CN104390534A - 一种隧道光面爆破质量控制方法 - Google Patents

Abstract

本发明涉及一种隧道光面爆破质量控制方法，包括以下步骤：1)根据隧道光面爆破质量影响因素获取控制指标；2)获取各影响因素的历史实测数据，并采用神经网络算法对历史实测数据进行训练建立样本模型；3)获取目标断面控制指标，采用所述样本模型对目标断面控制指标进行预测；4)多次调整目标断面控制指标，每次调整后采用所述样本模型对调整后的目标断面控制指标进行预测，并将各次预测结果与步骤3)中获得的预测结果进行比较；5)根据步骤4)的比较结果，采用最优控制方案对各控制指标进行控制。与现有技术相比，本发明具有便于操作、系统化强、实用性强等优点。

Description

一种隧道光面爆破质量控制方法

技术领域

本发明涉及隧道光面爆破技术，尤其是涉及一种隧道光面爆破质量控制方法。

背景技术

随着国民经济的快速发展和城市化建设的不断推进，我国建设了大量的公路、铁路及城市地铁隧道，已成为世界上隧道及地下工程最多、最复杂，发展最快的国家。

尽管如此，目前在隧道光面爆破设计与施工方面仍然存在一系列需要解决的问题：在设计方面，爆破的炮孔设计参数大多仍然按照经验公式和工程经验确定；在施工方面，施工队伍常常不按照设计图施工而只凭借自己的经验钻孔，随意调整爆破参数。这些问题经常造成爆破超欠挖，存在巨大的隐患。这不仅直接影响隧道的爆破质量，还影响隧道的围岩稳定性、初期的支护数量和永久支护的混凝土工程量，增加工程投资。

为了解决上述问题，就要对隧道爆破的整个过程进行分析，查找其中的薄弱环节和关键问题，然后对其薄弱环节进行研究和分析。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种便于操作、系统化强、实用性强的隧道光面爆破质量控制方法。

本发明的目的可以通过以下技术方案来实现：

一种隧道光面爆破质量控制方法，包括以下步骤：

1)根据隧道光面爆破质量影响因素获取控制指标；

2)获取各影响因素的历史实测数据，并采用神经网络算法对历史实测数据进行训练建立样本模型；

3)获取目标断面控制指标，采用所述样本模型对目标断面控制指标进行预测；

4)多次调整目标断面控制指标，每次调整后采用所述样本模型对调整后的目标断面控制指标进行预测，并将各次预测结果与步骤3)中获得的预测结果进行比较；

5)根据步骤4)的比较结果，采用最优控制方案对各控制指标进行控制。

所述的步骤1)中，隧道光面爆破质量影响因素包括地质因素、炸药参数、炮孔参数、爆破工艺和施工质量。

所述的步骤1)中，获取控制指标的方法包括专家打分法和层次分析法。

所述的步骤2)中，神经网络算法包括BP、ANFIS和ELMAN。

所述的步骤2)中，样本模型的输入为控制指标，输出包括炮孔利用率、超挖量、炮孔痕迹保存率。

所述的控制指标包括周边眼间距、最小抵抗线、单孔装药量和炮眼深度。

所述的步骤4)中，调整目标断面控制指标具体为：

对于周边眼间距、最小抵抗线和炮孔深度，调整范围为：调整0％，或者向上调整10％、15％、20％，或者向下调整10％、15％、20％；

对于单孔装药量，调整范围为：调整0％，或者向上调整1％、2％，或者向下调整1％、2％。

所述的步骤5)中，所述的最优控制方案为样本模型的预测输出与期望输出间的误差最小的方案。

本发明通过光面爆破质量控制方法，为之后的爆破提供改进的依据，以期达到爆破参数优化、降低造价同时又满足工程施工的目标，对于实际工程具有重要指导意义。与现有技术相比，本发明采用专家打分法和层次分析法相结合的方法获取控制指标，并采用多种神经网络算法进行建模，具有便于操作、系统化强、实用性强等优点。

