改进的人工神经网络在阿舍勒铜矿爆破振动控制中的应用

摘要

爆破是目前金属矿山最重要的破岩方法。然而，爆破引起的地面振动会造成许多负面影响，对围岩和工程造成很大的破坏，严重时甚至造成人员伤亡。因此，预测爆破产生的峰值粒子速度(PPV)对降低安全威胁具有重要作用。本文结合遗传算法(GA)和人工神经网络(ANN)算法，构建了一个具有4-5-1拓扑结构的神经网络模型来预测PPV。该模型采用遗传算法对神经网络参数进行优化，以偏移方向、水平距离、垂直距离、欧几里得距离、炸药类型、装药量、孔间距、最大延期装药量为输入信息。此外，利用主成分分析(PCA)从8个输入因子中提取前4个主成分作为ANN模型的4个输入。通过对爆破参数的调整，成功地应用该模型对地下破碎硐室进行了爆破振动保护。与几种常用的经验方程相比，GA-ANN PPV预测模型的预测效果显著优于Ambraseys-Hedron方法。因此，改进的GA-ANN模型可用于现场PPV的预测，为现场生产爆破振动的控制提供参考。

1.介绍

爆破是目前地下矿山人工崩落最经济、应用最广泛的方法。然而，炸药释放能量的利用效率很低。据统计，爆炸能量中只有20-30%用于岩石碎裂，其余能量以其他形式损失，造成一些负面影响，如围岩振动、飞岩、冲击波、巨大的噪声、大量释放的热量等[1- - - - - -4]。其负面影响造成大量能量损失，对围岩造成严重破坏，极易导致岩爆、大规模垮塌等灾害，进一步威胁井下人员和设备的安全[5- - - - - -8]特别是随着开采深度的增加，地应力也逐渐增大，爆破岩爆问题日益突出。据统计，矿山中大约三分之二的岩爆是由爆炸引起的扰动引起的[9]。红透山铜矿中段−647 m巷道破坏严重，破坏距离达数十米。根据文献，峰值质点速度(peak particle velocity, PPV)是评价爆破振动最常用的预测指标[10]。因此，开展PPV预测研究有助于控制爆破振动，减少相应的危害。

根据文献，PPV受多个因素的影响，包括最大一次延期装药量、载荷、孔间距、总装药量、延期次数、岩体质量、应力等[11，12]。许多学者研究了这些影响因素与PPV之间的关系。基于这些关系，人们采用经验方法、数值模拟方法、线性回归方法等方法对PPV进行预测，并取得了许多有意义的成果[[4]。到目前为止，还没有被广泛接受的方法。近几十年来，随着计算机技术的发展，神经网络由于具有自适应、非线性等优点，在PPV预测中得到了越来越多的应用[13，14]。

在一项基于爆破参数的爆破振动神经网络预测研究中，Singh和Singh[15]的研究发现，神经网络方法能准确预测地面振动，且误差不会随着输入量和非线性的增加而增加。Khandelwal和Singh [16利用人工神经网络(ANN)方法预测了露天矿爆破引起的地面振动，并与传统的统计分析方法进行了比较。Khandelwal和Singh [17]建立了预测爆破引起的地面振动的神经网络模型。该模型包含10个输入参数、15个隐藏神经元和2个输出参数。对比分析表明，该模型的预测精度高于常规预测因子和多元回归分析。Monjezi等人[18]建立了拓扑为4-1085-1的四层神经网络模型来预测PPV，并通过敏感性分析确定了距爆破面距离为对PPV影响最大的参数。Amnieh等人[19]使用人工神经网络建立PPV、块体体积、炸药类型和爆破参数之间的关系，并使用该关系确定与安全爆破模式PPV值对应的适当负荷、孔间距和最大装药量。阿尔瓦雷斯·维吉尔等人[20.]将影响因素分为环境条件和波形参数两类，提出了露天矿爆破地面振动预测的神经网络模型，并与多元线性回归进行了比较，验证了该方法的有效性。Jayawardana等人[21]利用神经网络研究了不同条件下双填料沟槽的减振效果与控制参数之间的关系，并建立了基于此关系的振动预测模型。

