CN109102109A - 一种块石料开采爆破级配预测方法 - Google Patents
一种块石料开采爆破级配预测方法 Download PDFInfo
- Publication number
- CN109102109A CN109102109A CN201810787094.XA CN201810787094A CN109102109A CN 109102109 A CN109102109 A CN 109102109A CN 201810787094 A CN201810787094 A CN 201810787094A CN 109102109 A CN109102109 A CN 109102109A
- Authority
- CN
- China
- Prior art keywords
- gradation
- explosion
- exploitation
- model
- piece
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004880 explosion Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 40
- 239000004575 stone Substances 0.000 title claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 38
- 238000013528 artificial neural network Methods 0.000 claims abstract description 31
- 238000005422 blasting Methods 0.000 claims abstract description 25
- 230000002068 genetic effect Effects 0.000 claims abstract description 21
- 230000000694 effects Effects 0.000 claims abstract description 18
- 238000009826 distribution Methods 0.000 claims abstract description 12
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 238000010606 normalization Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 2
- 238000009412 basement excavation Methods 0.000 abstract description 6
- 230000015572 biosynthetic process Effects 0.000 abstract 1
- 238000003786 synthesis reaction Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 20
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 11
- 239000011435 rock Substances 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000011160 research Methods 0.000 description 8
- 210000000349 chromosome Anatomy 0.000 description 7
- 238000013467 fragmentation Methods 0.000 description 5
- 238000006062 fragmentation reaction Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000007812 deficiency Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005056 compaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000004035 construction material Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 239000010433 feldspar Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000010353 genetic engineering Methods 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Mining & Mineral Resources (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Marine Sciences & Fisheries (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种块石料开采爆破级配预测方法,包括以下步骤:步骤1:获取爆破效果影响因素作为输入参数,爆破级配分布指标作为输出参数,建立样本数据库;步骤2:建立BP神经网络;步骤3:通过遗传算法优化BP神经网络,形成GA‑BP模型;步骤4:通过步骤1的样本数据库对GA‑BP模型进行训练;步骤5:采用步骤4得到的模型进行块石料开采爆破级配预测;本发明综合两种算法的优点对爆破级配预测模型进行重组,建立爆破级配预测的GA‑BP模型;提升爆破级配预测模型的性能与精度;且算法本身具有自我学习、自我调整功能,模型适应性强,能够满足块石料爆破开采级配预测的工程应用要求。
Description
技术领域
本发明涉及爆破级配预测方法,具体涉及一种块石料开采爆破级配预测方法。
背景技术
随着我国水电事业的加速发展,国内大型水电工程逐渐向西南地区集中;受地形地质、建筑材料、施工条件等方面的限制,土石坝成为了重要的可选坝型;土石坝在建设的过程中,坝料的开采通常采用爆破施工、受节理裂隙等岩体结构面的影响,爆后石料级配很难达到设计要求,从而影响工程成本和大坝填筑的压实质量;节理岩体爆破级配的控制和预测研究已然成为工程的主要技术难点和重点;爆破施工普遍存在的问题如下:爆破参数选择与方案制定经验化;需进行大量爆破试验,费用昂贵;爆破级配达不到预期要求,影响大坝填筑质量;爆破级配预测方法也存在以下不完善之处:以经验公式为主,实用性差;基于均质岩体假设,与实际不符;集中在矿山领域,在水电工程中应用效果差;常规爆破级配预测方法很难满足堆石料、过渡料等块石料爆破级配的预测要求;预测模型的适应性差、运用范围有限、预测精度不高。
目前国内外对节理岩体爆破级配预测的研究主要集中在矿山领域,如:块度分布经验函数、大块率统计法、爆堆摄影与图像识别、爆前节理裂隙调查、Monte Carlo电算分析、神经网络、灰色理论、模糊数学等方法;已基本能够实现预测爆破岩块级配分布的目的;然而由于水电工程和矿山工程对爆破岩块的级配要求不同,水电工程中堆石料和过渡料的爆破开采强调的是破碎的不均匀性;需要严格控制级配的不均匀系数Cu和曲率系数CC;而矿山工程的爆破开采则更加强调爆后岩块的均匀性,需要严格控制级配的均匀性系数n,因此以上各种方法在水电工程中的应用效果并不理想,常常需要对其进行修正;现有的爆破级配预测模型多以经验公式为主,缺乏理论依据;理论推导公式在实际工程中又达不到预期的应用效果;岩体的不连续性以及内部结构的不可视性也给爆破级配预测带来极大的困难。
岩体的爆破过程十分复杂,影响岩体最终爆破效果的因素非常多,用来评价爆破效果的级配指标也很多,因此爆破参数与爆破效果之间是一种多因素和多指标的对应关系(汪学清,单仁亮.人工神经网络在爆破块度预测中的应用研究[J].岩土力学,2008,29(s1):529-532.);对于这种复杂的内在联系,目前无论是从理论上还是方法上,研究都远远不够;建立这种多因素与多指标之间的映射关系,进而实现对爆破级配的预测,是目前工程爆破上所急需解决的技术难题(祝文化,朱瑞赓,夏元友.爆破块度预测的神经网络方法研究[J].武汉理工大学学报,2001,23(1):60-62.张力民,王明,刘红岩.岩石爆破块度的数值流形方法预测[J].矿业研究与开发,2008(6):73-76.);近年来,随着人工神经网络在节理岩体爆破级配预测方面的成功应用,这种多因素与多指标之间的非线性映射关系有了可靠的解决方案(单仁亮,汪学清,高文蛟,等.人工神经网络在巷道爆破中的应用研究[J].岩石力学与工程学报,2007,26(supp.1):3322-3328.赵翔,郭小平,朴志友,等.BP神经网络在爆破块度预测中的应用研究[J].水泥技术,2015(1):36-39.王创业,张飞天,韩万东.基于神经网络的露天矿爆破参数优化研究[J].金属矿山,2011,40(3):57-59.)。
目前国内已有不少学者基于神经网络开展了堆石料、过渡料等大粒径筑坝材料爆破级配分布的预测研究,并取得一些研究成果;黄志辉(黄志辉.台阶爆破块度分布测定及其优化研究[D].泉州:华侨大学,2005.)结合沙县采石场台阶爆破开采实践,综合应用拍照摄影、图像识别和分形理论建立了求算爆堆级配组成的分形测试方法,通过BP神经网络来预测岩块的级配组成;高鸿(高鸿.露天台阶爆破块度分布预测模型研究及工程应用[D].安徽理工大学,2013.)结合宜春钽铌矿现场爆破生产作业,对影响爆破效果的主要因素进行分析,在此基础上引入了神经网络理论,把爆破参数和爆后块度分布分别作为网络的输入和输出层,建立了一个三层神经网络预测模型;祝文化等(祝文化,朱瑞赓,夏元友.爆破块度预测的神经网络方法研究[J].武汉理工大学学报,2001,23(1):60-62.)结合工程实践,建立了堆石料爆破开采级配预测的BP神经网络模型,并与传统的R-R、G-G-S等经验函数分布模型进行比较,分析级配预测模型的预测效果;然而,虽然神经网络具有高度的非线性映射功能,具有很强的自我学习能力和自我调整能力,但是算法本身仍然存在收敛速度慢和易陷于局部极小点等问题,使得级配预测模型的性能和预测精度存在很大的可提升空间;因此,如何改进神经网络模型,克服算法的缺点和不足,提升级配预测模型的性能成为工程上重点研究的技术难点;综上所述,现有的基于神经网络的爆破级配预测方法存在“收敛速度慢”和“易收敛于局部极小点”等问题。
