基于BP神经网络的爆破参数优选

基于B P 神经网络的爆破参数优选
①
赵　彬1
,王新民1
,史良贵2
,张钦礼1
,南世卿3
,苏　明3
,宋爱东
3
(1.中南大学资源与安全工程学院,湖南长沙410083;2.新桥矿业公司,安徽铜陵244131;3.唐钢矿业有限公司石人沟铁矿,河北遵化064200)
摘　要:为了得到最优的矿岩爆破参数,提出以矿岩的容重、弹性模量、抗拉强度、抗压强度、摩擦角及粘结力为输入因子,炮孔排距、孔底距及一次炸药单耗为输出因子,并以国内爆破工艺类似、效果良好的矿山为样本来建立BP 神经网络模型进行优选的思路。

以石人沟铁矿上向扇形中深孔爆破参数选择为例,优选出的参数适用于矿岩条件,爆破效果良好。

这种思路也可用于使用其它爆破工艺的矿山,具有广阔的应用前景。

关键词:爆破参数;影响因素;优化选择;非线性关系;BP 神经网络中图分类号:T D235;T B41
文献标识码:A
文章编号:0253-6099(2009)04-0024-04
Opti m i zati on of Bl asti n g Parameters Based on
Back 2Propagati on Neural Network
ZHAO B in 1
,WANG Xin 2m in 1
,SH IL iang 2gui 2
,ZHANG Q in 2li 1
,NAN Shi 2qing 3
,S U M ing 3
,S ONG A i 2dong
3
(1.School of R esources and Safety Engineering,Central South U niversity,Changsha 410083,Hunan,China;2.X in 2qiao M ining Corporation,Tongling 244131,A nhui,China;3.Shirengou Iron M ine,Tanggang M ining Co L td Co m pany,Zunhua 064200,Hebei,China )
Abstract:I n order t o get op ti m al blasting para meters,it is p r oposed that taking a domestic m ine with the si m ilar blasting technol ogy and good p ractice as a sa mp le,a BP neural net w ork model is established with the volu me weight,modulus of elasticity,comp ressive strength,tensile strength,fricti on angle and bond strength as input fact ors,with the r ows s pace,dep th of holes and once consu mp ti on of dyna m ite as out put fact ors .And taking the selecti on of blasting para meters f or upward sect or mediu m 2length hole in the Shirengou Ir on M ine as an exa mp le,the op ti m al para meters can be app lied f or the r ock conditi on with a good blasting effect .This method has a wide app licati on since it can als o be app lied in other m ines with different blasting technol ogy .
Key words:blasting para meters;influence fact or ;op ti m al choice;nonlinear relati onshi p;Back 2Pr opagati on neural net w ork
矿岩的爆破工艺是矿山生产过程中最重要的环节之一,合理的爆破参数是保证安全、高效回采的必备前提[1]。

研究表明炮孔排距、孔底距及一次炸药单耗是矿岩最主要的爆破参数;而矿岩的固有属性,包括容重、弹性模量、抗拉强度、抗压强度、摩擦角及粘结力是影响矿岩爆破参数的最主要因素。

因此,必须寻求与主要因素相匹配的爆破参数才能达到理想的爆破效果。

然而,各爆破参数间及各影响因素间关系繁杂,爆破参数与影响因素间也具有不确定性和不精确性,呈非线性映射关系,难以实现优选。

长期以来,国内外矿山大都采用简单工程类比法和现场爆破试验来选择参数,但前者往往考虑因素不全,容易受主观因素左右,而后者要花费大量的人力、财力、时间等,难以达到理
想的效果[2～3]。

为了克服上述传统方法的缺点,研究运用BP 神经网络建立爆破参数与其主要影响因素参数间的非线性复杂关系模型,以国内爆破工艺类似、应用成功的矿山为学习、训练样本,对目标矿山的爆破参数进行预测,优选。