有学者将神经网络方法与其他方法相结合进行爆破振动预测。Verma和Singh [22基于127个数据集，采用遗传算法(GA)建立了PPV预测器。并与传统的振动预测器、多元回归分析和人工神经网络进行了比较，讨论了遗传算法网络的优越性。默罕默德(23]分别使用人工神经网络和模糊逻辑分析对PPV进行预测，发现模糊模型的预测精度略高于人工神经网络模型。Armaghani等人[24]提出了基于粒子群优化（PSO）算法和人工神经网络的flyrock和PPV预测模型，并输入前10个影响爆破参数来估计flyrock和PPV。他们发现，每次延期的最大药量是影响飞石距离和PPV最大的爆破参数。Hajihassani等人[25]采用混合神经网络和粒子群算法对空气爆炸超压进行预测，得到的训练相关系数为0.94，表明基于粒子群算法的神经网络模型具有较高的预测精度。Hajihassani等人[26]基于马来西亚某花岗岩采石场的爆破数据，建立了PPV预测的混合算法模型(人工神经网络算法和帝国主义竞争算法(ICA))，即ICA-ANN模型，应用结果表明，ICA-ANN模型具有较高的预测精度。Azimi等人[27]利用孙军铜矿爆破地面振动监测数据，建立GA-ANN预测模型，发现用修正的径向距离代替水平距离和径向距离，预测精度更高。Nguyen等人[28]采用基于层次分析的混合模型对爆炸诱导PPV的预测精度进行了分析和肯定k-means (HKM)聚类算法和人工神经网络(HKM -ANN模型)及基于模糊的混合模型c-通过均值聚类（FCM）和支持向量回归（SVR）的分析，得出HKM算法可以有效提高神经网络模型的预测精度的结论。

本文以阿舍勒铜矿地下爆破引起的地面振动监测数据为基础，将遗传算法与神经网络相结合，建立了PPV预测模型。该模型采用遗传算法对神经网络参数进行优化，得到神经网络隐含层的最优节点数和连接权值。应用该模型可为爆破参数优化和爆破振动控制提供指导。

2.基于神经网络和遗传算法的组合方法

反向传播网络是目前应用最广泛的神经网络模型之一。BP网络一般由输入层、隐含层和输出层组成。BP网络的学习算法可以概括为根据给定的样本集，迭代地进行正向计算、反向计算以及权值和阈值更新的过程。训练权重系数是相反的。根据输出的误差得到中间层的误差，然后得到输入的权系数。重复这个过程，直到获得正确的输出。BP网络本质上是输入-输出映射，输入和输出之间不需要任何精确的数学表达式。只要使用已知的模型来训练BP网络，该网络就具有在输入输出对之间进行映射的能力。它实际上是将样本集的输入/输出问题转化为非线性优化问题，采用最常用的梯度下降优化方法和迭代运算来求解权值。

该神经网络采用基于梯度下降的BP算法及其变分算法，其对初始权值选择的依赖必然会导致局部最优问题，导致神经网络方法的可靠性降低。针对BP神经网络的缺点，本文采用了一种改进的GA-BP神经网络来克服BP神经网络的缺点。遗传算法模拟了生物遗传、遗传变异以适应环境和自然界适者生存的进化现象[29]。它把每一个溶液看作一条染色体，溶液中的每一个元素看作一个基因，所有的染色体看作一个种群。利用预定的目标函数来计算染色体的适应度。算法首先随机生成一些染色体，根据适应度对染色体进行遗传遗传变异等遗传操作，选择适应度高的染色体，进行下一代遗传操作，获得新的种群。因为每次迭代都从上一代的群体中选择精英，新一代继承上一代的优良基因并及时重组以产生更好的染色体并消除有缺陷的新个体。因此，通过反复迭代，解向最优解发展，直到满足终止条件。由于其高度的并行性，遗传算法在神经网络中得到了广泛的应用。