发明内容
本发明提供一种具有全局性、计算效率高、可弥补神经网络算法的不足,提高级配预测模型的性能和预测精度的块石料开采爆破级配预测方法。
本发明采用的技术方案是:一种块石料开采爆破级配预测方法,包括以下步骤:
步骤1:获取爆破效果影响因素作为输入参数,爆破级配分布指标作为输出参数,建立样本数据库;
步骤2:建立BP神经网络;
步骤3:通过遗传算法优化BP神经网络,形成GA-BP模型;
步骤4:通过步骤1的样本数据库对GA-BP模型进行训练;
步骤5:采用步骤4得到的模型进行块石料开采爆破级配预测。
进一步的,所述步骤1建立的样本数据库中的数据进行归一化处理。
进一步的,所述步骤2中的BP神经网络包括输入层、隐含层和输出层。
进一步的,所述隐含层采用tansig函数激活,输出层采用purelin函数传递,训练采用traingdx函数。
进一步的,所述输入层节点数为8,隐含层节点数为12,输出层节点数为13。
进一步的,所述归一化过程如下:
式中:xi、xi'分别表示归一化前和归一化后的数据;xmax、xmin分别表示xi的最大值和最小值。
进一步的,所述归一化处理通过mapminmax函数进行。
进一步的,所述步骤5得到级配预测结果后通过mapminmax函数进行数据还原。
本发明的有益效果是:
(1)本发明采用遗传算法优化神经网络建立模型,具有全局性;
(2)本发明计算效率高,可以弥补神经网络算法本身的不足,提高级配预测模型的性能和预测精度;
(3)本发明计算误差小,实现了快速、精准、高效的级配预测。
附图说明
图1为本发明流程示意图。
图2为本发明中BP网络拓扑结构示意图。
图3为本发明BP网络建立流程示意图。
图4为本发明中遗传算法设计示意图。
图5为本发明实施例中GA-BP网络训练过程中的拟合残差。
图6为本发明实施例中GA-BP网络训练过程中的收敛曲线。
图7为本发明实施例中样本1级配预测结果示意图。
图8为本发明实施例中样本2级配预测结果示意图。
图9为本发明实施例中样本3级配预测结果示意图。
图10为本发明实施例中样本4级配预测结果示意图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步说明。
如图1-4所示,一种块石料开采爆破级配预测方法,包括以下步骤:
步骤1:获取爆破效果影响因素作为输入参数,爆破级配分布指标作为输出参数,建立样本数据库。
输入参数包括钻孔直径、孔距、排距、炮孔密集系数、堵塞长度Ld、装药长度Le、Ld/Le、炸药单耗等爆破效果影响因素作为模型的输入参数;选取各块度粒径尺寸的筛下累积百分含量和不均匀系数Cu、曲率系数Cc、分形维数D等爆破级配分布指标作为预测模型的输出参数,建立模型样本数据库,如表1所示。
表1.样本数据
对于样本数据库的数据,采用最大最小法进行归一化处理,其计算公式如下:
式中:xi、xi'分别表示归一化前和归一化后的数据;xmax、xmin分别表示xi的最大值和最小值。
在最后得到预测结果后,同样需要对结果进行还原处理;样本数据的归一化和还原处理都可以通过mapminmax函数来完成。
步骤2:建立BP神经网络;
具体过程如图2和图3所示,首先确定BP网络层数,网络设计为三层,包括输入层、隐含层和输出层;隐含层采用tansig函数激活,输出层采用purelin函数传递,训练采用traingdx函数;综合运用经验公式和试凑法确定模型隐含层所需节点数目;首先利用经验公式确定出隐含层节点数目的大致取值范围,然后通过不断的训练、对比和选择,实现最优效果;经过计算,最终确定输入层节点数为8,隐含层节点数为12,输出层节点数为13;因此GA-BP预测模型的拓扑结构为8-12-13,如图2所示。
步骤3:通过遗传算法优化BP神经网络,形成GA-BP模型;
具体过程如下:
(1)产生初始种群
鉴于GA-BP模型中采用的转移函数大多关于零点对称,因此为保证模型的计算速度和灵敏性,需要对GA-BP网络进行初始化处理;从而确保各个节点的净输入均分布于0周围;通常而言,初始值的分布域大多选为[-1,1]。
(2)计算个体适应度
GA-BP模型采用适应度来表示种群中个体的优良程度,网络运行后会输出模型预测值与样本真实值的误差,如果误差的平方和较小,则说明网络的性能较好,反之则说明网络权值与阈值组合的性能较差;因此,采用误差平方和的倒数作为GA算法中个体的评价函数:
式中:E为BP网络的输出误差。
(3)设计GA终止条件
