基于KPCA-WOA-ELM的爆破飞石距离预测

ｄｏｉ:１０.３９６９/ｊ.ｉｓｓｎ.１００１￣８３５２.２０２２.０２.００８
基于ＫＰＣＡ￣ＷＯＡ￣ＥＬＭ的爆破飞石距离预测❋
陈㊀资㊀李㊀昌
广东理工学院工业自动化系(广东肇庆ꎬ５２６１００)
[摘㊀要]㊀为提高爆破飞石距离预测的精度和效率ꎬ构建了一种基于核主成分分析法(ＫＰＣＡ)和鲸鱼算法(ＷＯＡ)优化的极限学习机(ＥＬＭ)爆破飞石距离预测模型ꎮ以国内某露天煤矿爆破工程为例ꎬ选取影响爆破飞石距离的７个因素ꎮ通过ＫＰＣＡ对影响因素间非相关性关系进行降维ꎬ提取出包含原始信息９５.７６％的４个主成分作为模型输入ꎮ然后ꎬ采用ＷＯＡ对ＥＬＭ进制参数寻优ꎬ避免了局部最优解问题ꎮ结果表明ꎬＫＰＣＡ￣ＷＯＡ￣ＥＬＭ模型的平均相对误差㊁均方根误差ＲＭＳＥ㊁决定系数Ｒ２和平均绝对误差ＲＭＡＥ分别为４.２７１％㊁６.６８１㊁０.９８５和６.４１３ꎬ均优于对比模型ꎮ说明该模型可实现对爆破飞石距离的准确预测ꎬ为确定爆破作业中的爆破安全区提供依据ꎮ
[关键词]㊀爆破ꎻ飞石距离ꎻＫＰＣＡ￣ＷＯＡ￣ＥＬＭꎻ预测ꎻ露天煤矿
[分类号]㊀ＴＤ２３５.４１ꎻＴＤ８２４.２
ＰｒｅｄｉｃｔｉｏｎｏｆＢｌａｓｔｉｎｇＦｌｙｒｏｃｋＤｉｓｔａｎｃｅＢａｓｅｄｏｎＫＰＣＡ￣ＷＯＡ￣ＥＬＭ
ＣＨＥＮＺｉꎬＬＩＣｈａｎｇ
ＤｅｐａｒｔｍｅｎｔｏｆＩｎｄｕｓｔｒｉａｌＡｕｔｏｍａｔｉｏｎꎬＧｕａｎｇｄｏｎｇＰｏｌｙｔｅｃｈｎｉｃＣｏｌｌｅｇｅ(ＧｕａｎｇｄｏｎｇＺｈａｏｑｉｎｇꎬ５２６１００) [ＡＢＳＴＲＡＣＴ]㊀Ｉｎｏｒｄｅｒｔｏｉｍｐｒｏｖｅｔｈｅｐｒｅｄｉｃｔｉｏｎａｃｃｕｒａｃｙａｎｄｅｆｆｉｃｉｅｎｃｙｏｆｂｌａｓｔｉｎｇｆｌｙｒｏｃｋｄｉｓｔａｎｃｅꎬａｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｏｆｂｌａｓｔｉｎｇｆｌｙｒｏｃｋｄｉｓｔａｎｃｅｂａｓｅｄｏｎｋｅｒｎｅｌｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓ(ＫＰＣＡ)ａｎｄｅｘｔｒｅｍｅｌｅａｒｎｉｎｇｍａｃｈｉｎｅ(ＥＬＭ)ａｎｄｏｐｔｉｍｉｚｅｄｂｙａｗｈａｌｅｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍ(ＷＯＡ)ｗａｓｅｓｔａｂｌｉｓｈｅｄ.Ｔａｋｉｎｇａｂｌａｓｔｉｎｇｏｐｅｒａｔｉｏｎｓｉｎｏｐｅｎ￣ｐｉｔｃｏａｌｍｉｎｅａｓａｎｅｘａｍｐｌｅꎬｓｅｖｅｎｉｎｆｌｕｅｎｃｉｎｇｆａｃｔｏｒｓｏｆｂｌａｓｔｉｎｇｆｌｙｒｏｃｋｄｉｓｔａｎｃｅｗｅｒｅｓｅｌｅｃｔｅｄ.ＫＰＣＡｗａｓｕｓｅｄｔｏｒｅｄｕｃｅｔｈｅｄｉｍｅｎｓｉｏｎｏｆｔｈｅｎｏｎ￣ｃｏｒｒｅｌａｔｉｏｎｒｅｌａｔｉｏｎｓｈｉｐｂｅｔｗｅｅｎｔｈｅｉｎｆｌｕｅｎｃｉｎｇｆａｃｔｏｒｓꎬａｎｄｆｏｕｒｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔｓｃｏｎｔａｉｎｉｎｇ９５.７６％ｏｆｔｈｅｏｒｉｇｉｎａｌｉｎｆｏｒｍａｔｉｏｎｗｅｒｅｅｘｔｒａｃｔｅｄａｓｔｈｅｍｏｄｅｌｉｎｐｕｔ.ＴｈｅｎꎬＷＯＡｗａｓｕｓｅｄｔｏｏｐｔｉｍｉｚｅｔｈｅＥＬＭｓｙｓｔｅｍｐａｒａｍｅｔｅｒｓｔｏａｖｏｉｄｔｈｅｐｒｏｂｌｅｍｏｆｌｏｃａｌｏｐｔｉｍａｌｓｏｌｕｔｉｏｎ.ＲｅｓｕｌｔｓｉｎｄｉｃａｔｅｔｈａｔｔｈｅａｖｅｒａｇｅｒｅｌａｔｉｖｅｅｒｒｏｒꎬｒｏｏｔｍｅａｎｓｑｕａｒｅｅｒｒｏｒＲＭＳＥꎬｃｏｅｆｆｉｃｉｅｎｔｏｆｄｅｔｅｒｍｉｎａｔｉｏｎＲ２ａｎｄａｖｅｒａｇｅａｂｓｏｌｕｔｅｅｒｒｏｒＲＭＡＥｏｆＫＰＣＡ￣ＷＯＡ￣ＥＬＭｍｏｄｅｌａｒｅ４.２７１％ꎬ６.６８１ꎬ０.９８５ａｎｄ６.４１３ꎬｒｅｓｐｅｃｔｉｖｅｌｙꎬｗｈｉｃｈａｒｅｂｅｔｔｅｒｔｈａｎｔｈｏｓｅｏｆｔｈｅｃｏｍｐａｒｉｓｏｎｍｏｄｅｌ.ＫＰＣＡ￣ＷＯＡ￣ＥＬＭｍｏｄｅｌｃａｎａｃｃｕｒａｔｅｌｙｐｒｅｄｉｃｔｂｌａｓｔｉｎｇｆｌｙｒｏｃｋｄｉｓｔａｎｃｅꎬａｎｄｉｔｃｏｕｌｄｐｒｏｖｉｄｅａｂａｓｉｓｆｏｒｄｅｔｅｒｍｉｎｉｎｇｔｈｅｂｌａｓｔｉｎｇｓａｆｅｔｙｚｏｎｅｉｎｂｌａｓｔｉｎｇｏｐｅｒａｔｉｏｎ.
[ＫＥＹＷＯＲＤＳ]㊀ｂｌａｓｔｉｎｇꎻｆｌｙｒｏｃｋｄｉｓｔａｎｃｅꎻＫＰＣＡ￣ＷＯＡ￣ＥＬＭꎻｐｒｅｄｉｃｔｉｏｎꎻｏｐｅｎ￣ｐｉｔｃｏａｌｍｉｎｅ
引言
爆破飞石是由爆炸能量突然引起的抛掷泥土和岩石碎片[１]ꎮ飞散到爆破安全区以外的飞石容易造成爆破周边地区工作人员伤亡㊁建(构)筑物以及机械设备损坏[２]ꎮ根据调查统计ꎬ２０％ ４０％的爆破相关事故是由飞石引起的[３]ꎮ因而ꎬ在工程爆破前实现对爆破飞石距离的精准预测㊁确定合理的爆破安全区域显得十分重要ꎮ㊀㊀爆破飞石距离受到岩石性质㊁爆破设计参数㊁炸药参数等众多因素影响[４]ꎮ而基于传统经验公式法预测爆破飞石距离方法考虑的影响因素少ꎬ且无法描述各个因素之间复杂的㊁不确定性的非线性关系ꎬ所以预测准确性不高[５]ꎮ鉴于此ꎬ一些学者以机器语言算法为基础理论预测飞石距离ꎬ包括ＢＰ神经网络[６]㊁Ｅｌｍａｎ神经网络[７]㊁深度神经网络(ＤＮＮ)[８]㊁粒子群算法优化的人工神经网络(ＰＳＯ￣ＡＮＮ)[９]㊁支持向量回归和灰狼算法组合算法(ＳＶＲ￣ＧＷＯ)[１０]等ꎮ以上方法对爆破飞石距离的预测取得
第５１卷㊀第２期㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀爆㊀破㊀器㊀材㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀Ｖｏｌ.５１㊀Ｎｏ.２㊀２０２２年４月㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀ＥｘｐｌｏｓｉｖｅＭａｔｅｒｉａｌｓ㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀Ａｐｒ.２０２２
❋收稿日期:２０２１￣０７￣１２
基金项目:广东省科技创新战略专项资金立项项目(ｐｄｊｈ２０２１ｂ０５９５)
第一作者:陈资(１９９５－)ꎬ男ꎬ硕士ꎬ讲师ꎬ主要从事爆炸安全的研究ꎮＥ￣ｍａｉｌ:ｃｚｉ８２６＿１＠１６３.ｃｏｍ
了一定成果ꎬ但是大部分方法采用过多关联因素进行分析ꎬ增加了预测模型的复杂度和冗余度ꎬ降低了预测效率和准确性ꎮ
