CN113553699B - 一种矿石爆破平均块度的预测方法 - Google Patents
一种矿石爆破平均块度的预测方法 Download PDFInfo
- Publication number
- CN113553699B CN113553699B CN202110722841.3A CN202110722841A CN113553699B CN 113553699 B CN113553699 B CN 113553699B CN 202110722841 A CN202110722841 A CN 202110722841A CN 113553699 B CN113553699 B CN 113553699B
- Authority
- CN
- China
- Prior art keywords
- blasting
- ore
- parameters
- prediction
- key
- 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.)
- Active
Links
- 238000005422 blasting Methods 0.000 title claims abstract description 180
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 239000011435 rock Substances 0.000 claims abstract description 10
- 238000004880 explosion Methods 0.000 claims description 15
- 239000002360 explosive Substances 0.000 claims description 15
- 230000014509 gene expression Effects 0.000 claims description 14
- 238000002474 experimental method Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000006835 compression Effects 0.000 claims description 5
- 238000007906 compression Methods 0.000 claims description 5
- 230000000903 blocking effect Effects 0.000 claims description 4
- 238000000611 regression analysis Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 16
- 230000000694 effects Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开一种矿石爆破平均块度的预测方法，涉及露天矿山爆破开采技术领域。可以在一定程度上增强矿石爆破平均块度的预测结果的准确性。所述矿石爆破平均块度，包括步骤：S10、获取确定的待爆破区域的爆破参数信息；S20、调用块度预测模型，基于所述爆破参数信息预测得到矿石爆破平均块度；其中，所述块度预测模型为根据历史爆破区域的爆破参数信息及爆破参数的量纲，利用量纲分析法建立，所述历史爆破区域与待爆破区域地质相近或相同。适用于预测矿石爆破平均块度、提高矿岩爆破质量的场景中。
Description
技术领域
本发明涉及露天矿山爆破开采技术领域。尤其是涉及一种矿石爆破平均块度的预测方法。
背景技术
矿石爆破块度分布预报是采矿科学中的重要研究内容。其中，矿石爆破块度模型作为矿石爆破块度研究的主要内容之一，对预测矿石块度分布、提高矿岩爆破质量具有重要意义。
目前常用的矿石爆破块度预测模型按照其理论和方法分为两类，理论模型和经验模型。而经验模型因其简单性和实现结果的快速性，被认为是矿石爆破平均块度预测的首选工具。目前常用的矿石爆破块度预测模型为KUZ-RAM模型和神经网络等算法方法构建的模型，由于建模方法的限制，能够考虑的爆破参数有限，因此利用KUZ-RAM模型和一些神经网络构建的预测模型得到的预测结果不是很准确。
发明内容
有鉴于此，本发明实施例提供一种矿石爆破平均块度的预测方法，可以在一定程度上增强矿石爆破平均块度的预测结果的准确性。
为达到上述目的，本发明的实施例采用如下技术方案：