GA算法的终止条件通常设定为“达到最大迭代次数”,如果不满足终止条件,则按照遗传算法继续计算,直到满足终止条件后退出,然后将GA算法的输出结果赋值给BP网络作为初始值进行微调,直到求得模型的最优解;本发明中最大迭代次数设定为200,在未达到最大迭代次数前执行GA算法,满足终止条件后开始执行BP网络,利用BP网络对GA算法找到的近似解进行修正和调整,直至求得模型的最优解结束。
(4)遗传操作设计
采用比例法对种群中的个体进行选择,其计算公式如下:
式中:N表示种群规模;Fn为个体的适应度;Ps表示个体n被选中并将其基因遗传至下一代的几率。
采用两点交叉法,随机抽取两个染色体作为父代进行杂交,经过基因片段的交换,从而产生新的染色体子代。
采用单点变异法,通过对原有的基因信息进行单点随机扰动,产生新的基因序列,并将其遗传至下一代。
不同的控制参数会对网络的运算性能产生较大的影响,经过对GA-BP算法进行不断调试,最终确定控制参数如下:编码长度L=277、种群规模N=100、交叉概率Pc=0.7、变异概率Pm=0.1。
步骤4:通过步骤1的样本数据库对GA-BP模型进行训练;
根据建立的GA-BP模型结构编写Matlab程序,以表1中的样本库为基础,对程序进行调试,其网络训练结果如图5和图6所示。
主要代码如下:
(1)模型参数
[input_train,inputps]=mapminmax(P1);
[output_train,outputps]=mapminmax(T1);
%测试数据归一化
input_test=mapminmax('apply',P2,inputps);
output_test=mapminmax('apply',T2,outputps);
[k11,k12]=size(input_train);%计算维数
inputnumber=k11;%输入维数
hiddenumber=12;%隐含神经元数
outputnumber=size(output_train,1);%输出维数;%输出维数
S=[hiddenumber*inputnumber,outputnumber*hiddenumber,hiddenumber*1,outputnumber*1];
indexM=S2indexMfun(S);
N=sum(S);%编码长度
tic;
[x0,ybptest]=myfun2();
bptime=toc;
%遗传算法参数
popsize=100;%遗传算法种群数
ga_max=200;%遗传算法迭代次数
PM=0.1;%变异概率
PC=0.7;%交叉概率
lb=-3*ones(1,N);
ub=3*ones(1,N);
(2)遗传算法开始
%性能跟踪
tic;
tracematga=zeros(ga_max,2);
gen=0;
Chrom=genChrome(popsize,N,lb,ub,x0);%建立种群
Value=decodingFun(Chrom,popsize);%解码染色体
(3)遗传算法优化
%进度条
wait_hand=waitbar(0,'running...','tag','TMWWaitbar');
while gen<ga_max
(4)遗传算法选择
FitnV=ranking(Value);%分配适应度值
Chrom=select('rws',Chrom,FitnV,1);%选择
Chrom=mutationGA(Chrom,popsize,PM,N,lb,ub);%种群变异,单点变异
Chrom=crossGA(Chrom,popsize,PC,N);%种群交叉,单点交叉
Value=decodingFun(Chrom,popsize);%解码染色体
(5)计算最优
[v1,index200]=min(Value);
gen=gen+1;
tracematga(gen,2)=mean(Value);
(6)记录最优
if gen==1
bestChrom1=Chrom(index200,:);%记录函数1的最优染色体
bestValue1=v1;%记录函数1的最优值
end
if bestValue1>v1
bestValue1=v1;%记录函数1的最优值
bestChrom1=Chrom(index200,:);
end
tracematga(gen,1)=bestValue1;%保留最优
waitbar(gen/ga_max,wait_hand);%每循环一次更新一次进步条
end
delete(wait_hand);%执行完后删除该进度条
%显示结果
disp('遗传算法优化得到的最优目标函数');
bestValue1
disp('遗传算法优化得到的最优染色体');
bestChrom1
gabptime=toc;%运行时间
figure;
plot(tracematga(:,1),'r-','linewidth',1);
legend({'种群最优值'},'fontname','宋体');
xlabel('迭代次数','fontname','宋体');
ylabel('目标函数','fontname','宋体');
title('遗传算法优化BP神经网络收敛曲线','fontname','宋体');
(7)以优化得到的权值阈值寻bp神经网络
x=bestChrom1;
[y,ygabptest,net]=myfun(x);