综上所述ꎬ针对影响因素间存在非线性关系的特征ꎬ利用核主成分分析(ｋｅｒｎｅｌｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓꎬＫＰＣＡ)方法筛选出包含主要信息的主成分作为预测模型输入变量ꎬ并通过全局搜索能力强的鲸鱼算法(ｗｈａｌｅｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍꎬＷＯＡ)对极限学习机(ｅｘｔｒｅｍｅｌｅａｒｎｉｎｇｍａｃｈｉｎｅꎬＥＬＭ)的主要参数进行优化ꎬ克服ＥＬＭ易陷入局部最优解的缺点ꎬ最终建立ＫＰＣＡ￣ＷＯＡ￣ＥＬＭ爆破飞石预测模型ꎬ为爆破安全防护工作提供新方法ꎮ
１㊀基础理论
１.１㊀核主成分分析(ＫＰＣＡ)法
ＫＰＣＡ是一种在主成分分析法基础上改进的线
性主元分析方法ꎮ其基本思想是将低维样本数据通过核函数非线性映射到高维空间ꎬ然后对样本数据在高维度进行线性降维
[１１]
ꎮＫＰＣＡ能在不丢失原
始样本信息的基础上最大限度处理非线性数据ꎬ在非线性样本数据特征提取问题上得到广泛应用[１２￣１３]ꎮＫＰＣＡ原理和具体步骤参见文献[１４]ꎮ
１.２㊀
鲸鱼算法(ＷＯＡ)
ＷＯＡ是一种新型的启发式搜索优化算法ꎮ其
主要思路是模拟鲸鱼包围猎物㊁猎杀猎物㊁搜索猎物等一系列狩猎行为ꎬ最终获得猎物的坐标位置ꎬ即最优解[１５]ꎮ
在捕食行为中ꎬ鲸鱼会通过收缩包围猎物ꎬ其不
断迭代过程可以通过以下数学模型描述:
Ｄ＝｜Ｃ Ｘｐ(ｔ)－Ｘ(ｔ)｜ꎻ
(１)Ｘ(ｔ＋１)＝Ｘｐ(ｔ)－Ａ Ｄꎻ
(２)Ａ＝２ａ ｒ－ａꎻ
(３)Ｃ＝２ｒꎻ
(４)
ａ＝２１－ｔｔｍａｘæè
çöø÷ꎮ(５)式中:Ｄ为鲸鱼与猎物间的向量距离ꎻＸ和Ｘｐ分别表示鲸鱼和猎物的位置向量ꎻｔ为当前的迭代次数ꎻｒ为随机向量ꎻＡ为系数向量ꎬ用于判断算法离最优解的距离ꎻＣ是包含[０ꎬ２]随机值系数的向量ꎬ用于增加狩猎过程随机性ꎬ避免算法得到局部最优解ꎻａ为收敛因子ꎻｔｍａｘ为最大迭代次数ꎮ另外ꎬ依据猎物所处的位置使用螺旋方程来更
新鲸鱼的位置:
Ｄᶄ＝｜Ｘｐ(ｔ)－Ｘ(ｔ)｜ꎻ
(６)
Ｘ(ｔ＋１)＝Ｄᶄ ｅｂｌ ｃｏｓ２πｌ＋Ｘｐ(ｔ)ꎮ(７)
式中:Ｄᶄ为捕食时的鲸鱼与猎物间的向量距离ꎻｂ为螺旋形状的常数ꎻｌ为[－１ꎬ１]之间的随机数ꎮ
鲸鱼在捕食过程中会同时通过收缩包围猎物和螺旋形状绕着猎物游动ꎬ鲸鱼位置通过以上２种方法的５０％概率来获取:
Ｘ(ｔ＋１)＝
Ｘｐ(ｔ)－Ａ Ｄꎬｐ<０.５ꎻ
Ｄᶄ ｅｂｌ ｃｏｓ２πｌ＋Ｘｐ(ｔ)ꎬｐȡ０.５ꎮ
{
(８)
１.３㊀
极限学习机(ＥＬＭ)
ＥＬＭ是在单隐层前馈神经网络基础上改进的新型智能学习算法ꎬＥＬＭ设置参数少㊁学习速度快㊁泛化能力好㊁对非线性样本数据具有较好适用性ꎬ被广泛应用于各种预测㊁分类和回归问题ꎮ
对于输入层神经元个数为ｎ㊁隐含层的节点个数为Ｌ㊁输出层神经元个数为ｍ的ＥＬＭ结构网络ꎬ给定训练样本(ｘｊꎬｔｊ)㊁输入向量ｘｊ＝[ｘｊ１ꎬｘｊ２ꎬ ꎬ
ｘｊｎ]Ｔ㊁期望输出向量ｔｊ＝[ｔｊ１ꎬｔｊ２ꎬ ꎬｔｊｍ]Ｔꎬ其中ꎬｊ＝１ꎬ２ꎬ ꎬＮꎮ则期望输出值为:
ｔｊ＝ðＬ
ｉ＝１
βｉｇ(ωｉ ｘｊ＋ｂｉ)ꎮ
(９)
式中:ωｉ为输入权值矩阵ꎻｂｉ为隐含层神经元阈值ꎻβｉ为输出权值ꎻｇ(ｘ)为激活函数ꎮ
将式(９)转换成行列式形式:
Ｈβ＝Ｔꎮ(１０)
式中:Ｈ为隐含层的输出矩阵ꎻＴ为目标期望输出矩阵ꎮ
输出权值矩阵β为:
β＝Ｈ＋Ｔꎮ(１１)
式中:Ｈ＋为矩阵Ｈ的Ｍｏｏｒｅ￣Ｐｅｎｒｏｓｅ广义逆矩阵ꎮ
２㊀ＫＰＣＡ￣ＷＯＡ￣ＥＬＭ模型的建立
为提高爆破飞石预测结果的精度和效率ꎬ消除爆破飞石距离影响因素之间的非线性㊁强耦合和高冗余ꎬ解决ＥＬＭ参数选择不足等问题ꎬ建立爆破飞石距离ＫＰＣＡ￣ＷＯＡ￣ＥＬＭ预测模型ꎬ具体流程如图１所示ꎮ