附图说明

图1为本发明的流程示意图；

图2为实施例中专家打分法得到的光面爆破控制指标；

图3为实施例中采用的神经网络预测模型示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

如图1所示，本发明实施例提供一种隧道光面爆破质量控制方法，包括以下步骤：

在步骤101中，根据隧道光面爆破质量影响因素获取控制指标。隧道光面爆破质量影响因素包括地质因素、炸药参数、炮孔参数、爆破工艺和施工质量，如表1所示，具体包括围岩级别、节理发育程度、地下水影响、岩层层理厚度、泊松比、风化程度、岩体结构类型、地质构造影响、变形模量、抗压强度、摩擦感度、热感度、撞击感度、爆速、猛度、猛力、能量利用率、炸药组分、周边眼间距、总炮孔数目、炮孔间距、最小抵抗线、炮孔直径、炮孔深度、布孔方式、线装药密度、单孔装药量、不耦合系数、堵塞长度、装药结构、起爆顺序、起爆方法、起爆时差、单位炸药消耗量、外插角误差、开口位置误差、钻孔深度误差、人员素质、测量放线质量、管理水平、现场管理制度。

表1光面爆破质量影响因素集

获取控制指标的方法包括专家打分法和层次分析法。专家打分法是指由行业专家对表1中影响因素进行打分，50％以上专家均认为重要的作为控制指标，如图2所示，包括：围岩级别、泊松比、变形模量、周边眼间距、最小抵抗线、炮孔深度、线装药密度、单孔装药量、装药结构、外插角误差和测量放线长度。

层次分析法为已有分析方法，本发明利用该方法对表1中影响因素利用层次分析法对影响因素进行两两比较打分，选取权重比较大作为控制指标，如表2所示，包括：单孔装药量、周边眼间距、最小抵抗线、测量放线质量、线装药密度、围岩级别、泊松比、抗压强度、炮孔深度、外插角误差。

表2层次分析法所得光面爆破控制指标

指标	权重
		最小抵抗线	0.0798
周边眼间距	0.0733
		外插角误差	0.0606
测量放线质量	0.0549
		炮孔深度	0.0519
抗压强度	0.0408
		线装药密度	0.039
变形模量	0.0379
		泊松比	0.0368
单孔装药量	0.0361
		围岩级别	0.034

通过以上两种方法，选取两种方法中都选中的指标，其选择结果如表3所示。

表3控制指标对比选择

控制指标	专家打分法	层次分析法
			单孔装药量	√	√
周边眼间距	√	√
			最小抵抗线	√	√
测量放线质量	√	√
			线装药密度	√	√
围岩级别	√	√
			泊松比	√	√
抗压强度	√	√
			炮孔深度	√	√
装药结构	√
			外插角误差	√	√
变形模量		√

综合分析结果表明：单孔装药量、周边眼间距、最小抵抗线、测量放线质量、线装药密度、围岩级别、泊松比、抗压强度、炮孔深度、外插角误差这几个因素对光面爆破质量的影响比较大。

这些指标包括可调整指标和不可调整指标。其中单孔装药量、周边眼间距、最小抵抗线、炮孔深度这四个参数，是设计参数，在后续的爆破调整中，可以进行有针对性的修改。

围岩级别、泊松比、抗压强度这三个参数都是属于地质因素，虽然对光面爆破效果的影响比较大，但是其影响主要都在设计阶段，它们的作用是作为参照来确定设计参数，这几个参数是客观存在的，不能修改。除非在掘进过程中地质条件发生了很大变化，才会因此重新修改爆破参数，发生这种情况时，整个设计都需要修改，这已经不是控制的范畴，而是重新设计，不属于本发明讨论范围。

外插角误差，是属于施工方面的因素。在实际钻孔施工过程中，钻孔队往往不按施工图钻孔，钻孔时比较随意，造成钻孔质量和设计相差很大。这个因素的控制也不是设计方面的范围，而是施工管理的范围。要解决施工时的问题，需要现场进行质量控制，抓住问题的关键。必要时应进行技术培训，强化质量意识，通过物质、精神鼓励以及思想教育等提高工人的责任意识。

综上所述，在进行爆破质量控制时，设计方面主要对单孔装药量、周边眼间距、最小抵抗线、炮孔深度这四个参数进行调整优化。最终获取的控制指标包括单孔装药量、周边眼间距、最小抵抗线、炮孔深度、围岩级别和泊松比(也可加入抗压强度)。

在步骤102中，获取各影响因素的历史实测数据，并采用神经网络算法对历史实测数据进行训练建立样本模型。本实施例中，采用多种神经网络算法进行建模，包括BP、ANFIS和ELMAN神经网络。所建立的样本模型的输入包括单孔装药量、周边眼间距、最小抵抗线、炮孔深度、围岩级别和泊松比，输出包括炮孔利用率、超挖量、炮孔痕迹保存率。

在步骤103中，获取目标断面控制指标，采用所述样本模型对目标断面控制指标进行预测。结果如表4所示。

表4三种神经网络预测结果的比较

从表4中可以看出，BP神经网络在预测炮孔利用率和炮孔痕迹保存率时表现较好，ELMAN神经网络在预测炮孔利用率和超挖量时精度较高，ANFIS的预测结果中没有误差特别大的结果，也没有精度特别高的结果。其预测结果与训练样本和神经网络的结构算法有关，但均能满足实际工程需求。

在步骤104中，多次调整目标断面控制指标，每次调整后采用所述样本模型对调整后的目标断面控制指标进行预测，并将各次预测结果与步骤103中获得的预测结果进行比较。

本实施例中，调整目标断面控制指标具体为：

对于周边眼间距、最小抵抗线和炮孔深度，调整范围为：调整0％，或者向上调整10％、15％、20％，或者向下调整10％、15％、20％；

对于单孔装药量，调整范围为：调整0％，或者向上调整1％、2％，或者向下调整1％、2％。

在步骤105中，根据步骤104的比较结果，采用最优控制方案对各控制指标进行控制。最优控制方案为样本模型的预测输出与期望输出间的误差最小的方案，该方案需结合工程实际情况。本实施例根据三种神经网络获得各最优控制方案。BP神经网络所得控制方案为：将周边眼间距减小15％、单孔装药量减小1％、最小抵抗线增大20％；ANFIS神经网络所得控制方案为：将周边眼间距减小10％、单孔装药量减小1％、最小抵抗线增大15％ELMAN神经网络所得控制方案为：将周边眼间距减小20％、单孔装药量减小1％、最小抵抗线减小20％。

Claims (8)

1.一种隧道光面爆破质量控制方法，其特征在于，包括以下步骤：

1)根据隧道光面爆破质量影响因素获取控制指标；

2)获取各影响因素的历史实测数据，并采用神经网络算法对历史实测数据进行训练建立样本模型；

3)获取目标断面控制指标，采用所述样本模型对目标断面控制指标进行预测；

4)多次调整目标断面控制指标，每次调整后采用所述样本模型对调整后的目标断面控制指标进行预测，并将各次预测结果与步骤3)中获得的预测结果进行比较；

5)根据步骤4)的比较结果，采用最优控制方案对各控制指标进行控制。

2.根据权利要求1所述的一种隧道光面爆破质量控制方法，其特征在于，所述的步骤1)中，隧道光面爆破质量影响因素包括地质因素、炸药参数、炮孔参数、爆破工艺和施工质量。

3.根据权利要求1所述的一种隧道光面爆破质量控制方法，其特征在于，所述的步骤1)中，获取控制指标的方法包括专家打分法和层次分析法。

4.根据权利要求1所述的一种隧道光面爆破质量控制方法，其特征在于，所述的步骤2)中，神经网络算法包括BP、ANFIS和ELMAN。

5.根据权利要求1所述的一种隧道光面爆破质量控制方法，其特征在于，所述的步骤2)中，样本模型的输入为控制指标，输出包括炮孔利用率、超挖量、炮孔痕迹保存率。

6.根据权利要求1-5任一所述的一种隧道光面爆破质量控制方法，其特征在于，所述的控制指标包括周边眼间距、最小抵抗线、单孔装药量和炮眼深度。

7.根据权利要求6所述的一种隧道光面爆破质量控制方法，其特征在于，所述的步骤4)中，调整目标断面控制指标具体为：

对于周边眼间距、最小抵抗线和炮孔深度，调整范围为：调整0％，或者向上调整10％、15％、20％，或者向下调整10％、15％、20％；

对于单孔装药量，调整范围为：调整0％，或者向上调整1％、2％，或者向下调整1％、2％。

8.根据权利要求1所述的一种隧道光面爆破质量控制方法，其特征在于，所述的步骤5)中，所述的最优控制方案为样本模型的预测输出与期望输出间的误差最小的方案。