ygabptrain=sim(net,input_train);
ygabptrain=mapminmax('reverse',ygabptrain,outputps);%预测数据反归一化
[v1,ygabptrain]=max(ygabptrain);
ygabptest=sim(net,input_test);
ygabptest=mapminmax('reverse',ygabptest,outputps);%预测数据反归一化
步骤5:采用步骤4得到的模型进行块石料开采爆破级配预测;
网络训练好之后,随机选取几组数据作为模型的预测样本,通过对比预测值与真实值的误差大小来检验GA-BP模型的预测性能,计算结果如图7-图10,得到预测结果的各项指标如表2所示。
表2预测结果的各项指标
从图7-图10可以看出,GA-BP模型和BP模型的级配预测曲线均与实际级配曲线较为接近,说明级配预测效果良好;从表2可以看出,无论是对于不均匀系数Cu、曲率系数CC,还是分形维数D,GA-BP算法的拟合优度均大于BP算法的拟合优度;且GA-BP算法的均方误差、均方根误差、绝对百分比误差、平均绝对误差等参数均小于BP算法的相应计算结果;表明GA-BP模型的级配预测效果优于BP模型;因此将GA遗传算法用于优化BP神经网络可以达到较好的优化效果,提高块石料爆破开采级配预测的精度,为类似工程提供参考。
神经网络通过模拟生物神经元的思维和工作模式,建立输入参数与输出结果之间的映射关系,从而实现复杂数据的分析和处理;模型具有一定的学习能力和高度的非线性映射功能,但算法本身存在着“收敛速度慢”和“易收敛于局部极小点”等问题;而遗传算法,是一种综合遗传学和进化论等相关知识的随机搜索算法,通过父代染色体的随机交叉和自然变异方式产生后代;并根据适应度的大小对后代进行选择,最终找到问题的最优解;本发明鉴于遗传算法具有全局性,且计算效率高,可以弥补BP网络的不足,因此本发明综合两种算法的优点对爆破级配预测模型进行重组,建立爆破级配预测的GA-BP模型;利用GA遗传算法优化BP神经网络的权值和阈值,提升爆破级配预测模型的性能与精度;且算法本身具有自我学习、自我调整功能,模型适应性强,能够满足块石料爆破开采级配预测的工程应用要求。
Claims (8)
1.一种块石料开采爆破级配预测方法,其特征在于,包括以下步骤:
步骤1:获取爆破效果影响因素作为输入参数,爆破级配分布指标作为输出参数,建立样本数据库;
步骤2:建立BP神经网络;
步骤3:通过遗传算法优化BP神经网络,形成GA-BP模型;
步骤4:通过步骤1的样本数据库对GA-BP模型进行训练;
步骤5:采用步骤4得到的模型进行块石料开采爆破级配预测。
2.根据权利要求1所述的一种块石料开采爆破级配预测方法,其特征在于,所述步骤1建立的样本数据库中的数据进行归一化处理。
3.根据权利要求1所述的一种块石料开采爆破级配预测方法,其特征在于,所述步骤2中的BP神经网络包括输入层、隐含层和输出层。
4.根据权利要求3所述的一种块石料开采爆破级配预测方法,其特征在于,所述隐含层采用tansig函数激活,输出层采用purelin函数传递,训练采用traingdx函数。
5.根据权利要求3所述的一种块石料开采爆破级配预测方法,其特征在于,所述输入层节点数为8,隐含层节点数为12,输出层节点数为13。
6.根据权利要求2所述的一种块石料开采爆破级配预测方法,其特征在于,所述归一化过程如下:
式中:xi、xi'分别表示归一化前和归一化后的数据;xmax、xmin分别表示xi的最大值和最小值。
7.根据权利要求2所述的一种块石料开采爆破级配预测方法,其特征在于,所述归一化处理通过mapminmax函数进行。
8.根据权利要求1所述的一种块石料开采爆破级配预测方法,其特征在于,所述步骤5得到级配预测结果后通过mapminmax函数进行数据还原。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810787094.XA CN109102109A (zh) | 2018-07-16 | 2018-07-16 | 一种块石料开采爆破级配预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810787094.XA CN109102109A (zh) | 2018-07-16 | 2018-07-16 | 一种块石料开采爆破级配预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109102109A true CN109102109A (zh) | 2018-12-28 |
Family
ID=64846655
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810787094.XA Pending CN109102109A (zh) | 2018-07-16 | 2018-07-16 | 一种块石料开采爆破级配预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109102109A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110490890A (zh) * | 2019-08-21 | 2019-11-22 | 青岛科技大学 | 一种用神经网络进行高质量数字岩心图像处理的方法 |