㊀㊀为了验证ＫＰＣＡ￣ＷＯＡ￣ＥＬＭ模型的预测性能ꎬ引入均方根误差ＲＭＳＥ㊁决定系数Ｒ２以及平均绝对误差ＲＭＡＥ作为模型评价指标ꎬ计算公式如下:
ＲＭＳＥ＝
１ｎðｎ
ｉ＝１
(ｙ－ｙᶄ)２ꎻ(１２)Ｒ２＝１－
ðｎ
ｉ＝１(ｙ－ｙᶄ)２
ðｎｉ＝１
(ｙ－ ｙ)
２
ꎻ
(１３)
８４ ㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀爆㊀破㊀器㊀材㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第５１卷第２期
㊀
㊀
图１㊀ＫＰＣＡ￣ＷＯＡ￣ＥＬＭ模型流程图
Ｆｉｇ.１㊀ＦｌｏｗｃｈａｒｔｏｆＫＰＣＡ￣ＷＯＡ￣ＥＬＭｍｏｄｅｌ
ＲＭＡＥ＝１ｎðｎｉ＝１｜ｙ－ｙᶄ｜ꎮ(１４)
式中:ｙ㊁ｙᶄ㊁ ｙ分别是爆破飞石距离真实值㊁预测值和真实值的平均值ꎮ
３㊀实例分析
３.１㊀因素分析与数据获取
爆破飞石距离Ｄｆ与许多方面因素有关ꎬ如爆破参数㊁装药工艺㊁岩石性质等ꎮ合理选取影响因素是确保预测有效性的前提ꎮ通过参考国内外相关的文献以及咨询相关矿业专家和现场施工人员的具体意见ꎬ选取炮孔直径ｄＢ㊁炮孔深度ｈＤ㊁堵塞长度Ｌ㊁炮孔排距与孔距比Ｂ/Ｓ㊁最大段药量ｍＣ㊁炸药单耗Ｑ和岩石质量指标ＲＱＤ７个主要影响因素对爆破飞石距离进行研究ꎮ选取某露天矿的４０组监测数据作为原始样本集ꎬ如表１所示ꎮ
３.２㊀ＫＰＣＡ降维
利用ＫＰＣＡ对原始数据样本集进行核主成分提取ꎬ各核主成分累计贡献率和特征值如图２所示ꎮ由图２可知ꎬ前４个主成分的累计贡献率已经达到９５.７６％ꎬ故提取前４个核主成分Ｆ１㊁Ｆ２㊁Ｆ３和Ｆ４代替原来的７个影响因素ꎬ降维后的样本数据如表２所示ꎮ
㊀㊀
㊀
图２㊀各核主成分累计贡献率和特征值
Ｆｉｇ.２㊀Ｃｕｍｕｌａｔｉｖｅｃｏｎｔｒｉｂｕｔｉｏｎｒａｔｅａｎｄｅｉｇｅｎｖａｌｕｅｓｏｆ
ｅａｃｈｎｕｃｌｅａｒｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔ
３.３㊀模型训练及结果分析
将得到的４个主成分作为预测模型输入变量ꎬ以爆破飞石距离为输出变量ꎬ并选取ＫＰＣＡ重构后的数据中前８０％作为预测模型的训练样本ꎬ剩余２０％作为测试样本ꎮ
㊀㊀模型中相关参数设定:ＥＬＭ模型中隐含层激励函数为Ｓｉｇｍｏｉｄ函数ꎬ输入层神经元个数为１ꎬ隐含层的节点个数为６ꎬ输出层神经元个数为１ꎻＷＯＡ算法中ꎬ鲸鱼种群规模为３０ꎬ最大迭代次数为２００ꎮ
表１㊀原始样本参数
Ｔａｂ.１㊀Ｄａｔａｏｆｏｒｉｇｉｎａｌｓａｍｐｌｅｓ
序号ｄＢ/ｍｈＤ/ｍＢ/ＳＬ/ｍｍＣ/ｋｇＱ/(ｋｇ ｍ－３)ＲＱＤ/％Ｄｆ/ｍ１＃７５.０００１４.１２２０.５３２１.５７５６８.９１５０.６５８６１.２１４１３６.７２２２＃１５０.０００２６.８２１０.８１１４.０７２５３０.２１００.９６７９０.８５０２６６.６２９３＃７５.０００１６.４４６０.５３８１.９９５７９.５３４０.５１１６６.１４８１５８.８４５４＃８９.０００１４.６１８０.８５７２.２１７９７.０８８０.６９７６１.２１４１２６.１５７５＃７５.０００１６.２４１０.５６４３.４８０７９.５４９０.８３７６６.１４７１９２.３８８６＃７５.０００１６.７３２０.６２７１.５３８７９.５５２０.７５９６６.１５４１５７.９２４７＃７５.０００１６.４５４０.４５８２.１９３７９.５３７０.８７３６６.１５１１６３.８４０８＃１１５.０００１３.７９６０.８７５３.４７０１４９.５８８０.６０２５８.７４２１３３.５５３ ４０＃７５.０００１１.０５５０.４２８１.４３９５３.１０４０.５０７５３.７９６６７.６６５ ９４
