在研究基于爆破参数的预测爆破振动时使用神经网络方法,辛格和辛格
15)发现,神经网络方法准确地预测地面振动,和错误没有增加的数量输入和非线性增加。口和辛格
16)人工神经网络(ANN)方法用于预测blast-induced地面振动表面的煤矿,并与传统的统计分析方法。口和辛格
17安)建立了一个模型来预测blast-induced地面振动。模型输入参数包含10,15个隐藏的神经元,和两个输出参数。比较分析表明,该模型的预测精度高于传统的预测和多元回归分析。Monjezi et al。
18)建立了一个但是神经网络模型4-1085-1 PPV拓扑预测和确定爆破的脸的距离是PPV的最大影响的参数敏感性分析。Amnieh et al。
19)使用了一个安PPV建立之间的关系,块体积,炸药类型、爆破参数和使用这种关系来确定适当的负担,孔间距,和最大充电PPV值对应一个安全的爆破模式。Alvarez-Vigil et al。
20.将影响因素分为两类,即,环境条件和波形参数,提出了一个ANN模型预测在一个露天矿山爆破引起的地面振动,和验证该方法的有效性通过比较多元线性回归。Jayawardana et al。
21]用神经网络来研究双振动之间的关系缓和的影响在不同条件下了二楼战壕和控制参数,建立了振动预测模型的基础上的关系。
一些学者结合神经网络预测方法与其他方法的爆破振动。时,辛格(
22PPV)建立了一个预测利用遗传算法(GA)是基于127年的数据集。他们与传统的振动预测的预测相比,多元回归分析和人工神经网络和讨论GA网络的优越性。默罕默德(
23)单独使用一个安PPV和模糊逻辑的分析预测和发现模糊模型预测精度略高于ANN模型。Armaghani et al。
24)提出了一个flyrock PPV和预测模型基于粒子群优化(PSO)算法和一个安和输入十大影响力的PPV flyrock和爆破参数估计。他们发现每个延迟的最大充电是爆破参数,影响了PPV flyrock距离和最大。Hajihassani et al。
25)使用一种混合安和PSO算法来预测空气冲击波超压,获得培训相关系数为0.94,表明PSO-based ANN模型具有很高的预测精度。Hajihassani et al。
26PPV)建立了一个混合算法模型预测(ANN算法和一个帝国主义竞争算法(ICA)), ICA-ANN模型,在一个花岗岩采石场爆破数据的基础上在马来亚,和应用结果表明,ICA-ANN模型具有很高的预测精度。阿兹米等。
27)使用blast-induced地面振动的监测数据建立GA-ANN Sungun铜矿预测模型,发现时预测精度较高水平和径向距离被替换为修改后的径向距离。阮et al。
28PPV)的预测精度分析和确认blast-induced使用混合模型基于分层
k——(HKM)聚类算法和一个安(HKM-ANN模型)和基于模糊混合模型
c——集群(FCM)和支持向量回归(SVR)和得出结论,HKM算法能有效地改善ANN模型的预测精度。
Ashele铜矿位于新疆在中国,有一个铜储备920000吨,平均品位2.4%。的罢工主要矿体长度700米,平均20米到45米,厚度和倾角55°- 85°。存款主要是由火山喷发和沉积热液流体,然后重塑。平均岩石质量指标RQD的顶壁的围岩是81.2%,以41.5%的下盘围岩和矿体的70.9%。当前的开采深度超过1000米,拥有1243的轴长度。的上盘矿体主要由英安岩斑岩,和矿体的下盘主要是玄武岩,与黄铜矿为主要矿物。原位压力测试的结果显示,最大水平主应力的最大挖掘深度接近45 MPa, 18°的倾向,这是几乎垂直于矿体的罢工,和最小主应力大约是20 MPa, 64°的倾向。Ashele铜矿主要采用大直径深孔采矿方法,它允许一个高生产能力。矿石聚集从底部使用战壕。沟的形成后,垂直火山口撤退(VCR)方法采用形式切割槽的矿业的脸,然后大洞横向屈服用于采矿业。 The Ashele copper mine produces 6,000 tons of ore daily; the charge for a single blast is as high as 4 tons, and the maximum charge per delay reaches 400 kg. Frequent blast and stress transfers due to excavation disturb the surrounding rock mass of roadways, in some cases causing severe damage and requiring significant effort to maintain and rehabilitate the secondary support. Stope collapses have occurred at two different levels of the Ashele copper mine, which were attributed to the blasting disturbance of adjacent stopes after microseismic activity analysis [