CN110487683A (zh) * | 2019-08-14 | 2019-11-22 | 四川大学 | 基于颗粒形状的岩石爆炸破碎效率评价方法 |
CN111259601A (zh) * | 2020-01-16 | 2020-06-09 | 南华大学 | 基于随机ga-bp神经网络群的爆破块度预测方法、装置及介质 |
CN111523616A (zh) * | 2020-05-14 | 2020-08-11 | 中国铁道科学研究院集团有限公司铁道建筑研究所 | 基于卷积神经网络的粗粒土填料级配识别方法及应用系统 |
CN112036047A (zh) * | 2020-09-09 | 2020-12-04 | 中国葛洲坝集团易普力股份有限公司 | 基于开采加工全流程能耗分析的爆破参数动态设计方法 |
CN113361812A (zh) * | 2021-07-02 | 2021-09-07 | 中国水利水电第九工程局有限公司 | 一种矿料开采均质量化搭配控制方法 |
CN113569487A (zh) * | 2021-08-02 | 2021-10-29 | 昆明理工大学 | 一种基于bp神经网络预测台阶爆破抛掷效果的方法 |
CN114065475A (zh) * | 2021-09-30 | 2022-02-18 | 宏大爆破工程集团有限责任公司 | 一种按所需块度级配要求的台阶爆破参数优化设计方法 |
CN115630257A (zh) * | 2022-12-19 | 2023-01-20 | 中南大学 | 爆破漏斗体积预测方法 |
CN115908425A (zh) * | 2023-02-14 | 2023-04-04 | 四川大学 | 一种基于边缘检测的堆石级配信息检测方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102072922A (zh) * | 2009-11-25 | 2011-05-25 | 东北林业大学 | 基于粒子群优化神经网络模型的木材含水率检测方法 |
CN103077267A (zh) * | 2012-12-28 | 2013-05-01 | 电子科技大学 | 一种基于改进bp神经网络的参量声源建模方法 |
CN103729695A (zh) * | 2014-01-06 | 2014-04-16 | 国家电网公司 | 基于粒子群和bp神经网络的短期电力负荷预测方法 |
CN103778469A (zh) * | 2013-01-23 | 2014-05-07 | 辽宁工程技术大学 | 一种基于神经网络优化遗传算法的爆破方案选择方法 |
CN104390534A (zh) * | 2014-10-11 | 2015-03-04 | 同济大学 | 一种隧道光面爆破质量控制方法 |
CN104636802A (zh) * | 2013-11-14 | 2015-05-20 | 辽宁工程技术大学 | 一种基于改进遗传算法的爆破方案多准则选择方法 |
CN106326624A (zh) * | 2015-07-08 | 2017-01-11 | 中国石油化工股份有限公司 | 一种预测地层破裂压力的方法 |
CN106650052A (zh) * | 2016-12-06 | 2017-05-10 | 武汉长江仪器自动化研究所有限公司 | 一种基于人工神经网络的配料爆破参数智能设计方法 |
CN106681146A (zh) * | 2016-12-31 | 2017-05-17 | 浙江大学 | 基于bp神经网络和遗传算法的高炉多目标优化控制算法 |
CN107292051A (zh) * | 2017-07-07 | 2017-10-24 | 湘潭大学 | 一种硬质合金刀片化学机械抛光表面粗糙度的预测方法 |
-
2018
- 2018-07-16 CN CN201810787094.XA patent/CN109102109A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102072922A (zh) * | 2009-11-25 | 2011-05-25 | 东北林业大学 | 基于粒子群优化神经网络模型的木材含水率检测方法 |
CN103077267A (zh) * | 2012-12-28 | 2013-05-01 | 电子科技大学 | 一种基于改进bp神经网络的参量声源建模方法 |
CN103778469A (zh) * | 2013-01-23 | 2014-05-07 | 辽宁工程技术大学 | 一种基于神经网络优化遗传算法的爆破方案选择方法 |