２０２２年４月㊀㊀㊀㊀㊀㊀㊀㊀基于ＫＰＣＡ￣ＷＯＡ￣ＥＬＭ的爆破飞石距离预测㊀陈㊀资ꎬ等㊀㊀㊀㊀㊀㊀㊀㊀
表２㊀降维后的样本数据
Ｔａｂ.２㊀Ｓａｍｐｌｅｄａｔａａｆｔｅｒｄｉｍｅｎｓｉｏｎａｌｉｔｙｒｅｄｕｃｔｉｏｎ
序号Ｆ１Ｆ２Ｆ３Ｆ４１＃０.４６００.０８５０.０１９０.２３７２＃０.４１０－０.０６６－０.４９５－０.１６２３＃０.３２４－０.０１９０.７８３０.２６９４＃０.４３６０.１５３－０.０９２０.２１１５＃０.４６００.０２０－０.２３９０.１３６６＃０.３３５－０.１２６０.２７４－０.８６７７＃０.０４０－０.９７４－０.０３４０.１７４㊀㊀为验证ＫＰＣＡ￣ＷＯＡ￣ＥＬＭ模型在爆破飞石距离预测中的可靠性和有效性ꎬ对原始样本数据分别建立ＷＯＡ￣ＥＬＭ和ＰＳＯ￣ＥＬＭ模型ꎬ并对３种模型预测结果进行分析ꎮ３种模型预测的迭代过程㊁预测结果以及相对误差对比分别如图３㊁表３和图４所示ꎮ㊀㊀由图３可知ꎬ相较于使用ＰＳＯ￣ＥＬＭꎬ使用ＷＯＡ￣ＥＬＭ收敛速度更快ꎬ并且经过ＫＰＣＡ降维ꎬ同样也能提高收敛效率ꎮ由表３可知ꎬＫＰＣＡ￣ＷＯＡ￣ＥＬＭ㊁ＷＯＡ￣ＥＬＭ和ＰＳＯ￣ＥＬＭ模型的平均相对误差分别为４.２７１％㊁５.９９８％和８.９９７％ꎬ说明在相同的条件
㊀㊀
㊀
图３㊀不同模型的迭代过程曲线
Ｆｉｇ.３㊀Ｉｔｅｒａｔｉｏｎｐｒｏｃｅｓｓｃｕｒｖｅｓｏｆｄｉｆｆｅｒｅｎｔｍｏｄｅｌｓ
㊀㊀
㊀
图４㊀不同模型相对误差对比
Ｆｉｇ.４㊀Ｃｏｍｐａｒｉｓｏｎｏｆｒｅｌａｔｉｖｅｅｒｒｏｒｓｏｆｄｉｆｆｅｒｅｎｔｍｏｄｅｌｓ
下ꎬＫＰＣＡ￣ＷＯＡ￣ＥＬＭ模型预测精度更高ꎮ并且由图
４可知ꎬＫＰＣＡ￣ＷＯＡ￣ＥＬＭ模型相对误差曲线的波动
最小ꎬ证明了该模型预测结果稳定性更强ꎮ
㊀㊀为了深入比较３种模型预测效果ꎬ采用均方根
误差㊁决定系数以及平均绝对误差作为评判指标ꎬ结
果如表４所示ꎮ分析表４可知:ＫＰＣＡ￣ＷＯＡ￣ＥＬＭ模
型的ＲＭＳＥ和ＲＭＡＥ分别为６.６８１和６.４１３ꎬ显著优于
其他模型ꎻ另外ꎬ该预测模型的Ｒ２为０.９８５ꎬ比
ＷＯＡ￣ＥＬＭ模型的和ＰＳＯ￣ＥＬＭ的Ｒ２更接近于１ꎬ反
映出ＫＰＣＡ￣ＷＯＡ￣ＥＬＭ模型拟合度更高ꎬ预测精度
更好ꎮ
表４㊀模型评价指标结果对比
Ｔａｂ.４㊀Ｃｏｍｐａｒｉｓｏｎｏｆｍｏｄｅｌｅｖａｌｕａｔｉｏｎｉｎｄｅｘｒｅｓｕｌｔｓ
模型ＲＭＳＥＲ２ＲＭＡＥ
ＫＰＣＡ￣ＷＯＡ￣ＥＬＭ６.６８１０.９８５６.４１３
ＷＯＡ￣ＥＬＭ９.０９６０.９７２８.７６７
ＰＳＯ￣ＥＬＭ１３.８５８０.９３５１２.９４８
㊀㊀综上分析可知:在ＫＰＣＡ￣ＷＯＡ￣ＥＬＭ模型中ꎬ
ＫＰＣＡ能在保留原有信息的前提下ꎬ降低影响因素
表３㊀飞石距离预测结果
Ｔａｂ.３㊀Ｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓｏｆｆｌｙｒｏｃｋｄｉｓｔａｎｃｅ
样本编号真实值/ｍ
ＫＰＣＡ￣ＷＯＡ￣ＥＬＭ
预测值/ｍ相对误差/％
ＷＯＡ￣ＥＬＭ
预测值/ｍ相对误差/％
ＰＳＯ￣ＥＬＭ
预测值/ｍ相对误差/％