3.阿舍勒铜矿的背景

３．１．阿舍勒铜矿的生产与监测

阿舍勒铜矿位于中国新疆省，铜储量为92万吨，平均品位为2.4%。主矿体走向长度700米 m、 平均厚度为20毫米 m到45 m、 倾斜角度为55°至85°。矿床主要由火山喷发和沉积形成，然后由热液重塑。上盘围岩的平均岩石质量指标（RQD）为81.2%，下盘围岩为41.5%，矿体为70.9%。目前开采深度超过1000米 m、 1243 轴长度的m。矿体上盘以英安岩斑岩为主，下盘以玄武岩为主，主要矿物为黄铜矿。地应力测试结果表明，最大开采深度处的最大水平主应力接近45 MPa，倾角为18°，几乎垂直于矿体走向，最小主应力约为20 MPa，倾角为64°。阿舍勒铜矿主要采用大直径深孔采矿法，具有较高的生产能力。矿石是用壕沟从底部收集的。沟槽形成后，采用垂直环形山后退（VCR）法在工作面上形成切槽，然后采用大孔侧向崩落法开采。阿舍勒铜矿每天生产6000吨矿石；单次爆破装药量高达4吨，每次延期最大装药量达400吨 公斤开挖引起的频繁爆炸和应力转移会干扰巷道围岩，在某些情况下会造成严重破坏，需要付出巨大努力来维护和修复二次支护。在阿舍勒铜矿的两个不同水平上发生了采场坍塌，这是由于微震活动分析后相邻采场的爆破干扰造成的[30.]。

本研究采用的NUBOX-6016智能振动监测仪和NUBOX-6016便携式数据采集装置是在现场爆破、振动、冲击、噪声优化试验的基础上设计的(见图)1).仪器可对传感器产生的动态和静态模拟信号（包括加速度、压力、应变和温度）进行数字转换和存储并具有触发机制，以确保仅针对相关功能正确记录信号。它们允许采集多达2048段的数据，以实现多段振动信号的连续自动记录。最大采样频率为200 信噪比（SNR）为≥62 最小采样频率为5 dB Hz。该设备配备TP3V-4.5传感器，具有安装方便、坚固可靠、结构紧凑、测量精度高、抗干扰能力强等优点。阿舍勒铜矿采场采用从上盘向下盘回采，在爆破震动现场试验中，t监测点位于矿体下盘，以避免测量通过采空区传播的爆破振动波。

阿舍勒铜矿每两个或三个矿层用作一个采矿组合。采矿组合中的采矿顺序为自下而上。目前，第一个采场的深度为1012 m将根据生产计划进行开采。不幸的是，破碎室位于采场附近，用于破碎600以下生产的矿石 显然，它的使用周期较长。因此，有必要控制采场爆破的PPV，以保护破碎室。

３.２．PPV控制因素

提供输入输出样本，对基于神经网络的爆破振动预测模型进行训练和测试。爆破振动的相关因素应慎重选择。然后，通过研究确定了神经网络模型的输入参数，包括爆破参数和现场条件。现场条件主要包括埋深、最大主应力、偏移方向、水平距离、垂直距离和欧氏距离。爆破参数主要包括炸药种类、装药量、孔间距、延期数、总装药量和最大单延期装药量。

3.2.1.埋深和最大应力的微弱影响

考虑埋深和最大应力对爆破振动影响的研究较少。埋深、最大应力与PPV的相关性不大。本文在浅层爆破的基础上研究了更深层次的爆破振动，因此采用两个冲击器分析了其对PPV的影响。在阿舍勒铜矿的主要开采水平562 m、762 m和912 m处采集爆破振动数据。不同深度和最大主应力的PPV值如图所示2.PPV随着埋深的增加有增加的趋势。可以预测，埋深对PPV的影响将随着开采深度的增加而变得越来越突出。根据阿舍勒铜矿的地应力测试结果，地应力的最大主应力接近水平且近似垂直于矿体。此外，最大主应力的方向几乎没有变化。因此，模型仅考虑最大主应力的值。PPV随着最大水平主应力的增加而增加。但是，埋深、最大应力和PPV很小。可以得出结论，它们之间没有显著的相关性。因此，埋深和最大应力不作为PPV预测的输入。同时，延迟数、总电荷和PPV之间的相关系数很小，说明这两个因素对PPV预测的影响很小因此，消除了延迟数和最大应力。