CN104636802A (zh) * | 2013-11-14 | 2015-05-20 | 辽宁工程技术大学 | 一种基于改进遗传算法的爆破方案多准则选择方法 |
CN103729695A (zh) * | 2014-01-06 | 2014-04-16 | 国家电网公司 | 基于粒子群和bp神经网络的短期电力负荷预测方法 |
CN104390534A (zh) * | 2014-10-11 | 2015-03-04 | 同济大学 | 一种隧道光面爆破质量控制方法 |
CN106326624A (zh) * | 2015-07-08 | 2017-01-11 | 中国石油化工股份有限公司 | 一种预测地层破裂压力的方法 |
CN106650052A (zh) * | 2016-12-06 | 2017-05-10 | 武汉长江仪器自动化研究所有限公司 | 一种基于人工神经网络的配料爆破参数智能设计方法 |
CN106681146A (zh) * | 2016-12-31 | 2017-05-17 | 浙江大学 | 基于bp神经网络和遗传算法的高炉多目标优化控制算法 |
CN107292051A (zh) * | 2017-07-07 | 2017-10-24 | 湘潭大学 | 一种硬质合金刀片化学机械抛光表面粗糙度的预测方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110487683A (zh) * | 2019-08-14 | 2019-11-22 | 四川大学 | 基于颗粒形状的岩石爆炸破碎效率评价方法 |
CN110490890A (zh) * | 2019-08-21 | 2019-11-22 | 青岛科技大学 | 一种用神经网络进行高质量数字岩心图像处理的方法 |
CN111259601A (zh) * | 2020-01-16 | 2020-06-09 | 南华大学 | 基于随机ga-bp神经网络群的爆破块度预测方法、装置及介质 |
CN111523616A (zh) * | 2020-05-14 | 2020-08-11 | 中国铁道科学研究院集团有限公司铁道建筑研究所 | 基于卷积神经网络的粗粒土填料级配识别方法及应用系统 |
CN111523616B (zh) * | 2020-05-14 | 2021-01-29 | 中国铁道科学研究院集团有限公司铁道建筑研究所 | 基于卷积神经网络的粗粒土填料级配识别方法及应用系统 |
CN112036047A (zh) * | 2020-09-09 | 2020-12-04 | 中国葛洲坝集团易普力股份有限公司 | 基于开采加工全流程能耗分析的爆破参数动态设计方法 |
CN113361812A (zh) * | 2021-07-02 | 2021-09-07 | 中国水利水电第九工程局有限公司 | 一种矿料开采均质量化搭配控制方法 |
CN113569487A (zh) * | 2021-08-02 | 2021-10-29 | 昆明理工大学 | 一种基于bp神经网络预测台阶爆破抛掷效果的方法 |
CN113569487B (zh) * | 2021-08-02 | 2023-08-08 | 昆明理工大学 | 一种基于bp神经网络预测台阶爆破抛掷效果的方法 |
CN114065475A (zh) * | 2021-09-30 | 2022-02-18 | 宏大爆破工程集团有限责任公司 | 一种按所需块度级配要求的台阶爆破参数优化设计方法 |
CN115630257A (zh) * | 2022-12-19 | 2023-01-20 | 中南大学 | 爆破漏斗体积预测方法 |
CN115908425A (zh) * | 2023-02-14 | 2023-04-04 | 四川大学 | 一种基于边缘检测的堆石级配信息检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109102109A (zh) | 一种块石料开采爆破级配预测方法 | |
Karami et al. | Flow direction algorithm (FDA): a novel optimization approach for solving optimization problems | |
Jong et al. | State-of-the-art review of geotechnical-driven artificial intelligence techniques in underground soil-structure interaction | |
Zhou et al. | Forecasting of TBM advance rate in hard rock condition based on artificial neural network and genetic programming techniques | |
Chen et al. | Neuro-genetic, neuro-imperialism and genetic programing models in predicting ultimate bearing capacity of pile | |