３３＃１１７.６３２１２４.８６０６.１４５１２７.３１７８.２３４１２９.１９６９.８３１
３４＃１７０.３１５１７９.７３２５.５２９１８０.９５１６.２４５１５７.２１４７.６９２
３５＃１６８.２０２１７５.１９５４.１５７１６１.１１６４.２１３１７９.１９６６.５３６
３６＃１３８.９１１１４３.２４９３.１２３１４３.８５９３.５６２１４５.６２９４.８３６
３７＃１４６.９８０１５３.８０６４.６４４１５４.９９８５.４５５１５７.６９１７.２８７
３８＃２７０.６９４２７８.３３５２.８２３２８３.６４４４.７８４２８５.３９５５.４３１
３９＃１７６.４３５１８２.３１２３.３３１１６６.１６３５.８２２１５１.６９９１４.０２０４０＃６７.６６５７０.６５１４.４１３７４.２０７９.６６８７８.７２１１６.３４０
平均值１５７.１０４１６３.５１７４.２７１１６１.５３２５.９９８１６０.５９３８.９９７
０５ ㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀爆㊀破㊀器㊀材㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第５１卷第２期
之间信息的重叠ꎻ并且ＷＯＡ算法能够克服ＥＬＭ易陷入局部最优解的问题ꎬ提高模型预测精度和效率ꎬ使得预测值更贴近于真实值ꎮ
４　结论
１)选取影响爆破飞石距离的７个主要因素ꎬ在不遗失原始样本信息的前提下ꎬ通过ＫＰＣＡ筛选出包含主要信息的４个主成分ꎬ降低了样本数据间的耦合性和冗杂性ꎬ有效提高模型的预测效率和精度ꎮ２)使用ＷＯＡ算法对ＥＬＭ参数进行寻优ꎬ解决了传统ＥＬＭ参数人工选择具有盲目性㊁收敛速度慢㊁容易陷入局部最优等问题ꎬ强化了模型学习能力和泛化能力ꎮ
３)应用实例结果表明ꎬＫＰＣＡ￣ＷＯＡ￣ＥＬＭ预测模型的各项评价指标均优于ＷＯＡ￣ＥＬＭ和ＰＳＯ￣ＥＬＭ模型ꎮ该模型的提出为爆破飞石距离预测提供了一种更为可行的新思路ꎮ
参考文献
[１]㊀ＫＡＬＡＩＶＡＡＮＩＰＴꎬＡＫＩＬＡＴꎬＴＡＨＩＲＭＭꎬｅｔａｌ.Ａｎｏｖｅｌｉｎｔｅｌｌｉｇｅｎｔａｐｐｒｏａｃｈｔｏｓｉｍｕｌａｔｅｔｈｅｂｌａｓｔ￣ｉｎｄｕｃｅｄ
ｆｌｙｒｏｃｋｂａｓｅｄｏｎＲＦＮＮｃｏｍｂｉｎｅｄｗｉｔｈＰＳＯ[Ｊ].Ｅｎｇｉ￣
ｎｅｅｒｉｎｇｗｉｔｈＣｏｍｐｕｔｅｒｓꎬ２０２０ꎬ３６(２):４３５￣４４２. [２]㊀ＦＡＴＴＡＨＩＨꎬＨＡＳＡＮＩＰＡＮＡＨＭ.Ａｎｉｎｔｅｇｒａｔｅｄａｐ￣ｐｒｏａｃｈｏｆＡＮＦＩＳ￣ｇｒａｓｓｈｏｐｐｅｒｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍｔｏ
ａｐｐｒｏｘｉｍａｔｅｆｌｙｒｏｃｋｄｉｓｔａｎｃｅｉｎｍｉｎｅｂｌａｓｔｉｎｇ[Ｊ].Ｅｎｇｉ￣
ｎｅｅｒｉｎｇｗｉｔｈＣｏｍｐｕｔｅｒｓꎬ２０２１ꎬ３７(７):１￣１３. [３]㊀ＹＥＪꎬＫＯＯＰＩＡＬＩＰＯＯＲＭꎬＺＨＯＵＪꎬｅｔａｌ.Ａｎｏｖｅｌｃｏｍｂｉｎａｔｉｏｎｏｆｔｒｅｅ￣ｂａｓｅｄｍｏｄｅｌｉｎｇａｎｄｍｏｎｔｅｃａｒｌｏ
ｓｉｍｕｌａｔｉｏｎｆｏｒａｓｓｅｓｓｉｎｇｒｉｓｋｌｅｖｅｌｓｏｆｆｌｙｒｏｃｋｉｎｄｕｃｅｄｂｙ
ｍｉｎｅｂｌａｓｔｉｎｇ[Ｊ].ＮａｔｕｒａｌＲｅｓｏｕｒｃｅｓＲｅｓｅａｒｃｈꎬ２０２０ꎬ
３０(３):２２５￣２４３.