3.2.2.偏离方向

具有相关性的PPV数据库散点图矩阵如图所示3.．偏移方向为采场中心线与爆破中心与监测点连线的夹角。当采场中心线顺时针旋转时，偏离方向为正数。否则，偏移方向为负数。显然，当偏离方向为0时，PPV最小。随着偏移方向绝对值的增加，PPV逐渐增大。偏离方向与PPV的相关系数为0.307，显著性检验在0.05水平上显著。由此可以看出，爆破的偏移方向对爆破振动有一定的影响。

3.2.3。爆破源与监测点之间的水平距离、垂直距离和欧氏距离

大多数经验公式都考虑了传播距离对爆破振动的影响。水平距离是爆破中心与监测点之间距离的水平投影。显然，水平距离和PPV之间存在高度相关性。正如我们所想，PPV随着水平距离的增加而减小。与水平距离类似，垂直距离是爆破中心与监测点之间距离的垂直投影，对爆破振动有明显影响。然而，水平距离和垂直距离对爆破振动的影响存在一定的差异。在研究不同水平的爆破振动传播时，应考虑垂直传播距离。随着爆破中心与监测点欧氏距离的增大，PPV逐渐衰减。换句话说，随着水平距离、垂直距离和欧氏距离的增加，PPV逐渐减小。水平距离、垂直距离和欧氏距离的相关系数为0.607，−0.587，以及−分别为0.73。在99%置信水平下，它们与PPV显著相关。因此，它们都被纳入PPV预测模型。

3.2.4.爆炸类型的因素

不同炸药类型的爆破速度、功率等参数差异较大。本文主要采用两种炸药来破碎岩石。它们分别为乳化炸药和石油铵炸药，分别用1和2表示。乳化炸药爆破产生的爆破振动明显大于氨油炸药爆破产生的爆破振动。炸药类型与PPV的相关系数为−0.392，在0.01水平上显著。根据科恩提出的理论[31]，系数的绝对值大于0.3可视为中度相关。因此，将爆炸类型作为模型的输入之一。

3.2.5。负担

载荷是爆炸性弹药筒到自由表面的距离。当负荷小于2.5 m时，PPV随负荷的减小而增大。当负荷超过2.5 m时，PPV随负荷的增加而增加。负担与PPV的相关系数为0.324，相对较小。然而，显著性检验表明显著性在0.05水平。因此，可以认为负荷对PPV有影响，可以用来预测PPV。

3.2.6.孔间距

随着井距的增大，PPV均值和最小值均呈增大趋势。当井距为2.0 m时，PPV值相对集中。在大多数井眼间距处，PPV的取值范围都很大。孔间距与PPV的相关系数为0.350，在0.05水平上显著。因此，选择孔间距作为模型的输入。

3.2.7。每次延误最高收费

与距离相似，每延迟的最大电荷值经常出现在经验公式中。拟合曲线显示，当最大每延迟充电量为220 kg时，PPV最小。超过220 kg后，PPV随每延迟最大电荷量的增加而逐渐增大。当PPV小于220 kg时，PPV随每延迟最大电荷量的减小而增大。每次延迟最大电荷量之间的相关系数为0.381，在0.01水平下显著(见图)4)。因此，为模型输入选择每延迟的最大费用。

因此，选择偏离方向、水平距离、垂直距离、欧氏距离、炸药类型、装药量、孔间距和每延迟最大装药量来预测PPV。

３．３．数据标准化

各种信息的价值差别很大。最大值与最小值之比超过1000。有必要对输入数据进行标准化，以消除尺寸和变化大小的影响。在本文中Z-score方法是目前使用最广泛的标准化方法，用于对模型的输入数据进行标准化。的Z-score方法如式(1).标准化模型建立后，所有预测样本数据需要按照训练样本的同一模型进行标准化。

4.PPV的预测与控制

4．1.输入信息的主成分分析(PCA)

根据Section, ANN模型的输入数据包含8种变量3.1.输入数据包含大量重复和冗余信息，各因素与PPV之间存在明显的相关性。例如，不同水平距离和欧氏距离的PPV布局特征相似。造成这种现象的原因是，水平距离与PPV之间具有很高的相关性与阿舍勒铜矿中的欧几里德距离相关。它们之间的相关系数为0.930。换句话说，存在一些信息重叠。爆破参数之间没有明显的直接联系，如孔间距和装药量。如果炸药消耗量恒定，则孔间距受爆破的限制en.孔间距和负载并非完全独立。这种重复和冗余信息的存在直接影响PPV的预测精度，这需要在用于ANN模型之前进行一些数据处理。PCA方法提取关键信息，以建立相互无关的新变量。在同时，在尽量保留原始信息的同时，删除冗余信息，本文采用主成分分析法消除了标准化后八因素数据中包含的重复冗余信息的影响。