本发明实施例提供一种矿石爆破平均块度的预测方法，包括步骤：S10、获取确定的待爆破区域的爆破参数信息；S20、调用块度预测模型，基于所述爆破参数信息预测得到矿石爆破平均块度；其中，所述块度预测模型为根据历史爆破区域的爆破参数信息及爆破参数的量纲，利用量纲分析法建立，所述历史爆破区域与待爆破区域地质相近或相同。
根据本发明实施例的一种具体实现方式，所述块度预测模型为根据历史爆破区域的爆破参数信息及爆破参数的量纲，利用量纲分析法建立包括：从历史爆破区域的爆破参数中选取影响爆破平均块度的多个关键爆破参数及其对应的量纲；所述多个关键爆破参数包括：炸药单耗q、单孔装药量Q、炮孔密集系数m、炮孔排数n、炮孔直径D、炮孔长度L、堵塞长度T、延期时间t、岩体系数A、弹性模量E、单轴压缩强度U、炸药相对威力S及平均块度尺寸X50；设定所述多个关键爆破参数之间的第一函数关系；选取单孔装药量、炮孔长度及延期时间三个关键爆破参数分别对应的量纲基本量纲，构建所述多个关键爆破参数对应的量纲矩阵；所述基本量纲为：质量、长度及时间；基于其余的关键爆破参数与上述三个关键爆破参数分别构建无量纲量函数；基于量纲齐次原则，根据所述无量纲量函数将所述第一函数关系转换成无量纲量齐次表达式；根据所述多个关键爆破参数的值解算所述无量纲量齐次表达式得到所述块度预测模型。
根据本发明实施例的一种具体实现方式，所述根据所述多个关键爆破参数的值解算所述无量纲量齐次表达式得到所述块度预测模型包括：根据所述多个关键爆破参数的值，解算所述无量纲量齐次表达式得到多个预测函数；其中，用软件DataFit9.0进行多元非线性回归分析,对所述多个预测函数进行拟合；其中，拟合结果中包括与每个预测函数对应的相关系数值，所述相关系数用R2表示，R2的范围为：0≤R2≤1；比较每个预测函数对应的相关系数值的大小，将最大的相关系数值对应的预测函数作为所述块度预测模型。
根据本发明实施例的一种具体实现方式，在得到所述块度预测模型之后，所述方法还包括：选定待爆破区域，开展爆破实验；在爆破实验开始前，利用所述块度预测模型获取爆破参数信息，基于所述爆破参数信息预测得到爆破区域内的矿石在爆破后的预测平均块度；在爆破之后，取样测得矿石在爆破后的实际平均块度；基于爆破后测得的实际平均块度与所述预测平均块度比较的结果确定所述块度预测模型的正确性。
根据本发明实施例的一种具体实现方式，所述在爆破之后，取样测得矿石在爆破后的实际平均块度包括：利用无人机航测矿山爆堆，获取矿山爆堆图像；用Smart 3D软件从所述矿山爆堆图像中获取爆堆三维形态，识别得到矿石爆破后的实际平均块度。
根据本发明实施例的一种具体实现方式，所述块度预测模型为
其中，a、b、c、d、e、f、g、h、i和j分别为常数。
本实施例提供的矿石爆破平均块度的预测方法，首先利用量纲分析法建立块度预测模型，然后获取确定的待爆破区域的爆破参数信息，最后调用块度预测模型，对矿石爆破平均块度进行预测。其中，量纲分析法能够处理多个相关变量未知数，所以块度预测模型能够将更多的关键爆破参数考虑在内。此外，块度预测模型根据与待爆破区域地质相近或相同的历史爆破区域的爆破参数信息建立，因为地质相近或相同，产生的矿石爆破实际块度相似，所以建立的块度预测模型预测待爆破区域的矿石爆破平均块度的预测结果的准确性比较高，从而可以在一定程度上增强矿石爆破平均块度的预测结果的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为本发明一实施例矿石爆破平均块度的预测方法的流程图。
具体实施方式
下面结合附图对本发明实施例进行详细描述。
应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
如图1所示，本发明实施例提供的矿石爆破平均块度的预测方法，包括步骤：
S10、获取确定的待爆破区域的爆破参数信息。
需要获取的爆破参数信息是块度预测模型涉及的多个关键爆破参数，包括：炸药单耗q、单孔装药量Q、炮孔密集系数m、炮孔排数n、炮孔直径D、炮孔长度L、堵塞长度T、延期时间t、岩体系数A、弹性模量E、单轴压缩强度U、炸药相对威力S。
在一些实施例中，例如待爆破区域与构建块度预测模型时所基于历史爆破区域的一些爆破参数，如岩体系数A，弹性模量E、单轴压缩强度U等地质参数几乎相同，在对待爆破区域进行爆破后矿石平均块度预测时，可以获取上述关键爆破参数中的部分参数，其余可以用预测模型中预设的关键爆破参数值。
S20、调用块度预测模型，基于所述爆破参数信息预测得到矿石爆破平均块度；其中，所述块度预测模型为根据历史爆破区域的爆破参数信息及爆破参数的量纲，利用量纲分析法建立，所述历史爆破区域与待爆破区域地质相近或相同。
矿石爆破块度，是指采用爆破等手段开采的矿石碎块的几何尺寸的大小。一般地，用于矿石爆破平均块度对矿石爆破块度的表征。