[４]㊀ＤＥＨＧＨＡＮＩＨꎬＳＨＡＦＡＧＨＩＭ.Ｐｒｅｄｉｃｔｉｏｎｏｆｂｌａｓｔ￣ｉｎｄｕｃｅｄｆｌｙｒｏｃｋｕｓｉｎｇｄｉｆｆｅｒｅｎｔｉａｌｅｖｏｌｕｔｉｏｎａｌｇｏｒｉｔｈｍ
[Ｊ].ＥｎｇｉｎｅｅｒｉｎｇｗｉｔｈＣｏｍｐｕｔｅｒｓꎬ２０１７ꎬ３３(１):１４９￣
１５８.
[５]㊀ＹＡＲＩＭꎬＢＡＧＨＥＲＰＯＵＲＲꎬＪＡＭＡＬＩＳꎬｅｔａｌ.Ｄｅｖｅ￣ｌｏｐｍｅｎｔｏｆａｎｏｖｅｌｆｌｙｒｏｃｋｄｉｓｔａｎｃｅｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｕｓｉｎｇ
ＢＰＮＮｆｏｒｐｒｏｖｉｄｉｎｇｂｌａｓｔｉｎｇｏｐｅｒａｔｉｏｎｓａｆｅｔｙ[Ｊ].Ｎｅｕｒａｌ
ＣｏｍｐｕｔｉｎｇａｎｄＡｐｐｌｉｃａｔｉｏｎｓꎬ２０１６ꎬ２７(３):６９９￣７０６. [６]㊀刘庆ꎬ张光权ꎬ吴春平ꎬ等.基于ＢＰ神经网络模型的爆破飞石最大飞散距离预测研究[Ｊ].爆破ꎬ２０１３ꎬ３０
(１):１１４￣１１８.
ＬＩＵＱꎬＺＨＡＮＧＧＱꎬＷＵＣＰꎬｅｔａｌ.Ｒｅｓｅａｒｃｈｏｎｍａ￣
ｘｉｍｕｍｄｉｓｔａｎｃｅｐｒｅｄｉｃｔｉｏｎｏｆｂｌａｓｔｆｌｙｒｏｃｋｂａｓｅｄｏｎＢＰ
ｎｅｕｒａｌｎｅｔｗｏｒｋ[Ｊ].Ｂｌａｓｔｉｎｇꎬ２０１３ꎬ３０(１):１１４￣１１８. [７]㊀陈建宏ꎬ彭耀ꎬ邬书良.基于灰色Ｅｌｍａｎ神经网络的爆破飞石距离预测研究[Ｊ].爆破ꎬ２０１５ꎬ３２(１):１５１￣１５６.
ＣＨＥＮＪＨꎬＰＥＮＧＹꎬＷＵＳＬꎬｅｔａｌ.Ｐｒｅｄｉｃｔｉｏｎｏｆｂｌａｓ￣
ｔｉｎｇｆｌｙｒｏｃｋｄｉｓｔａｎｃｅｂａｓｅｄｏｎＥｌｍａｎｎｅｕｒａｌｎｅｔｗｏｒｋ[Ｊ].
Ｂｌａｓｔｉｎｇꎬ２０１５ꎬ３２(１):１５１￣１５６.
[８]㊀ＧＵＯＨＱꎬＺＨＯＵＪꎬＫＯＯＰＩＡＬＩＰＯＯＲＭꎬｅｔａｌ.Ｄｅｅｐｎｅｕｒａｌｎｅｔｗｏｒｋａｎｄｗｈａｌｅｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍｔｏａｓｓｅｓｓ
ｆｌｙｒｏｃｋｉｎｄｕｃｅｄｂｙｂｌａｓｔｉｎｇ[Ｊ].ＥｎｇｉｎｅｅｒｉｎｇｗｉｔｈＣｏｍ￣
ｐｕｔｅｒｓꎬ２０２１ꎬ３７(４):１７３￣１８６.
[９]㊀ＺＨＯＵＪꎬＫＯＯＰＩＡＬＩＰＯＯＲＭꎬＭＵＲＬＩＤＨＡＲＢＲꎬｅｔａｌ.Ｕｓｅｏｆｉｎｔｅｌｌｉｇｅｎｔｍｅｔｈｏｄｓｔｏｄｅｓｉｇｎｅｆｆｅｃｔｉｖｅｐａｔｔｅｒｎ
ｐａｒａｍｅｔｅｒｓｏｆｍｉｎｅｂｌａｓｔｉｎｇｔｏｍｉｎｉｍｉｚｅｆｌｙｒｏｃｋｄｉｓｔａｎｃｅ
[Ｊ].ＮａｔｕｒａｌＲｅｓｏｕｒｃｅｓＲｅｓｅａｒｃｈꎬ２０２０ꎬ２９(１１):６２５￣
６３９.