PCA的误差贡献如图所示5．方差百分比越大，主成分对输出的贡献越大。前4个主成分的方差贡献率分别为39.20%、31.75%、14.43%和7.78%。前四个主成分的累积方差贡献率为93.16%。本文选取前四个主成分来预测PPV。四个主成分的特征值分别为3.136、2.540、1.154和0.622。

4.2.PPV预测模型的建立

通常，在训练过程中，训练误差会迅速减小，而测试误差有时会随着相对较小的波动而减小。参考早期停止法，最大学习次数为200000次。然后，根据学习和测试的误差，确定最佳学习步数，以减少过拟合问题。此外，神经网络模型的简单结构有助于避免过拟合问题。因此，使用了具有一个隐藏层的拓扑。隐藏层的节点搜索范围为5–15。神经网络模型有四个输入和一个输出。种群规模为200，总世代数为30，编码串长度为15，交叉概率为0.8，变异概率为0.2，反转算子为0.3，初始权重为−0.5至0.5。个体误差和测试目标误差控制在10⁻⁶和10⁻⁵惯性系数设置为0.5，具有稳定适应度值的生成设置为5。本文选择测量结果输出的均方误差来计算适应度值。

上述参数设置用于9代遗传进化。每一代的最佳适应度值如图所示6．初始种群的最优适应度值为1.711。第一代种群的最佳适应度值为1.700，显著下降。其次，第二代的最佳适应度值略有下降。在第三代和第四代没有明显的变化，说明在目前的遗传操作过程中，没有染色体优于第二代。之后第五代的最佳适应度值为1.207，明显下降，说明在第四代到第五代的进化过程中产生了更好的染色体，所以最佳适应度值大大降低。直到第九代，没有一个个体比第五代更好。此时，适应度值稳定的代为5，终止遗传进化。在这种情况下，第二代到第四代的最优适应度值相同，对应的权值和神经网络的拓扑参数相同。因此，从第五代到第九代的任意一代神经网络的最优适应度值及相应的权值和拓扑参数都可以应用到PPV神经网络中。 The fitness values of each individual in the ninth generation and their corresponding topological parameters in the neural network are shown in Figure7群体中有50个个体。第九代的最佳适应值对应于个体编号31，其神经网络的拓扑参数为5。最后，神经网络的隐层节点数为5。在此基础上，建立了具有4-5-1拓扑结构的PPV预测模型。该模型的预测精度为1odel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，隐藏层包含5个节点，输出层包含一个输出。此外，有31个初始权重。三层神经网络的框架图如图所示8．

该模型在学习和测试过程中的输出如图所示9．在学习和测试过程中，GA-ANN模型的输出值与实测值非常接近。所有学习和测试用例的错误都在可接受的范围内。

4.3、破碎洞防护爆破震动控制

阿舍勒铜矿开采深度1012 m爆破采场附近有一个破碎硐室，如图所示10. 在采场附近布置了两个爆破振动监测点，以收集爆破产生的PPV。爆破参数及现场条件见表1. 大孔爆破引起的第1点和第2点的PPV值为116.1 毫米/秒和166.2毫米/秒 根据PPV预测模型和爆破设计，分别为mm/s。由大孔爆破引起的监测点2的PPV接近《爆破安全条例》中建议的最小安全值。调整爆破参数，控制爆破震动，避免采场附近爆破对破碎硐室造成破坏。配料和孔间距更改为3.5 m和2.5 我从3.3开始 m和3.4 m、 分别。此外，每延迟一次的最大费用从400美元减少到了400美元 公斤至300公斤 kg，而延迟数从10增加到13。相应的延迟时间分别为0,50 ms，110 ms，150 ms，200 ms，250 ms，310 ms，380 ms，460 ms，550 ms，650 ms，760 ms和880 ms。调整爆破参数后，监测点1和2的预测PPV为55.60 毫米/秒和87.80 毫米/秒。最后，近采场的爆破并未对破碎洞穴造成明显损害。大孔爆破和中深孔爆破在第1点和第2点测得的PPV为56.28 毫米/秒和96.99 毫米/秒。