Qi et al. | Comparative study of hybrid artificial intelligence approaches for predicting hangingwall stability | |
Yu et al. | An intelligent displacement back-analysis method for earth-rockfill dams | |
Kayadelen | Soil liquefaction modeling by genetic expression programming and neuro-fuzzy | |
CN110363344A (zh) | 基于miv-gp算法优化bp神经网络的概率积分参数预测方法 | |
Wang et al. | Machine learning approaches to rock fracture mechanics problems: Mode-I fracture toughness determination | |
Monjezi et al. | Optimization of open pit blast parameters using genetic algorithm | |
Dormishi et al. | Evaluation of gang saws’ performance in the carbonate rock cutting process using feasibility of intelligent approaches | |
CN104156782B (zh) | 面板堆石坝施工工期-质量-成本均衡优化方法 | |
Shaban et al. | Fuzzy-metaheuristic ensembles for predicting the compressive strength of brick aggregate concrete | |
Zhou et al. | Parameters inversion of high central core rockfill dams based on a novel genetic algorithm | |
Raji et al. | A new approach in well placement optimization using metaheuristic algorithms | |
Samimi Namin et al. | A new model for mining method selection of mineral deposit based on fuzzy decision making | |
Essam et al. | Approaches for BIM-based multi-objective optimization in construction scheduling | |
CN103077288A (zh) | 面向小样本试验数据的多元合金材料的软测量及其配方决策方法 | |
Zhang et al. | Surrogate-assisted multiobjective optimization of a hydraulically fractured well in a naturally fractured shale reservoir with geological uncertainty | |
Azadmehr et al. | An application of rock engineering system for assessment of the rock mass fragmentation: a hybrid approach and case study | |
Adoko et al. | Estimation of convergence of a high-speed railway tunnel in weak rocks using an adaptive neuro-fuzzy inference system (ANFIS) approach | |
CN111199298A (zh) | 基于神经网络的洪水预报方法与系统 | |
Xue et al. | PREDICTION OF SLOPE STABILITY BASED ON GA-BP HYBRID ALGORITHM. | |
Yi et al. | Spatial correlation-based machine learning framework for evaluating shale gas production potential: A case study in southern Sichuan Basin, China |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181228 |