本的线性组合对应的模糊输入 x 我 。

假设的 x = x 1 , x 2 , x 3 , ⋯ , x k 输入参数,对应每个输入变量的隶属度 x 我 首先是计算模糊规则: (1) μ 一个 j 我 = 经验值 − x j − c j 我 2 b j 我 j = 1 , 2 , ⋯ , k ; 我 = 1 , 2 , ⋯ , n 。 c j 我 和 b j 我 表示输入函数的中心和宽度; c j 我 是由输入参数,然后呢 b j 我 是由所有输入参数。 c j 我 和 b j 我 需要正常化之前所有样品和参数计算; k 是输入维度,然后呢 n 模糊子集的数量。每一个隶属度的模糊计算是由连续乘法的模糊算子的方法: (2) ω 我 = μ 一个 j 1 x 1 × μ 一个 j 2 x 2 × ⋯ × μ 一个 j k x k 我 = 1 , 2 , ⋯ , n 。

获得模型输出值 y 基于模糊计算结果: (3) y = ∑ 我 = 1 n ω 我 p 0 我 + p 1 我 x 1 + ⋯ p k 我 x k / ∑ 我 = 1 n ω 我 = ∑ 我 = 1 n ω ¯ 我 p 0 我 + p 1 我 x 1 + ⋯ p k 我 x k 。

t - s模糊神经网络完成计算后,在降序排序根据值的大小,设置一个阈值 Y ,使推理如下:

如果: y > = Y ,然后输出”数据样本对应数量 y 价值。”

智能搜索的过程如图 7,其中包含两个过程:

(1)确定输入模糊神经网络的搜索参数。考虑用户的使用习惯和爆破地点,智能搜索选择两种类型的参数输入模式,一个是基于地质条件,另一种是基于爆破参数。地质条件搜索数据={水文条件、关节和裂缝、巷道部分区域,巷道高度,宽度,围岩强度 f 价值,岩体稳定}。爆破参数搜索数据={切割方法、孔成总数、充电方法,炸药单位消费,最大单发,循环录像}。其中,一些模糊索引(联合裂缝)和文本索引(水文条件)需要fuzzified数学。由于空间限制,只有治疗{联合裂缝}的值如表所示 3。

(2)合适的爆破参数的基于t - s模型的模糊神经网络。根据爆破数据和输入条件下,t - s模糊神经网络将执行相应的自学习和计算相应的权重。学习的目的是分析现有的爆破数据之间的关系,和重量计算的目的是获得数据输入条件下的具体重量决定。此时,新系统的输入参数神经网络的拟合系数={错误计算系数校正、参数校正}(一般提前设计)。最后,该系统将输出搜索结果根据数据输出规则并完成智能搜索在同一时间。