5.讨论

根据前人的研究，PPV受多种因素的影响，包括应力、岩体质量等环境参数和最大单次延期装药量、总装药量、欧氏距离、延期次数等爆破参数。以往的研究大多认为每延迟最大电荷量和欧氏距离是影响PPV的两个最重要的参数。例如，经验的PPV预测器，如美国矿务局的预测器[32]、朗格弗斯和基尔斯特伦[33]，印度标准及准则局[34， ambrasys和Hendron [35)，以及中央矿业研究所(CMRI)预测指标[36，只考虑最大每延迟电荷量和欧氏距离对PPV的影响。这些经验公式见表2．

利用学习样本和测试样本，利用上述5个经验模型建立PPV预测方程，预测两次爆炸中不同地点的PPV值。经验方程预测的结果相对较差(见表)3.)．5个经验方程预测的PPV值之间没有显著差异。这是因为五个不同表达式的经验方程考虑了相同的因素。Ambraseys-Hendron方程对PPV的预测效果最好，其预测误差分别为13.36%和87.81%。因此，GA-ANN算法预测的PPV值与实测值最接近，预测误差小于10%，说明GA-ANN算法的预测精度最高(见图)11)。相信PPV预测精度会随着数据的积累而进一步提高。一般来说，PPV预测应根据实际因素，而不是简单地使用经验公式。

传统的经验公式只考虑爆破振动的欧氏距离和最大药量。在本文中，监测点与爆源之间的欧氏距离较近，每延迟最大装药量相同。因此，基于经验公式预测的两个不同监测点的ppv非常相似。通过相关分析，发现每延迟最大电荷量和欧氏距离对PPV有显著影响。实际上，根据本文的数据，井斜方向、井距、药量、炸药类型等因素对PPV的影响是不可忽视的。再加上神经网络在解决非线性问题方面的优势，使得本文模型预测的PPV比经验公式更准确。这也可以从两个监测点的PPV预测结果中看出。与传统经验公式相比，神经网络在两个不同偏离方向监测点的预测PPV值有显著差异。

6.结论

本文提出了一种GA-ANN PPV预测方法。PPV预测方法的输入信息包括现场条件和爆破参数，如偏离方向、水平距离、垂直距离、欧氏距离、炸药类型、装药量、孔间距、最大单延装药量等。采用主成分分析法消除现场条件和爆破参数的冗余和重复信息。选取实测结果输出的均方误差作为拟合函数，搜索隐层的最佳节点数。建立了阿舍勒铜矿4-5-1拓扑GA-ANN PPV预测模型。在学习和测试数据中，预测结果与实测值吻合较好。应用该模型对阿舍勒铜矿1012 m深埋采场的爆破振动进行了预测和控制。通过调整最大延期装药量、延期数、装药量、孔间距等爆破参数，成功地降低了爆破振动，保护破碎硐室不受破坏。通过比较GA-ANN PPV预测模型与传统经验PPV预测模型的预测结果，验证了GA-ANN PPV预测模型的优越性。传统的PPV预测方法中，Ambraseys-Hendron方法预测效果最好。 The proposed GA-ANN PPV model can be used to guide the design of blasting parameters for field production.

数据可用性

本研究中使用的数据集可在合理要求下从通讯作者处获得。

的利益冲突

作者声明他们在这篇论文的发表上没有利益冲突。

致谢

国家自然科学基金项目(no. 51704056, no. 51974059);国家重点研发计划项目(no. 2017YFC0602904, no. 2016YFC0801605);国家博士后科学基金项目(2017m621152)，中央大学基本科研业务费项目(N160103006、N180115010)。