BP 神经网络具有通过学习逼近任意非线性、多层次映射的能力,应用于非线性系统的预测中,
可以不受非线性模型的限制[4～5]。

将BP 神经网络技术应用于凿岩爆破参数优选中,可以较好地解决少数据、贫信息、不确定性问题。

本研究以唐钢矿业有限公司石人沟铁矿上向扇形中深孔爆破参数优选为例,优选出的爆破参数适用于矿山的矿岩条件,应用效果良好。

①收稿日期:2009203222
基金项目:国家科技支撑计划课题(2006BAB02A03);2008年度中南大学米塔尔科技创新项目(08MX16)作者简介:赵　彬(1985-),男,安徽宿州人,硕士研究生,从事采矿工程与充填技术研究工作。

第29卷第4期2009年08月
矿　冶　工　程
M I N I NG AND M ETALL URG I CAL ENG I NEER I NG
Vol .29№4
August 2009
1　BP 神经网络优选模型
1.1　B P 神经网络原理
回归BP 神经网络同时具有反馈和前馈机制,这
就意味着在网络的一个训练周期中,网络的输出同时
反馈给网络的输入神经元作为网络的外部输入[6～7]。

如图1所示为一个典型的三层回归BP 网络。

图1　B P 网络模型结构
在图1中,输入层有一个n 维的输入向量和一个阈值结点,该结点的值是固定的,这个值的存在保证了网络的收敛特性。

中间层有m 个神经元和一个阈值结点。

相邻两层的所有神经元采用全连接的方式相连。

输入层的神经元输入2输出关系可以表示为:
I i F =O i I
=X (i =1,2,…,n )
(1)O i
F
=f (I i F
)=f (X i )
(2)
其中,F 表示输入层,输入神经元和隐含神经元之间实现加权连接。

即如果信号从第i 个神经元传递到第j 个
神经元,则信号需要乘上两个神经元之间的连接权值w ij 。

令O j 表示第i 个神经元的输出,第j 个神经元的输入则为O j W ij 。

对第j 个神经元的输入进行求和,可得:
I j
h
=
∑n 1
i =1
O
i
F W ij
F
+θj H
　(j =1,2,…,m )
(3)
式中θj 为阈值项,H 表示中间层。

该法操作是通过中
间层的处理器实现的,实现加法的过程就是激发神经
元的过程。

由于神经元的权值和输入可以取正值,也
可以取负值,因此对神经元的激发有可能产生正值、负值和零值的任意数据。

中间层的激发函数为:
O j
H
=f (I j H
)=f
∑
n 1
i =1
O i F W ij
F
+θj
H
　(j =1,2,…,m )
(4)
对于输出层Y,它的第k 个神经元接收了中间层
的第j 个神经元的输出信号,经过加权后,作为自己的输入信号,可以得到类似的结论。

I k
Y
=
∑
m 1
j =1
O j H W jk
H
+θk Y
　(k =1,2,…,g )
(5)
O k
Y
=f (I k Y
)=f
∑m 1
j =1
O
j
H W jk
H
+θk
Y
　(k =1,2,…,g )
(6)
回归BP 网络的传递函数见式(7)。

这是一种非
常典型的函数,具有很多优点。

它是连续可导的,输出也是连续的并且位于区间[0,1]中,β为函数的斜率。

本研究即根据BP 神经网络结构,以MAT LAB 为工具,
自行编制程序,应用起来极其方便。

O k Y
=f (net )=11+exp (-β3net )
　(β>0)
(7)1.2　优选模型
建立的BP 神经网络以矿岩的容重、弹性模量、抗拉强度、抗压强度(用矿岩坚固性系数表示)、摩擦角及粘结力为输入因子,以炮孔排距、孔底距及一次炸药单耗为输出因子,并设置中间隐含层,构成典型的三层网络结构。

