BP神经网络在爆破震动速度预测中的应用

338
BP 神经网络在爆破震动速度预测中的应用
■ 唐 威
[摘 要] 爆破震动的准确预测是确保工程爆破成功的前提，然而，爆破震动会受到爆破条件的复杂影响。

本文在分析爆破条件对爆破震动影响的基础上，利用BP 神经网络的高度非线性特性和强大学习能力，建立了爆破震动速度预测模型。

选用工程监测数据，对网络模型进行了训练和预测。

预测结果与实测数据具有较好的相关性，所建立的预测模型对爆破震动速度的预测具有较高的理论和应用价值。

[关键词] 爆破震动 BP 神经网络 预测
目前，爆破技术广泛应用于采矿、水电、交通及国民经济建设各领域，而爆破震动是工程爆破中不容忽视的重要问题，直接关系到爆破工程能否顺利进行。

智能算法具有强大的非线性处理能力，是新时代研究爆破震动参数预测的基础，国内外的学者在智能预测方面进行了广泛而深入的研究。

本文在分析爆破条件对爆破震动影响的基础上应用BP 神经网络对爆破震动速度进行预测。

一、 爆破条件对爆破震动的影响
目前，爆破条件对爆破震动的影响程度尚无定论，从系统工程的观点来看，爆破震动是一个多因素、多层次、多目标的复杂系统。

爆源因素和非爆源因素的共同作用决定了岩体爆破震动的强度，国内外的学者针对爆破条件对爆破震动的影响做了大量卓有成效的研究。

相关研究指出，最大段药量、爆心距和高差是影响爆破震动强度的最主要因素。

二、 BP 神经网络
1. BP 神经网络的原理
BP（Back-Propagation）神经网络是一种误差反向传递的多层前向网络。

本文采用典型的3层前馈型BP 神经网络的学习算法结构，如图1所示。

网络由输入层、隐含层和输出层组成，设其输入层、隐含层、输出层的神经元个数分别为m、h、n，各层的编号依次为LA、LB、LC，输入参数的数据以向量形式输入，相邻的神经元实行全连接。

2. 爆破震动速度预测的BP 神经网络模型 BP 神经网络模型的设计与构造主要有三项内容：输入参数、隐含层神经元个数和输出参数的确定。

（1）输入参数的确定
根据前文对影响爆破震动强度因素的分析可知，最大段药量Q m 、爆心距r、高差H 是影响爆破震动强度的最主要的因素，因此选取这3个参数作为输入参数。

（2）输出参数的确定
输出参量应与研究目的相结合，本文的输出参数为爆破震动速度。

（3）隐藏层单元数的确定
根据Kolmogorov 定理，输入层有3
个输入变量
，那么隐藏层将有7
个处理单元。

图1 BP 神经网络的学习算法
三、 BP 神经网络预测爆破震动速度的实验
本文引用了40组工程爆破中的实测数据，整理后的数据如表1所示；选用前30组数据对网络进行训练，用训练后的网络对后10组数据进行预测。

表1 爆破震动速度实测值
编号 最大段药量（kg） 爆心距（m） 高差（m） 实测震速
（cm/s） 1 178 26 1 3.86 2 123 58 3 0.47 3 178 68 21 0.62 4 1 381 67.7 -16.5 1.45 5 1 381 67.7 5.5 2.24 6 1 381 67.7 -5.5 1.80 7 170 21 16 8.23 8 170 36 12 2.18 9 2 680 80 2 2.36 10 1 560 78 16 2.18 11 1 870 95 24 1.86 12 126 45 6 0.91 13 1 450 78 12 1.90 14 1 450 78 -12 1.18 15 1 450 95 24 1.53 16 170 26 12 4.63 17 1 260 56 18 4.14 18 1 900 62 42 7.23 19 1 680 78 11 2.09 20 1 245 64 -6 1.87 21 670 68 12 1.44 22 621 32 10 7.49 23 78 35 2 1.04 24 1 256 67 16 2.62 25 1 200 65 4 2.14 26 1 250 68 14 2.42 27 2 640 78 21 3.61 28 2 340 78 11 2.70 29 1 287 54 16 4.40 30 78 54 1 0.37 31 145 34 2 1.80 32 1 680 69 34 4.38 33 1 200 65 12 2.51 34 1 500 67 18 3.13 35 1 320 78 11 1.73 36 1 450 67 14 2.81 37 92 67 -16 0.18 38 92 67 12 0.32 39 124 34 3 1.63 40
127
54
23
0.84
通过不同隐含层神经元个数的实验对比发现，隐含层的神经元个数设置为11时，网络的预测精度和收敛速度更高，因此，将隐含层的神经元个数改为11。