参考文献

1. E. Ghasemi, M. Ataei，和H. Hashemolhosseini，“用于预测露天采矿岩石爆破引起的地面振动的模糊模型的发展”，振动与控制学报，第19卷，第5期，第755-770页，2013年。浏览：出版商的网站|谷歌学者
2. 江北，周长兵，罗晓东，卢绍伟，“VCR采矿爆破冲击对围岩损伤特性的影响”，岩石力学与工程学报，2017,35(6):1190 - 1196。冲击和振动文章编号373021,2015。浏览：出版商的网站|谷歌学者
3. M. Monjezi, M. Hasanipanah，和M. Khandelwal，“用人工神经网络评估和预测伊朗舒尔河大坝爆破引起的地面振动”，神经计算与应用，第22卷，第7-8号，第1637-1643页，2013年。浏览：出版商的网站|谷歌学者
4. 王明，“基于扩展Heelan模型的环形爆破药包设计方案优化”，国际岩石力学和采矿科学杂志， 2018年，第110卷，第199-209页。浏览：出版商的网站|谷歌学者
5. 中州。李,告诫。徐,j。“一种基于拉丝位移传感器的隧道或巷道收敛监测系统”，隧道与地下空间技术，第49卷，第92-97页，2015。浏览：出版商的网站|谷歌学者
6. R.J.Durrheim，M.K.C.Roberts，A.T.Haile等人，“影响南非金矿岩爆破坏严重性的因素，”南非矿业和冶金研究所学报第98卷第1期2，第53-57页，1998。浏览：谷歌学者
7. 问:江,X.-T。冯,T.-B。香,G.-S。苏，“基于新能量指标的岩爆特征及数值模拟——以2500 m深隧道为例研究”，工程地质与环境公报，第69卷，第2期3，页381-388,2010。浏览：出版商的网站|谷歌学者
8. G.A. Donald, T. Shahram, A. Keith, B. Patrice，和N.D. Stephen，“地表和近地表爆炸产生的地面振动”，应用声学，第74卷，第1279-12962013页。浏览：谷歌学者
9. 郭锐，潘春林，余荣昌，具有岩爆倾向的硬岩矿床理论与技术，冶金工业出版社，北京，2003年。
10. 唐立明，“爆破振动监测的建议方法”，岩石力学与采矿科学与地质力学文摘，第29卷，第2期2，页145-156,1992。浏览：出版商的网站|谷歌学者
11. J.Zhou，X.Shi和X.Li，“利用梯度提升机预测露天采矿爆破振动对住宅结构的损害，”振动与控制学报第22卷第2期19，第3986-3997页，2016。浏览：出版商的网站|谷歌学者
12. A.Kahriman，“石灰石采石场台阶爆破产生的地面振动参数分析，”土壤动力学与地震工程，第24卷，第2期11，页887-892,2004。浏览：出版商的网站|谷歌学者
13. “基于爆破振动预测的地下矿山爆破参数优化”，振动与控制学报，第25卷，第2期9, pp. 1585-1595, 2019。浏览：出版商的网站|谷歌学者
14. 刘建军，“基于改进的神经网络模型的微地震波形精确识别”，中国地震局，2015应用地球物理学报，第190卷，文章ID 104343，2021年。浏览：出版商的网站|谷歌学者
15. T. N.辛格和V.辛格，“预测和控制矿山地面振动的智能方法”，岩土及地质工程，第23卷，第2期。3，页249-262,2005。浏览：出版商的网站|谷歌学者
16. M. Khandelwal和T. N. Singh，“露天矿爆炸引起的地面振动和频率的预测:神经网络方法”，声学与振动学报第289卷，第289期。4-5，第711-725页，2006。浏览：出版商的网站|谷歌学者
17. M. Khandelwal和T. N. Singh，“利用人工神经网络预测爆破引起的地面振动”，国际岩石力学和采矿科学杂志第46卷，第46期7, pp. 1214-1222, 2009。浏览：出版商的网站|谷歌学者
18. M. Monjezi, M. gharich kalajahi，和A. Bahrami，“利用人工神经网络预测爆破引起的地面振动”，隧道与地下空间技术第26卷第2期1, pp. 46-50, 2011。浏览：出版商的网站|谷歌学者
19. H. Bakhshandeh Amnieh, A. Siamaki, S. Soltani，“与峰值粒子速度(ppv)成比例的爆破模式设计:人工神经网络方法”，安全科学，第50卷，第9期，第1913-1916页，2012年。浏览：出版商的网站|谷歌学者