本实施例，首先利用量纲分析法建立块度预测模型，然后获取确定的待爆破区域的爆破参数信息，最后调用块度预测模型，对矿石爆破平均块度进行预测。其中，量纲分析法能够处理多个相关变量未知数，所以块度预测模型能够将更多的关键爆破参数考虑在内。此外，块度预测模型根据与待爆破区域地质相近或相同的历史爆破区域的爆破参数信息建立，因为地质相近或相同，产生的矿石爆破实际块度相似，所以建立的块度预测模型预测待爆破区域的矿石爆破平均块度的预测结果的准确性比较高，从而可以在一定程度上增强矿石爆破平均块度的预测结果的准确性。
本发明又一实施例，与上述实施例基本相同，不同之处在于，块度预测模型为根据历史爆破区域的爆破参数信息及爆破参数的量纲，利用量纲分析法建立包括：
S30、从历史爆破区域的爆破参数中选取影响爆破平均块度的多个关键爆破参数及其对应的量纲；所述多个关键爆破参数包括：炸药单耗q、单孔装药量Q、炮孔密集系数m、炮孔排数n、炮孔直径D、炮孔长度L、堵塞长度T、延期时间t、岩体系数A、弹性模量E、单轴压缩强度U、炸药相对威力S及平均块度尺寸X50。
影响矿石爆破平均块度的参数可分为：爆破设计参数、炸药参数和地质参数。但是其中一些参数是无法定量描述的，比如一些地质参数。因此这里根据工程经验选取了影响矿石爆破平均块度的的12个关键爆破参数用于构建预测模型。而目前常用的KUZ-RAM模型，只选取了有限的几个关键爆破参数进行的建模，因此本实施例提供的块度预测模型与KUZ-RAM模型相比，能够提供准确性更高的预测结果。其中，选取的12个关键爆破参数和平均块度尺寸及其对应的量纲参见表1。
表1
其中，量纲是指物理量的基本属性。物理量可分为基本量和导出量，基本量有7个，7个基本量的量纲分别用长度L，质量M，时间T，电流强度I，温度Θ，物质的量n和光强度J；导出量的量纲可以表示为基本量量纲组合。还有量纲为1的情况，量纲为1就是指无量纲，即物理量没有单位。
S40、设定多个关键爆破参数之间的第一函数关系。
具体地，第一函数关系为：f(q,Q,m,n,D,L,T,t,A,E,U,S,X50)＝0。
S50、选取单孔装药量、炮孔长度及延期时间三个关键爆破参数分别对应的量纲基本量纲，构建多个关键爆破参数对应的量纲矩阵；所述基本量纲为：质量、长度及时间。
单孔装药量、炮孔长度及延期时间三个关键爆破参数分别对应的量纲基本量纲为质量M、长度L和时间T。
结合表1所示关键爆破参数的量纲，构建关键爆破参数和平均块度尺寸对应的量纲矩阵如表2所示。
| Q | L | t | q | m | n | D | T | A | E | U | S | X50 | |
| 1 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 1 | 1 | 0 | 0 | M |
| 0 | 1 | 0 | -3 | 0 | 0 | 1 | 1 | 0 | -1 | -1 | 0 | 1 | L |
| 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | -2 | -2 | 0 | 0 | T |
表2
S60、基于其余的关键爆破参数与上述三个关键爆破参数分别构建无量纲量函数。
构建的无量纲量函数如下，
Π2＝m；Π3＝n；/>
Π9＝S；/>
/>
S70、基于量纲齐次原则，根据无量纲量函数将第一函数关系转换成无量纲量齐次表达式。
首先，将无量纲量函数带入第一函数关系，得到式1如下：
其次，显解参数，得到式2如下：
最后，等式转换，得到式3如下：
式3即为第一函数关系转换而成的无量纲量齐次表达式。其中，Ψ表示一个待求预测函数。
S80、根据多个关键爆破参数的值解算无量纲量齐次表达式得到块度预测模型。
多个关键爆破参数的值为历史爆破区域的爆破参数信息。具体地，从某一次历史爆破的爆破参数信息中选取多个关键爆破参数及当次历史爆破产生的矿石爆破实际块度为一组数据，从多次历史爆破的爆破参数信息中选取出多组数据。并将选取的多组数据输入软件DataFit9.0解算无量纲量齐次表达式得到预测函数Ψ，将Ψ带入式3就可以得到块度预测模型。
本发明又一实施例，与上述实施例基本相同，不同之处在于，根据多个关键爆破参数的值解算所述无量纲量齐次表达式得到所述块度预测模型包括：
S90、根据所述多个关键爆破参数的值，解算无量纲量齐次表达式得到多个预测函数。
由于选取的数据为多组，每组数据各不相同，所以得到多个预测函数。
S100、用软件DataFit9.0进行多元非线性回归分析,对所述多个预测函数进行拟合；其中，拟合结果中包括与每个预测函数对应的相关系数值，相关系数用R2表示，R2的范围为：0≤R2≤1。
相关系数属于拟合优度标准，所以，可以理解的是，拟合结果中还可以包括其他拟合优度标准，只要能够对预测函数的拟合效果进行评估即可。