30.]。
很少有研究考虑埋深的影响和爆破振动的最大应力。埋藏深度之间的关系,最大应力,PPV之前被发现。摘要爆破振动在更深的层次上研究了基于肤浅的水平,所以这两个撞被送往分析对PPV的影响。爆破振动数据都收集在562米深度,762米深度,和912米深度,主要Ashele铜矿的开采水平。不同深度的PPV值和最大主应力如图所示
2。PPV往往随着埋深增加而增加。它可以预测,埋藏深度对PPV的影响随着开采深度将变得越来越突出。根据地应力测试结果Ashele铜矿的原位应力的最大主应力近水平和大约垂直于矿体。此外,几乎没有改变的最大主应力的方向。因此,只有最大主应力的值被认为是为模型。PPV的增长与最大水平主应力增加。然而,埋深之间的相关系数,最大应力,PPV很小。它可以得出的结论是,他们之间没有显著相关性。因此,埋藏深度和最大应力不采取PPV的输入预测。 At the same time, the correlation coefficients between the delay number, total charge, and PPV are small, illustrating that the two factors have little impact on the PPV. Therefore, the delay number and the maximum stress are eliminated.
大多数经验公式结合传播距离对爆破振动的影响。水平距离的水平投影之间的距离爆炸中心和监控。显然,有一个高PPV和水平距离之间的关系。我们认为,PPV减少随着水平距离的增加。相似水平距离、垂直距离的垂直投影之间的距离爆炸中心和监控,对爆破振动具有明显的影响。然而,也有一些差异的影响在爆破振动水平距离和垂直距离。垂直传播距离时应该考虑各级研究爆破振动的传播。与爆破中心之间的欧几里得距离的增加和监控,PPV的逐渐衰减。换句话说,随着水平距离增加,垂直距离、欧氏距离,PPV逐渐减少。水平距离的相关系数、垂直距离,和欧氏距离0.607−0.587,分别和−0.73。 They are significantly correlated with the PPV at the 99% confidence level. Therefore, they are all incorporated into the PPV prediction model.
各种信息的值有很大区别。最小的比例最大的是超过1000人。有必要规范输入数据,消除尺寸和大小变化的影响。摘要
Z评分方法,是目前使用最广泛的标准化方法,用于规范模型的输入数据。的
Z得分方法方程所示(
1)。建立标准化的模型后,所有的预测样本数据根据相同的模型需要标准化的训练样本。
(1)
x
我
j
∗
=
x
我
j
−
x
j
σ
j
。
4所示。PPV的预测和控制4.1。主成分分析(PCA)的输入信息
ANN模型的输入数据包含八种变量根据部分
3.1。输入数据包含大量重复和冗余信息,和一个明显的相关性是发现每个因素和PPV之间。例如,ppv的布局特点与不同水平距离和欧几里得距离是相似的。这一现象的原因是水平距离相关性高的欧几里得距离Ashele铜矿。它们之间的相关系数是0.930。换句话说,一些信息重叠的存在。没有明显的爆破参数之间的直接连接,如孔间距和负担。如果爆炸消费是恒定的,孔距限制的负担。孔间距和负担并不是完全独立的。这种重复和冗余信息的存在直接影响PPV的预测精度,为安在使用之前需要一些数据处理模型。 The method of PCA extracts the key information to establish new variables that are unrelated to each other. At the same time, it deletes redundant information while making the best effort to preserve the original information. In this paper, PCA is used to eliminate the influence of the repetitive and redundant information included in the data of eight factors after standardization.