训练样本集的规模极其重要,样本集太少学习意义不大,样本集太多影响训练速度,甚至导致不能收敛到预定精度,一般在6～25之间为宜。

参照国内上向扇形中深孔的情况,针对石人沟的生产条件,选取了7个应用效果良好的矿山作为训练样本,如表1所示。

本研究的输入因子6个,输出因子3个,则由Kol 2mog or ov 定理可得隐含层神经元个数应该在13左右,建立模型时,选用隐含层神经元个数3个值,即10、13、15,进行神经网络收敛速度、预测误差比较,选出适
表1　爆破参数优选训练样本集
矿 山矿石容重γ/(t ・m -3)
弹性模量E
/104
MPa 抗拉强度σt /MPa
矿石坚固性
系数f 摩擦角φ/(°)粘结力C
/MPa
排距W
/m 孔底距a
/m 一次炸药单耗y q 1
/(kg ・t -1)
大红山铜矿
3.25 3.7210.1
103715.67 1.6 2.5～3.00.52铜官山铜矿 4.43 4.77 4.482～839 4.68 1.0～1.5 1.6～2.20.25金厂峪金矿 2.84 6.247.386～1039.97.56 1.2～1.4 1.8～2.00.45梅山铁矿 4.6714.0713.9510～1632.6 3.5 1.6～1.8 1.50.35张马屯铁矿 3.2 5.48～8.8 5.426～834～37 4.5 1.0 2.2～2.60.42康家湾铅锌矿 2.89 3.10 3.08753.8115.99 1.2 2.00.45开阳磷矿 3.22 5.20 4.48741.9620 1.9
2.2
0.16
石人沟铁矿
3.40
4.80
2.26
10～12
38.00
2.40
5
2第4期赵　彬等:基于BP 神经网络的爆破参数优选
合的隐含层神经元数,再进行预测。

由于各个指标互不相同,原始样本中各向量的数量级差别很大,为了计算方便以及防止部分神经元达到过饱和状态,应对学习及预测样本进行归一化处理,公式为:
x ′=
x -m in (x )
m ax (x )-m in (x )
(8) 归一化后的数据都处于[0,1]区间内,则网络隐含层的神经元传递函数采用S 型正切函数tansig,输出层神经元传递函数采用S 型对数函数l ogsig 。

预测后输出的是归一化后的结果,为了使其更加直观,应进行
反归一化,公式为[8～9]
:
x =x ′[m ax (x )-m in (x )]+m in (x )(9) 矿岩爆破参数的BP 神经网络预测、优选模型算
法流程如图2。

图2　神经网络算法流程
2　爆破参数优选及结果
2.1　预测过程
对3种隐含层结构的BP 神经网络进行学习,得到的网络性能曲线见图3～图5。

由图可见,隐含层神经元个数为10、13和15时,分别经11、9和10步运算即达到精度要求,中间网络的收敛速度略快于其它两者;而三者的最大预测误差分别为0.021、0.031、0.014,后者远低于前两者。

综合考虑,隐含层神经元
数取15,网络收敛速度较快,预测误差较小,除第7次外误差均极小。

以第三种BP 神经网络模型对石人沟铁矿的爆破参数进行预测,输入参数为3.40,4.80,2.26,11,38,2.4,对得出的结果数据进行反归一化得1.6849,1.8253,0.45,即石人沟铁矿上向扇形中深孔爆破参数
的BP 神经网络优选参数为炮孔排距W =1.6849m ,孔底距a =1.8253m ,y q 1=0.45kg/t 。

图3　隐单元数为10的网络性能
(a )训练误差曲线;(b )
预测误差曲线
图4　隐单元数为13的网络性能
(a )训练误差曲线;(b )预测误差曲线
62矿　冶　工　程第29卷
图5　隐单元数为15的网络性能
(a)训练误差曲线;(b)预测误差曲线
2.2　结果讨论
1)由于BP神经网络具有自学习能力,因此所取样本矿山的爆破效果的好坏对预测结果的适用性、合理性及最优性有很大的影响,且样本数据库的大小也影响着预测的准确性。

2)搜集的样本数据的输入因子值与输出因子值可能取自不同的文献,矿石容重、弹性模量、抗拉强度、抗压强度(坚固性系数)、摩擦角及粘结力取自矿山的某一区段,而爆破炮孔排距、孔底距及一次炸药单耗可能取自同矿山的其它区段,而实际上不同的区段的各种参数值可能有所变化,从而对预测结果造成影响。