20. A. E. Álvarez-Vigil, C. González-Nicieza, F. López, M. I. Álvarez-Fernández，“利用人工神经网络预测爆破传播速度和振动频率”，国际岩石力学和采矿科学杂志， vol. 55, pp. 108 - 116,2012。浏览：出版商的网站|谷歌学者
21. P.Jayawardana，D.P.Thambiratnam，N.Perera和T.Chan，“用于减震的双填充沟槽及其使用人工神经网络的预测，”土壤动力学与地震工程，第122卷，第107-115页，2019。浏览：出版商的网站|谷歌学者
22. a . K. Verma和T. N. Singh，《地面振动测量的智能系统:比较研究》，计算机工程第27卷第2期3, pp. 225-233, 2011。浏览：出版商的网站|谷歌学者
23. M. T. Mohamed，“模糊逻辑和人工神经网络在地面和空气振动预测中的性能”，国际岩石力学和采矿科学杂志，第48卷，第48期5, pp. 845-851, 2011。浏览：出版商的网站|谷歌学者
24. D. J. Armaghani, M. Hajihassani, E. T. Mohamad, A. Marto, and S. A. Noorani，“通过基于粒子群优化的专家人工神经网络预测爆破引起的飞岩和地面振动”，阿拉伯地球科学杂志，第7卷，第12期，第5383-53962014页。浏览：出版商的网站|谷歌学者
25. M. Hajihassani, D. Jahed Armaghani, H. Sohaei, E. Tonnizam Mohamad，和a . Marto，“利用混合人工神经网络和粒子群优化技术预测爆破引起的空爆超压”，应用声学，第80卷，第57-67页，2014。浏览：出版商的网站|谷歌学者
26. M. Hajihassani, D. Jahed Armaghani, A. Marto，和E. Tonnizam Mohamad，“通过帝国主义竞争算法优化的人工神经网络在采石场爆破中的地面振动预测”，工程地质与环境公报，第74卷，第3期，第873-886页，2015年。浏览：出版商的网站|谷歌学者
27. Y.Azimi、S.H.Khoshrou和M.Osanloo，“使用混合遗传算法优化人工神经网络预测采石场开采的爆炸诱发地面振动（BIGV）。”测量，第147卷，文章编号1068742019。浏览：出版商的网站|谷歌学者
28. H. Nguyen, C. Drebenstedt, X.-N。D. T. Bui，“基于聚类和人工神经网络的新型混合模型预测露天矿爆破引起的地面振动”，自然资源研究，第29卷，第2期2, pp. 691-709, 2020。浏览：出版商的网站|谷歌学者
29. J. N. D. Gupta和R. S. Sexton，“比较神经网络训练的反向传播和遗传算法，”欧米茄第27卷第2期6，第679-684页，1999。浏览：出版商的网站|谷歌学者
30. j。刘锐，王锐，雷国栋。如果,告诫。徐,中州。李，“基于声发射和微震监测的岩石破裂过程中应力和位移分布及演化规律研究”，国际岩石力学和采矿科学杂志，第132卷，文章ID 1043842020。浏览：出版商的网站|谷歌学者
31. j·科恩,行为科学的统计功效分析，劳伦斯·厄尔鲍姆协会出版社，美国新泽西州希尔斯代尔，第二版，1988年。
32. W.I.Duvall和B.Petkof，岩石中应变脉冲爆炸的球形传播，美国矿业局，华盛顿特区，美国，1958。
33. U.Langefors和B.Kihlstrom，现代岩石爆破技术，附议，威利出版社，纽约，纽约，美国，1973。
34. 印度标准局，地下爆破结构的安全设计准则，印度标准局，Manek Bhawan，新德里，印度，1973年。
35. N.R. ambrasys和A.J. Hendron，“岩体的动力学行为”，岩石力学与工程实践， Wiley，伦敦，英国，1968。浏览：谷歌学者
36. P.Roy，“将地面振动预测器付诸实践，”煤矿监护人，第241卷，第63-67页，1993。浏览：谷歌学者

版权

版权所有©2021徐世达等。这是一篇发布在知识共享署名许可协议，允许在任何媒介中不受限制地使用、分发和复制，前提是原作被正确引用。