S110、比较每个预测函数对应的相关系数值的大小，将最大的相关系数值对应的预测函数作为块度预测模型。
预测函数的预测结果的准确性与预测函数对应的相关系数值的大小呈正相关，因此选择相关系数值最大的预测函数作为块度预测模型。
本发明又一实施例，与上述实施例基本相同，不同之处在于，所述在得到块度预测模型之后，方法还包括：
S120、选定待爆破区域，开展爆破实验。
开展爆破试验是为了获得矿石爆破后的样本，由此能够测得矿石在爆破后的实际平均块度。
S130、在爆破实验开始前，利用块度预测模型获取爆破参数信息，基于爆破参数信息预测得到爆破区域内的矿石在爆破后的预测平均块度。
在一个例子中，爆破参数信息储存在一个数据库中，需要对矿石爆破块度进行预测时，将块度预测模型与数据库相连接，块度预测模型即可获取所需的关键爆破参数信息，由此预测矿石爆破平均块度。
S140、在爆破之后，取样测得矿石在爆破后的实际平均块度。
S150、基于爆破后测得的实际平均块度与预测平均块度比较的结果确定块度预测模型的正确性。
在一实施例中，所述在爆破之后，取样测得矿石在爆破后的实际平均块度包括：利用无人机航测矿山爆堆，获取矿山爆堆图像；用Smart 3D软件从所述矿山爆堆图像中获取爆堆三维形态，识别得到矿石爆破后的实际平均块度。
在一实施例中，所述块度预测模型为
其中，a、b、c、d、e、f、g、h、i和j分别为常数，其余参数的物理意义请参看前文。
通过开展爆破试验，基于爆破后测得的实际平均块度与块度预测模型的预测结果比较，最终确定
的拟合效果比较好。并且，在多次预测中发现，与KUZ-RAM模型相比，本方案得到的块度预测模型的预测结果更接近实际值。
本实施例，提出了一种矿石爆破平均块度的预测方法，该方法中所基于的量纲分析理论构建的预测模型，充分考虑了十余个影响矿石爆破平均块度的关键爆破参数，预测效果好，增强了预测结果的准确性；而且与现在流行的神经网络等算法方法相比较，除具有前述技术效果之外，预测效率较高；从而对提高矿岩爆破质量具有重要指导意义。
需要说明的是，在本文中，各个实施例之间描述的方案的侧重点不同，但是各个实施例又存在某种相互关联的关系，在理解本发明方案时，各个实施例之间可相互参照；另外，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (4)
1.一种矿石爆破平均块度的预测方法，其特征在于，所述方法包括步骤：
S10、获取确定的待爆破区域的爆破参数信息；
S20、调用块度预测模型，基于所述爆破参数信息预测得到矿石爆破平均块度；其中，所述块度预测模型为根据历史爆破区域的爆破参数信息及爆破参数的量纲，利用量纲分析法建立，所述历史爆破区域与待爆破区域地质相近或相同；
所述块度预测模型为根据历史爆破区域的爆破参数信息及爆破参数的量纲，利用量纲分析法建立包括：
从历史爆破区域的爆破参数中选取影响爆破平均块度的多个关键爆破参数及其对应的量纲；所述多个关键爆破参数包括：炸药单耗q、单孔装药量Q、炮孔密集系数m、炮孔排数n、炮孔直径D、炮孔长度L、堵塞长度T、延期时间t、岩体系数A、弹性模量E、单轴压缩强度U、炸药相对威力S及平均块度尺寸X50；
设定所述多个关键爆破参数之间的第一函数关系；
选取单孔装药量、炮孔长度及延期时间三个关键爆破参数分别对应的量纲基本量纲，构建所述多个关键爆破参数对应的量纲矩阵；所述基本量纲为：质量、长度及时间；
基于其余的关键爆破参数与上述三个关键爆破参数分别构建无量纲量函数；
基于量纲齐次原则，根据所述无量纲量函数将所述第一函数关系转换成无量纲量齐次表达式；
根据所述多个关键爆破参数的值解算所述无量纲量齐次表达式得到所述块度预测模型；
所述块度预测模型为
其中，a、b、c、d、e、f、g、h、i和j分别为常数。
2.根据权利要求1所述的预测方法，其特征在于，所述根据所述多个关键爆破参数的值解算所述无量纲量齐次表达式得到所述块度预测模型包括：
根据所述多个关键爆破参数的值，解算所述无量纲量齐次表达式得到多个预测函数；其中，
用软件DataFit9.0进行多元非线性回归分析,对所述多个预测函数进行拟合；其中，拟合结果中包括与每个预测函数对应的相关系数值，所述相关系数用R2表示，R2的范围为：0≤R2≤1；
比较每个预测函数对应的相关系数值的大小，将最大的相关系数值对应的预测函数作为所述块度预测模型。
3.根据权利要求2所述的预测方法，其特征在于，在得到所述块度预测模型之后，所述方法还包括：选定待爆破区域，开展爆破实验；
在爆破实验开始前，利用所述块度预测模型获取爆破参数信息，基于所述爆破参数信息预测得到爆破区域内的矿石在爆破后的预测平均块度；
在爆破之后，取样测得矿石在爆破后的实际平均块度；