3)石人沟铁矿拟采用YGZ-90型钻机钻凿Ф55 mm炮孔,而训练样本中的矿山大都使用Ф60mm以上炮孔,由于本研究中没有对炮孔直径进行控制,因此应对预测出的结果进行适当的调整。

4)针对石人沟铁矿的矿岩情况,BP神经网络预测结果为W=1.6849m、a=1.8253m、y
q1
=0.45 kg/t,与经验所得值极为接近,对石人沟铁矿的采矿生产具有极大的指导意义。

但考虑以上诸多因素,选取石人沟铁矿的炮孔排距W=1.4～1.6m,孔底距a= 1.6～2.0m,y q1=0.40kg/t,并在生产过程中根据实际效果作适当的调整。

生产实践证明,石人沟铁矿的爆破参数合理,爆破矿石块度大块率低、成本低、工艺简单。

3　结 语
1)提出了一种爆破参数优选的全新思路,以矿岩的容重、弹性模量、抗拉强度、抗压强度(坚固性系数)、摩擦角及粘结力为输入因子,炮孔排距、孔底距及一次炸药单耗为输出因子,以国内爆破工艺类似、效果良好的矿山为样本,建立BP神经网络进行预测。

2)BP神经网络作为一种输入2输出的高度非线性映射,通过对作用函数的多次复合,实现了矿岩爆破参数预测中输入与输出之间的高度非线性映射。

预测、优选过程不需要建立数学方程,具有自适应性、学习能力以及容错性和鲁棒性,可避免传统的矿岩爆破参数选择法的种种弊端,具有广泛的应用前景。

3)隐含层是BP神经网络的重要结构之一,隐单元数目太多会导致学习时间过长、误差不一定最佳,也会导致容错性差、不能识别以前没有看到的样本。

合理的隐含层神经元个数是保证BP网络高速度、高精度预测、优化的必备条件。

建立多种隐含层结构(隐单元数目),并进行网络性能的对比,是获得最优BP 网络结构的有效途径。

4)收集学习样本时注意数据来源的可靠性,且应合理控制样本集规模,样本集太少学习意义不大,样本集太多影响训练速度,甚至导致不能收敛到预定精度,一般在6～25之间为宜。

5)针对石人沟铁矿,选用上向扇形中深孔爆破、效果良好的矿山为样本,参数优选效果良好。

同时,这种思路也可用于其它爆破工艺的矿山,只需收集类似矿山样本即可,具有广阔的应用前景。

参考文献:
[1]　Martin P L.D rill and blast op ti m izati on at the Sparkhule L i m est one
Quarry[J].Journal of Exp l osives Engineering,2006,23(4):6-12. [2]　王从陆,吴　超.模糊规划原理与露天矿台阶爆破参数优化[J].
矿冶工程,2002,22(4):5-7.
[3]　夏红兵,徐　颖,宗　琦,等.深部大断面硬岩巷道掘进中深孔爆
破参数研究[J].金属矿山,2008(1):44-47.
[4]　葛哲学,孙志强.神经网络理论与MAT LAB R2007实现[M].北
京:电子工业出版社,2007.
[5]　ZHANG L P,Y U H J,HU S X.Op ti m al choice of parameters for
particle s war m op ti m izati on[J].Journal of Zhejiang University Sci2
ence,2005,6(6):528-534.
[6]　喻寿益,王吉林,彭晓波.基于神经网络的铜闪速熔炼过程工艺
参数预测模型[J].中南大学学报(自然科学版),2007,8(3):
153-157.
[7]　汪学清,单仁亮,赵统武,等.人工神经网络在应力波数据采集中
处理噪音信号的应用研究[J].矿冶工程,2008,28(3):5-9. [8]　李夕兵,张义平,左宇军,等.岩石爆破振动信号的E MD滤波与
消噪[J].中南大学学报(自然科学版),2004,37(1):150-154. [9]　张友旺,王荣梼.间接自适应动态递归模糊神经网络控制器设计
[J].中南大学学报(自然科学版),2004,35(2):253-258.
72
第4期赵　彬等:基于BP神经网络的爆破参数优选。