对比实验的训练和预测结果如图2、图3、图4
所示。

图2 隐含层有7
个神经元
图3 隐含层有11
个神经元
图4 隐含层含有13个神经元
表2为BP 神经网络预测结果和实测数据的对比，表中数据显示，除了第7组之外，神经网络模型预测的误差在10%左右，预测结果与实测数据具有较好的相关性。

然而第七组数据是由于其实测震速很小，所以其相对误差比较大，其绝对误差并不大。

表2 BP 神经网络预测结果与实测数据对比
编号
实测震速 预测结果 相对误差 1 1.80 1.71 -5.00% 2 4.38 4.38 0.00% 3 2.51 2.49 -0.80% 4 3.13 3.13 0.00% 5 1.73 1.77 2.31% 6 2.81 2.79 -0.71% 7 0.18 0.22 22.22% 8 0.32 0.35 9.37% 9 1.63 1.59 -2.45% 10
0.84
0.95
13.10%
五、 结语
通过上述理论分析和实验研究得到以下主要结论：
（1）应用BP 神经网络能够实现爆破震动速度的预测，且其预测精度较高。

（2）应用Kolmogorov 定理只能得到大概的隐
（下转第340页）
4. 卫东法制文化公园
公园位于河边，可达性强，空气质量较差，通风状况良好，靠近道路部分噪音较大，路面没有盲道，休息设施较多。

北段公园聚集人群明显较多，老年人群基本聚集在此，北段植物也较多，各种空间组合较为随意，空间舒适感较强。

设有一座卫生间，且距离较远，配点设施设置较为随意，道路公交站有2个。

晚上有广场舞及轮滑等活动。

南段公园有法制文化主题设施，景观小品设置较多，但休息设施不合理，极少有人在此停留，多为零散个人散步，设施毁坏状况较严重，植物分布不合理，造成空间感压抑，聚集人群不多。

整体水体质量不高，河道植物杂乱，垃圾较多。

七、 评价与问题
根据初步调查结果，整体上工人文化宫绿化状况较好，人群聚集和舒适度较好，法制公园北段空间舒适度也较高。

法制公园空间感是自然形成，并没有刻意规划，
但其和水体联系不大，且没有很好地利用亲水性给
人营造空间舒适度。

工人文化宫虽然整体较为舒适，但部分空间被
商业占用打断，且有废弃空间。

八、 结语
调查报告根据初步调查结果，粗略分析了几个
开放空间的老年人居状况，并对原因进行了简单分
析，初步得出工人文化宫的适老化状况较好，改建
工程效果良好，以及法治文化公园北段自然形成的
休闲空间舒适度较好的结果。

此调查结果较为粗略，
可以结合文献阅读和研究，再进一步分析和对比调
查对象。

可分析人工建设和自然形成的适老化空间
特点等方向。

参考文献
[1]周进，黄建中.城市公共空间品质评价指标体系
的探讨[J].建筑师，2003.
[2]楚纯洁，王孟洲，于长立.平顶山市矿区开放空
间景观生态规划与利用模式[J].湖北农业科学，
2011.
[3]郭子龙.河南省城市人居环境定量评价研究[J].
河南农业大学学报，2015.
[4]鲁迪.中原城市群生态宜居性评价[J].生态经
济：学术版，2012.
[5]鲁春阳.城市人居环境与经济发展的协调度评价
——以重庆都市区为例[J].西南大学学报：自然
科学版，2008.
[6]杨传俊.城市土地集约利用研究——以河南省平
顶山市为例[D].重庆：西南大学，2008.
[7]任玉龙.基于GIS的河南省人居环境自然适宜性
动态研究[D].重庆：西南大学，2015.
[8]李陈.中国城市人居环境评价研究[D].上海：华
东师范大学，2015.
（作者单位：湖北工业大学土木建筑与环境学院，
武汉 430068）
（上接第336页）
城市新的发展变化，形成新的景观意象与服务功能。

图4 社区潜力空间的组织关系重构示意图
（注：缺乏组织联系、孤立甚至闲置；结合场所特征寻找空间组织，确立新的组织关系；新的组织结构场所价值的改观；形成清晰的景观意象；持续驱动社区的整体空间品质的跨越与蜕变）
三、 结语
公明街道是珠三角一个典型的工业城镇，具有普遍的代表意义。