上述参数设置用于9代的基因进化。最好的健身价值每一代图所示
6。最优的健身价值初始人口为1.711。最好的健身价值的第一代人口为1.700,表明明显降低。然后,轻微下降,最好的健身价值被发现在第二代。没有明显的变化在第三和第四代,表明在当前遗传操作过程中,没有比第二代的染色体。之后,最好的健身价值的第五代为1.207,显示明显降低,说明在进化从第四代到第五代,一个更好的染色体是生成的,所以最好的健身价值大大降低。直到第九代,没有一个人比第五代。在这一点上,稳定的一代最好的健身值设置为5,和遗传进化终止。在这种情况下,最好的健身价值第二第四代是相同的,和相应的权重和拓扑参数的神经网络。因此,最好的健身价值和相应的权重和拓扑参数的神经网络从第五代到第九代PPV可以应用到神经网络。 The fitness values of each individual in the ninth generation and their corresponding topological parameters in the neural network are shown in Figure
7。人群中有50个人。第九代的最好的健身价值与个人没有。31日和拓扑参数的神经网络是5。最后,在神经网络的隐层节点5。在此基础上,与4-5-1 PPV预测模型拓扑结构。这个模型有一个输入层、一个隐藏层和一个输出层。输入层包含四个输入,隐藏层节点包含5,输出层包含一个输出。此外,还有31初始权重。三层神经网络的框架图如图
8。
附近有一个破碎洞爆破采场的开采深度1012米Ashele铜矿,在图所示
10。两个爆破振动监测点被安排在采场附近收集产生的PPV爆炸。爆破参数和现场条件如表所示
1。PPV值点1和2大洞爆炸引起的116.1毫米/秒和166.2 mm / s PPV根据预测模型和爆破设计,分别。监控一点的PPV 2大洞爆炸引起的接近最低安全价值建议爆破安全监管。爆破参数的调整来控制爆破振动,以避免损坏破碎洞造成采场附近爆炸。负担和孔间距改为3.5米和2.5米3.3米和3.4米,分别。此外,每个延迟的最大费用减少400公斤到300公斤,而延误数量从10增加到13。相应的延迟时间0 50毫秒110毫秒,150毫秒,200毫秒,250毫秒,310毫秒,380毫秒,460毫秒,550毫秒,650毫秒,760毫秒,880毫秒。调整后的爆破参数,预测ppv监测点1和2分别为55.60毫米/秒和87.80 mm / s,分别。最后,采场附近的爆炸没有造成明显损害的巨大洞穴。测量ppv点1和2大洞造成的爆炸和爆炸medium-deep洞56.28毫米/秒和96.99 mm / s,分别。
本文提出了PPV GA-ANN预测方法。PPV预测方法包含字段的输入信息条件和爆破参数,如偏离方向,水平距离,垂直距离、欧氏距离、炸药类型、负担,孔间距,每延迟和最大充电。PCA是用来消除冗余和重复信息的字段条件和爆破参数。输出的均方误差从测量结果被选为拟合函数来寻找最佳隐层的节点数。这样,GA-ANN PPV和4-5-1拓扑预测模型建立了Ashele铜矿。在学习和测试数据,预测结果与测量值在良好的协议。这个模型被用来预测和控制深部采场的爆破振动位于1012米Ashele铜矿的埋深。通过调整爆破参数,如最大费用每延迟,延迟数,负担,孔距,成功降低爆破振动和破碎洞穴保护免受破坏。通过比较PPV GA-ANN,预测模型的预测结果与传统PPV经验预测模型,验证了PPV GA-ANN预测模型的优越性。在PPV的传统预测方法中,Ambraseys-Hendron方法是最好的。 The proposed GA-ANN PPV model can be used to guide the design of blasting parameters for field production.