[１０]㊀ＡＲＭＡＧＨＡＮＩＤＪꎬＫＯＯＰＩＡＬＩＰＯＯＲＭꎬＢＡＨＲＩＭꎬｅｔａｌ.ＡＳＶＲ￣ＧＷＯｔｅｃｈｎｉｑｕｅｔｏｍｉｎｉｍｉｚｅｆｌｙｒｏｃｋｄｉｓｔａｎｃｅ
ｒｅｓｕｌｔｉｎｇｆｒｏｍｂｌａｓｔｉｎｇ[Ｊ].ＢｕｌｌｅｔｉｎｏｆＥｎｇｉｎｅｅｒｉｎｇＧｅｏ￣
ｌｏｇｙａｎｄｔｈｅＥｎｖｉｒｏｎｍｅｎｔꎬ２０２０ꎬ７９(３):４３６９￣４３８５. [１１]㊀肖鹏ꎬ谢行俊ꎬ双海清ꎬ等.基于ＫＰＣＡ￣ＣＭＧＡＮＮ算法的瓦斯涌出量预测研究[Ｊ].中国安全科学学报ꎬ
２０２０ꎬ３０(５):３９￣４７.
ＸＩＡＯＰꎬＸＩＥＸＪꎬＳＨＵＡＮＧＨＱꎬｅｔａｌ.Ｐｒｅｄｉｃｔｉｏｎｏｆ
ｇａｓｅｍｉｓｓｉｏｎｑｕａｎｔｉｔｙｂａｓｅｄｏｎＫＰＣＡ￣ＣＭＧＡＮＮａｌｇｏ￣
ｒｉｔｈｍ[Ｊ].ＣｈｉｎａＳａｆｅｔｙＳｃｉｅｎｃｅＪｏｕｒｎａｌꎬ２０２０ꎬ３０(５):
３９￣４７.
[１２]㊀ＧＨＡＲＡＨＢＡＧＨＥＲＩＨꎬＩＭＴＩＡＺＳꎬＫＨＡＮＦ.Ｃｏｍｂｉ￣ｎａｔｉｏｎｏｆＫＰＣＡａｎｄｃａｕｓａｌｉｔｙａｎａｌｙｓｉｓｆｏｒｒｏｏｔｃａｕｓｅ
ｄｉａｇｎｏｓｉｓｏｆｉｎｄｕｓｔｒｉａｌｐｒｏｃｅｓｓｆａｕｌｔ[Ｊ].ＴｈｅＣａｎａｄｉａｎ
ＪｏｕｒｎａｌｏｆＣｈｅｍｉｃａｌＥｎｇｉｎｅｅｒｉｎｇꎬ２０１７ꎬ９５(８):１４９７￣
１５０９.
[１３]㊀ＲＯＯＰＡＨꎬＡＳＨＡＴ.ＦｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎｏｆｃｈｅｓｔＸ￣ｒａｙｉｍａｇｅｓａｎｄａｎａｌｙｓｉｓｕｓｉｎｇＰＣＡａｎｄＫＰＣＡ[Ｊ].Ｉｎｔｅｒｎａ￣
ｔｉｏｎａｌＪｏｕｒｎａｌｏｆＥｌｅｃｔｒｉｃａｌａｎｄＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇꎬ
２０１８ꎬ８(５):３３９２￣３３９８.
[１４]㊀毛志勇ꎬ黄春娟ꎬ路世昌ꎬ等.基于ＫＰＣＡ￣ＭＰＳＯ￣ＥＬＭ的矿井突水水源判别模型[Ｊ].中国安全科学学报ꎬ
２０１８ꎬ２８(８):１１１￣１１６.
ＭＡＯＺＹꎬＨＵＡＮＧＣＪꎬＬＵＳＣꎬｅｔａｌ.ＫＰＣＡ￣ＭＰＳＯ￣
ＥＬＭｂａｓｅｄｍｏｄｅｌｆｏｒｄｉｓｃｒｉｍｉｎａｔｉｏｎｏｆｍｉｎｅｗａｔｅｒｉｎ￣
ｒｕｓｈｓｏｕｒｃｅ[Ｊ].ＣｈｉｎａＳａｆｅｔｙＳｃｉｅｎｃｅＪｏｕｒｎａｌꎬ２０１８ꎬ
２８(８):１１１￣１１６.
[１５]㊀李鹏ꎬ常思婕.鲸鱼优化算法下气体泄漏源波达方向估计法[Ｊ].中国安全科学学报ꎬ２０２１ꎬ３１(３):１９￣２７.
ＬＩＰꎬＣＨＡＮＧＳＪ.ＤＯＡｍｅｔｈｏｄｏｆｇａｓｌｅａｋａｇｅｓｏｕｒｃｅ
ｂａｓｅｄｏｎＷＯＡ[Ｊ].ＣｈｉｎａＳａｆｅｔｙＳｃｉｅｎｃｅＪｏｕｒｎａｌꎬ
２０２１ꎬ３１(３):１９￣２７.
１５
２０２２年４月㊀㊀㊀㊀㊀㊀㊀㊀基于ＫＰＣＡ￣ＷＯＡ￣ＥＬＭ的爆破飞石距离预测㊀陈㊀资ꎬ等㊀㊀㊀㊀㊀㊀㊀㊀。