基于爆破后测得的实际平均块度与所述预测平均块度比较的结果确定所述块度预测模型的正确性。
4.根据权利要求3所述的预测方法，其特征在于，所述在爆破之后，取样测得矿石在爆破后的实际平均块度包括：利用无人机航测矿山爆堆，获取矿山爆堆图像；
用Smart 3D软件从所述矿山爆堆图像中获取爆堆三维形态，识别得到矿石爆破后的实际平均块度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110722841.3A CN113553699B (zh) | 2021-06-28 | 2021-06-28 | 一种矿石爆破平均块度的预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110722841.3A CN113553699B (zh) | 2021-06-28 | 2021-06-28 | 一种矿石爆破平均块度的预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113553699A CN113553699A (zh) | 2021-10-26 |
| CN113553699B true CN113553699B (zh) | 2023-06-06 |
Family
ID=78102438
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110722841.3A Active CN113553699B (zh) | 2021-06-28 | 2021-06-28 | 一种矿石爆破平均块度的预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113553699B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN108304875A (zh) * | 2018-01-31 | 2018-07-20 | 中国科学院武汉岩土力学研究所 | 一种基于统计判别分类的爆破块度预测方法 |
| 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 |
| CN111814372A (zh) * | 2020-07-02 | 2020-10-23 | 大昌建设集团有限公司 | 一种联合数值计算和块度筛分的爆破块度控制方法 |
-
2021
- 2021-06-28 CN CN202110722841.3A patent/CN113553699B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN108304875A (zh) * | 2018-01-31 | 2018-07-20 | 中国科学院武汉岩土力学研究所 | 一种基于统计判别分类的爆破块度预测方法 |
| 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 |
| CN111814372A (zh) * | 2020-07-02 | 2020-10-23 | 大昌建设集团有限公司 | 一种联合数值计算和块度筛分的爆破块度控制方法 |
Non-Patent Citations (7)
| Title |
|---|
| 基于回归分析理论的爆破块度预测模型研究;周传波;爆破(第04期) * |
| 基于采场生产成本的梅岭露天矿爆破参数优化;赵华;;露天采矿技术(第04期) * |
| 姜达.《现代矿山爆破新技术与现场安全操作实务全书 第1册》.北京矿业大学出版社,2005,(第7-5028-3373-4版),第5章. * |
| 矿岩爆破破碎机理、块度分布与测量技术研究动态;吴亮;鲁帅;许锋;蔡路军;曾国伟;;金属矿山(第07期) * |
| 程潮铁矿采场生产成本的爆破参数优化;张强;许梦国;程爱平;王平;;爆破(第01期);1-5 * |
| 采石场爆破块度分区及块度预测研究;邢光武;郑炳旭;;地下空间与工程学报(第06期);1-4 * |
| 露天矿矿岩爆破质量预测与分析方法;张坤;;水泥工程(第04期) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113553699A (zh) | 2021-10-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Faramarzi et al. | A rock engineering systems based model to predict rock fragmentation by blasting | |