由于前期在规划及政策上的忽视
与放任，建设粗放，空间无序蔓延。

社区空间经受
着急剧的变化与冲击，呈现出高度的不稳定性状态。

在目前的发展背景下，试图实现短期内大规模
的拆建，将现状中低标准的建成区全部推倒重来似
乎不合时宜。

但若仅仅从“穿衣戴帽”的层面去简
单处理，往往刚刚整治完成的空间却又将马上面临
各种不确定的因素需要进行重新的改变，甚至是我
们所提供的“空间产品”实际上并不是当地居民所
喜欢和适用的，造成不少尴尬与无奈。

因此，本次
研究中更多的是采用了“自下而上”的视角，与当
地居民充分协商规划，了解他们的真实需求与愿景。

同时，在空间干预节点的选择上，充分发掘社区自
身肌理结构及场所特征，寻找一些稳定的、不确定
因数少的节点进行优先切入，并尝试提出了从热点
扩散、有机疏导、空间组织关系的重构等的不同角
度的空间改良逻辑及思路，期望通过“轻巧”“针灸
式”治疗，达到事半功倍的效果，为当地百姓带来
持续的效益与更优质的空间体验。

参考文献
[1]深圳市北京大学规划设计研究中心有限公司.公
明中心地区城市内涵及品质提升行动规划[Z].
（作者单位：深圳市新城市规划建筑设计有限公司）
（上接第337页）
五、 结语
总言之，BIM技术在房地产项目设计中的应用，建立参数化的协同、三维动态可视的模拟仿真和互动，使项目设计质量得到充分提高，可以让项目建筑信息在房地产项目生命周期的质量、进度、成本、安全的控制以及运营等各环节过程中进行共享和传递，使相关人员对项目建筑信息作出正确理解和高效应对。

能够在项目生命周期发挥重要作用。

最终让房地产项目开发提质增效。

参考文献
[1]中华人民共和国住房和城乡建设部.2011—2015
年建筑业信息化发展纲要[Z].2011．
[2]CIFE Center for In-tegrated Facility
Engineer-ing[EB/OL]．
[3]Eastman，C．，Teicholz，P．，Sacks，R．and
Liston，K.BIM Handbook：A Guideto Building
Information Modeling for Owners，Managers，
Designers，Engineers and Contractors[M].New
Jersey：John Wiley＆Sons，2008．
[4]罗能钧.“中国尊”项目BIM技术应用实践[J].
建筑技艺，2014(2).
[5]中国房地产业协会商业地产专业委员会，中国建
筑业协会工程建设质量分会，中国建筑学会工程
管理研究分会，等.中国工程建设BIM应用研究
报告[R].2011．
（作者单位：贵州久联集团房地产开发有限责任公
司，贵阳 550000）
（上接第338页）
含层神经元数目，实验中应对比不同隐含层神经元数目的预测精度，以寻求最佳的隐含层神经元数目。

（3）训练样本数据将会直接影响BP神经网络结构中权值和阈值，选用的样本数据要具有代表性。

参考文献
[1]王民寿，胡继生，杨兴国，等.小湾水电站地下
厂房硐室围岩爆破震动的动力特征[J].云南水力发电，2001，17(1)：35-39．
[2]刘起霞，孙进忠，张连城，等.青岛地铁工程爆
破震动效应分析[J].地震工程与工程震动，
1999，19(4)：118-123．
[3]Xiao guang Yue，Guang Zhang，Qing guo Ren，
etal.Re-search on Sustain-able Min-ing
Engineer-ing[J].Mechanics，2013.
[4]石崇.爆破地震效应分析与安全评价[D].青岛：
山东科技大学，2005.
[5]郭学彬，肖正学，肖旺新，等．爆破地震波的频
谱及测试系统的频响问题[A]//第七届工程爆破
学术会议论文集[C].乌鲁木齐：新疆青少年出版
社，2001.
[6]史秀志.爆破振动信号时频分析与爆破振动特征
参量和危害预测研究[D].长沙：中南大学，2007.
[7]徐全军，张庆明，恽寿榕.爆破地震峰值的神经
网络预报模型[J].北京理工大学学报，1998，
18(4)：472-475.
[8]孔宪军.基于mat lab的爆破震动研究及震动强
度的智能预测[D].青岛：山东科技大学，2006．
[9]龚声武，凌同华.爆破震速预测的模糊神经网络
模型及其应用[J].矿业研究与开发，2009，
29(2)：95-97.
（作者单位：佛山市代建项目管理中心）
340。