| Mousavi Nezhad et al. | Stochastic modelling of crack propagation in materials with random properties using isometric mapping for dimensionality reduction of nonlinear data sets | |
| US20130289953A1 (en) | Self-optimizing, inverse analysis method for parameter identification of nonlinear material constitutive models | |
| CN109255173B (zh) | 考虑区间不确定性的结构失效概率区间计算方法 | |
| CN111753467B (zh) | 矿产结果预测方法、装置、计算机设备及存储介质 | |
| Wang et al. | Determination of site-specific soil-water characteristic curve from a limited number of test data–A Bayesian perspective | |
| CN108959745B (zh) | 产品性能变化及寿命高置信度小样本统计推断和确认方法 | |
| CN114970396B (zh) | 一种考虑随机和认知不确定性的cfd模型修正方法 | |
| CN111859288A (zh) | 一种采空区自燃危险性预测方法 | |
| CN108710576B (zh) | 基于异构迁移的数据集扩充方法及软件缺陷预测方法 | |
| CN113360983B (zh) | 一种边坡可靠度分析与风险评估方法 | |
| CN110717689A (zh) | 一种露天矿矿岩台阶岩体可爆性分级评价方法 | |
| Liu et al. | Reliability analysis of face stability for tunnel excavation in a dependent system | |
| Wang et al. | Prediction of permeability using random forest and genetic algorithm model | |
| CN111079810A (zh) | 基于支持向量机的隧道围岩等级预测方法 | |
| Bakhtavar et al. | Toward predicting blast-induced flyrock: a hybrid dimensional analysis fuzzy inference system | |
| Aladejare et al. | Performance analysis of empirical models for predicting rock mass deformation modulus using regression and Bayesian methods | |
| CN115655612A (zh) | 一种隧道爆破装药结构识别记录方法、装置、设备及介质 | |
| CN114117873B (zh) | 基于重要性采样代理模型的复杂装备时变可靠性分析方法 | |
| CN113553699B (zh) | 一种矿石爆破平均块度的预测方法 | |
| CN113011053A (zh) | 一种基于性能裕量的结构确信可靠性分析方法及系统 | |
| Van Steenkiste et al. | Sensitivity analysis of expensive black-box systems using metamodeling | |
| Huang et al. | New Kriging methods for efficient system slope reliability analysis considering soil spatial variability | |
| CN114169193A (zh) | 基于gmm与em的堆积层滑坡失稳模式概率判识方法及系统 | |
| Alla et al. | Seismic Liquefaction Analysis of MCDM Weighted SPT Data Using Support Vector Machine Classification |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |