CN115630257A - 爆破漏斗体积预测方法 - Google Patents

爆破漏斗体积预测方法 Download PDF

Info

Publication number
CN115630257A
CN115630257A CN202211629158.6A CN202211629158A CN115630257A CN 115630257 A CN115630257 A CN 115630257A CN 202211629158 A CN202211629158 A CN 202211629158A CN 115630257 A CN115630257 A CN 115630257A
Authority
CN
China
Prior art keywords
blasting
funnel
representing
rock sample
segmentation
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.)
Granted
Application number
CN202211629158.6A
Other languages
English (en)
Other versions
CN115630257B (zh
Inventor
李地元
赵君杰
罗平框
余一松
马金银
苏晓丽
茹文凯
何啸
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central South University
Original Assignee
Central South University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Central South University filed Critical Central South University
Priority to CN202211629158.6A priority Critical patent/CN115630257B/zh
Publication of CN115630257A publication Critical patent/CN115630257A/zh
Application granted granted Critical
Publication of CN115630257B publication Critical patent/CN115630257B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F42—AMMUNITION; BLASTING
    • F42D—BLASTING
    • F42D3/00—Particular applications of blasting techniques
    • F42D3/04—Particular applications of blasting techniques for rock blasting
    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • 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)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Software Systems (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Algebra (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及预测方法，具体地涉及一种爆破漏斗体积预测方法，包括如下步骤：A）获取岩石试样的物理力学参数；B）从爆破现场获取实际漏斗爆破参数以及爆破之后的爆破漏斗体积V1，并结合所述物理力学参数构建数据库R；C）所述数据库R通过机器学习算法训练机器学习模型，获得相应的预测模型，从而获得所述预测模型的预测结果，取其平均值作为最终的爆破漏斗体积V2。本发明的爆破漏斗体积预测方法能够通过实验构建爆破漏斗体积预测模型，且预测精度高，工作量小，大大减少了实验的物力和人力的支出，有利于在实际爆破工程中寻求最优的爆破参数。

Description

爆破漏斗体积预测方法
技术领域
本发明涉及爆破预测方法，具体地，涉及一种爆破漏斗体积预测方法。
背景技术
爆破是一种利用炸药在空气、水、土石介质或物体中爆炸所产生的巨大能量而破坏某种物体原有结构的工程技术，在铁路、公路、水利水电和矿业等民用领域和国防建设中得到广泛地应用。
爆破技术是矿山破岩的重要方式，而岩体的基本力学属性对于爆破效果有着非常重要的影响，岩体的基本力学属性决定于岩体的内部结构特征，也就是说，不同结构特征的岩体，爆破对其所产生的变形和破坏规律是不同的。爆破岩体结构效应研究揭示了爆破岩体工程地质力学原理：岩体结构特征控制着爆破冲击波传播规律、爆破鼓包膨胀发育和鼓包内腔能量分配规律，控制着石体的变形和破坏规律、鼓包表面介质运动状态及爆破岩块的抛掷规律，控制着爆破裂隙的形成机制与发育规律、爆破漏斗的形状、岩块的大小，控制着爆破岩体的稳定性和渗漏问题，并且控制着爆破作用方向以及由此而产生的冲炮、欠爆和超爆等灾害性事故。
岩体是由岩石所组成，地壳中岩石的成因和种类不同，造成了其矿物成分和结晶结构的不同，因而，其物理力学性质也具有很大差别，因此，影响岩体的物理力学性质包括了物质组成特征和内部结构特征两方面。在相同的岩体结构的条件下，岩石种类不同，岩体的物理力学性质上存在一定的差别，例如：密度、容重、弹性波速度、波阻抗和强度等指标存在的差异性，这些差异会影响到爆破冲击波的传播规律和对岩体的破坏作用，从而影响到岩体爆破的单位耗药量。
一般而言，在特定矿岩条件下，不同性能的炸药和爆破参数所产生的爆破效果存在非常大的差异，当爆破参数设计不合理或药量过大时，会使岩石产生过度破坏，同时极易产生安全事故，当药量过少时，达不到预期的效果。因此，合理的爆破参数是矿山的爆破效果的关键之处。
在国外，学者对爆破参数的优化研究方面开展得较早。例如：有学者利用摄影和图像分析技术来优化爆破设计，通过分析爆破后矿岩的块度分布与矿山提升、运输系统效率的关系来优化爆破设计，提高矿山生产效率和降低成本；M.Monjezi等人利用人工神经网络来研究岩体的物理力学性质、炸药性质和孔网参数与露天爆破后冲的关系，然后用于优化爆破参数，减轻爆破后冲的影响并收到明显效果；T.K.Koh等人使用多重闪光成像技术来改善爆破块度的测量精度，避免了人工筛分的高强度作业，为优化爆破参数提供服务；Hyun-Jin Shim等人基于岩石因素的三维分布对大型采石场进行爆破设计优化等。
在现有技术中，在实际的爆破工程中爆破参数一般通过经验公式来确定，然而，由于各种因素的影响，经验公式确定爆破参数的方法具有较大的盲目性，从而使得实际的爆破效果经常与预期的目标相差较远，因此，需要在实验中研究爆破参数对爆破漏斗体积的影响。
有鉴于此，需要设计一种爆破漏斗体积预测方法。
发明内容
本发明所要解决的技术问题是提供一种爆破漏斗体积预测方法，该爆破漏斗体积预测方法能够通过实验构建爆破漏斗体积预测模型，且预测精度高，工作量小，大大减少了实验的物力和人力的支出，有利于在实际爆破工程中寻求最优的爆破参数。
为了解决上述技术问题，本发明提供一种爆破漏斗体积预测方法，包括如下步骤：
A）获取岩石试样的物理力学参数；
B）从爆破现场获取实际漏斗爆破参数以及爆破之后的爆破漏斗体积V1，并结合所述物理力学参数构建数据库R；
C）所述数据库R通过机器学习算法训练机器学习模型，获得相应的预测模型，从而获得所述预测模型的预测结果，取其平均值作为最终的爆破漏斗体积V2。
具体地，所述实际漏斗爆破参数包括炮孔孔径D、炮孔孔深H、炮孔间距A、装药线密 度CL、堵塞长度T，所述物理力学参数包括所述岩石试样的密度ρ、波速μ、单轴抗压强度
Figure 402974DEST_PATH_IMAGE001
、 单轴抗拉强度σt和粘聚力
Figure 225568DEST_PATH_IMAGE002
，所述物理力学参数的获取步骤分别如下：
A1）测量所述岩石试样的质量m和体积v，基于所述岩石试样的质量m和体积v，获取所述岩石试样的密度ρ，密度的计算公式如下：
Figure 400197DEST_PATH_IMAGE003
A2）获取所述岩石试样的波速μ，波速μ的计算公式如下：
Figure 469784DEST_PATH_IMAGE004
其中，h为所述岩石试样的高度，其单位为m，t为弹性波穿过所述岩石试样的时间，单位为s；
A3）进行单轴压缩实验，获取所述岩石试样的单轴抗压强度，单轴抗压强度的计算公式如下：
Figure 729864DEST_PATH_IMAGE005
其中，
Figure 339837DEST_PATH_IMAGE001
为单轴抗压强度，F1为破坏载荷，
Figure 907654DEST_PATH_IMAGE006
为岩石试样的受荷面积；
A4）进行巴西劈裂抗拉实验，获取所述岩石试样的单轴抗拉强度，单轴抗拉强度σt的计算公式如下：
Figure 148143DEST_PATH_IMAGE007
其中，F2为峰值载荷，D为岩石试样的直径，L为岩石试样的高度；
A5）基于单轴压缩实验，获取所述岩石试样的粘聚力
Figure 426677DEST_PATH_IMAGE002
，计算公式如下：
Figure 591074DEST_PATH_IMAGE008
Figure 271454DEST_PATH_IMAGE009
其中，θ为基于单轴压缩实验后的破坏后的所述岩石试样的破裂角度，
Figure 745160DEST_PATH_IMAGE010
为内摩擦 角度，
Figure 464986DEST_PATH_IMAGE001
为单轴抗压强度，
Figure 416761DEST_PATH_IMAGE002
为黏聚力。
优选地，所述岩石试样形成为圆柱体，尺寸为直径φ50×高度100 mm。
进一步地，所述机器学习算法包括随机森林回归算法、Adaboost回归算法、梯度增强回归算法和极限树回归算法中的一种或多种。
具体地，基于所述随机森林回归算法，获得随机森林预测模型，计算步骤包括：
C11）选取最佳的切分变量j和切分点s，所述切分变量j和所述切分点s将所述数据 库R划分为数据集
Figure 420489DEST_PATH_IMAGE011
和数据集
Figure 799518DEST_PATH_IMAGE012
，求出使数据集
Figure 6640DEST_PATH_IMAGE011
和数据集
Figure 762106DEST_PATH_IMAGE012
各自 集合的均方差最小同时数据集
Figure 620341DEST_PATH_IMAGE011
和数据集
Figure 435850DEST_PATH_IMAGE012
的均方差之和最小所对应的切分 变量j和切分点s，计算公式如下：
Figure 582797DEST_PATH_IMAGE013
其中，c1为S1数据集
Figure 624178DEST_PATH_IMAGE011
的样本输出均值，c2为S2数据集
Figure 336919DEST_PATH_IMAGE012
的样本输出 均值，
Figure 323330DEST_PATH_IMAGE011
和
Figure 754311DEST_PATH_IMAGE012
通过以下公式计算：
Figure 867892DEST_PATH_IMAGE014
Figure 435139DEST_PATH_IMAGE015
其中，x表示所有的特征变量：岩石试样的密度
Figure 592451DEST_PATH_IMAGE016
、波速
Figure 510729DEST_PATH_IMAGE017
、单轴抗压强度
Figure 896842DEST_PATH_IMAGE018
、单轴抗 拉强度
Figure 787437DEST_PATH_IMAGE019
、黏聚力
Figure 115651DEST_PATH_IMAGE002
、孔径
Figure 255645DEST_PATH_IMAGE020
、孔深
Figure 960296DEST_PATH_IMAGE021
、炮孔间距A、装药线密度
Figure 252868DEST_PATH_IMAGE022
以及堵塞长度
Figure 751982DEST_PATH_IMAGE023
，
Figure 644852DEST_PATH_IMAGE024
表示随 机选择切分的特征，
Figure 622035DEST_PATH_IMAGE025
表示切分点值，
Figure 772044DEST_PATH_IMAGE011
表示数据库R中对应切分的特征值小于等于随 机切分点
Figure 442059DEST_PATH_IMAGE026
的区域，
Figure 822225DEST_PATH_IMAGE012
表示数据库R中对应切分的特征值大于随机切分点
Figure 603099DEST_PATH_IMAGE026
的区域；
C12）计算选取的(j, s)的所划分的区域相应的输出值，计算公式如下：
Figure 870264DEST_PATH_IMAGE027
其中，
Figure 711181DEST_PATH_IMAGE028
表示
Figure 47484DEST_PATH_IMAGE029
或
Figure 632049DEST_PATH_IMAGE030
区域中样本的数量；
Figure 753720DEST_PATH_IMAGE031
表示划分出来的子区域
Figure 765539DEST_PATH_IMAGE029
和
Figure 589138DEST_PATH_IMAGE030
，即
Figure 524864DEST_PATH_IMAGE032
和
Figure 750309DEST_PATH_IMAGE033
；
Figure 136291DEST_PATH_IMAGE034
表示
Figure 712766DEST_PATH_IMAGE029
和
Figure 639134DEST_PATH_IMAGE030
中对应的真实的漏斗体积值
Figure 466888DEST_PATH_IMAGE035
；
Figure 86088DEST_PATH_IMAGE036
分别表示
Figure 884280DEST_PATH_IMAGE029
和
Figure 348759DEST_PATH_IMAGE030
中 输出的均值；
C13）将所述数据库R划分成M个子区域
Figure 299529DEST_PATH_IMAGE037
，建立最终的预测模型，预测模 型如公式（11）所示：
Figure 89630DEST_PATH_IMAGE038
其中，
Figure 109539DEST_PATH_IMAGE039
表示单位矩阵。
具体地，基于所述Adaboost回归算法，获得Adaboost预测模型，计算步骤包括：
C21）初始化权重。对所有样本Xi的权重均初始化为1/N，即
Figure 643288DEST_PATH_IMAGE040
,
Figure 448564DEST_PATH_IMAGE041
,
Figure 143988DEST_PATH_IMAGE042
，T表示循环迭代次数；
C22）循环迭代，t∈{1,2,…,T}，T表示循环迭代次数：
（1）在样本分布为Wt (Xi)的基础上，在训练集上训练弱分类器ht；
（2）计算弱分类器ht在训练集上的最大误差Et，计算公式如下：
Figure 916772DEST_PATH_IMAGE043
其中，ht (Xi )表示弱分类器ht对所有样本集Xi的预测结果，yi表示所有样本集Xi对应的目标值；
（3）计算ht对每个样本
Figure 988633DEST_PATH_IMAGE044
的相对误差，计算公式如下：
Figure 648416DEST_PATH_IMAGE045
（4）计算出当前弱分类器ht的误差率，计算公式如下：
Figure 780320DEST_PATH_IMAGE046
其中，
Figure 774821DEST_PATH_IMAGE047
表示每个变量对应的权重值；
（5）更新当前弱分类器ht的权重，计算公式如下：
Figure 650373DEST_PATH_IMAGE048
Figure 257389DEST_PATH_IMAGE049
Figure 294616DEST_PATH_IMAGE050
其中，
Figure 41992DEST_PATH_IMAGE051
表示弱分类器
Figure 455656DEST_PATH_IMAGE052
的权重系数，
Figure 90030DEST_PATH_IMAGE053
表示上次更新的样本点的权重，
Figure 298158DEST_PATH_IMAGE054
表示本次更新的样本点的权重，
Figure 267251DEST_PATH_IMAGE055
表示归一化因子。
C23）结束
Figure 484606DEST_PATH_IMAGE023
轮迭代，最终得到强回归器如下：
Figure 973487DEST_PATH_IMAGE056
其中，
Figure 618095DEST_PATH_IMAGE057
是所有
Figure 74484DEST_PATH_IMAGE058
的中位数，即所有弱学习器的加权输出结果的中位 数，
Figure 829950DEST_PATH_IMAGE059
。
具体地，基于所述梯度增强回归算法，获得梯度增强预测模型，计算步骤包括：
C31）初始化基学习器，如下所示：
Figure 438917DEST_PATH_IMAGE060
Figure 254427DEST_PATH_IMAGE061
其中，
Figure 932533DEST_PATH_IMAGE062
表示均方误差损失函数，在公式（19）中，
Figure 491690DEST_PATH_IMAGE063
为
Figure 952234DEST_PATH_IMAGE064
，
Figure 938644DEST_PATH_IMAGE064
为常量，表 示所有样本
Figure 369626DEST_PATH_IMAGE065
的目标值的均值；
C32）迭代：
（1）计算t次迭代的负梯度：
Figure 466895DEST_PATH_IMAGE066
Figure 784875DEST_PATH_IMAGE067
（2）利用（
Figure 942186DEST_PATH_IMAGE068
）
Figure 594885DEST_PATH_IMAGE069
，得到第
Figure 495845DEST_PATH_IMAGE070
颗回归树，对应的叶节点区域为
Figure 933910DEST_PATH_IMAGE071
：
Figure 262123DEST_PATH_IMAGE072
（3）对叶结点区域
Figure 402118DEST_PATH_IMAGE073
，计算最佳拟合值：
Figure 841189DEST_PATH_IMAGE074
（4）更新强学习器：
Figure 133762DEST_PATH_IMAGE075
C33）得到最终的强回归学习器：
Figure 898455DEST_PATH_IMAGE076
其中，
Figure 525746DEST_PATH_IMAGE077
表示对损失函数求偏导，
Figure 768508DEST_PATH_IMAGE078
为叶子节点的个数。
具体地，基于极限树回归算法，获得极限树预测模型，计算步骤包括：
C41）随机选取切分变量j’和切分点s’，通过该切分变量j’和该切分点s’将所述数 据库R划分为数据集
Figure 633696DEST_PATH_IMAGE079
和数据集
Figure 57374DEST_PATH_IMAGE080
区域并决定相应的输出值：
Figure 906381DEST_PATH_IMAGE081
Figure 952835DEST_PATH_IMAGE082
Figure 734846DEST_PATH_IMAGE083
其中，x表示所有的特征变量：岩石的密度
Figure 326495DEST_PATH_IMAGE016
、波速
Figure 866061DEST_PATH_IMAGE017
、单轴抗压强度
Figure 450626DEST_PATH_IMAGE018
、单轴抗拉强 度
Figure 821565DEST_PATH_IMAGE019
、黏聚力
Figure 833383DEST_PATH_IMAGE002
、孔径
Figure 938873DEST_PATH_IMAGE020
、孔深
Figure 61550DEST_PATH_IMAGE021
、炮孔间距A、装药线密度
Figure 552574DEST_PATH_IMAGE022
以及堵塞长度
Figure 938556DEST_PATH_IMAGE023
；
Figure 249452DEST_PATH_IMAGE084
表示随机 选择切分的特征；
Figure 926552DEST_PATH_IMAGE085
表示随机切分点值；
Figure 537662DEST_PATH_IMAGE079
表示所有数据集中对应切分的特征值小 于等于随机切分点
Figure 891283DEST_PATH_IMAGE085
的区域；同理
Figure 689475DEST_PATH_IMAGE080
表示所有数据集中对应切分的特征值大于随机 切分点
Figure 622796DEST_PATH_IMAGE086
的区域；
Figure 570635DEST_PATH_IMAGE028
表示
Figure 95158DEST_PATH_IMAGE029
或
Figure 380646DEST_PATH_IMAGE030
区域中样本的数量；
Figure 179974DEST_PATH_IMAGE031
表示划分出来的子区域
Figure 985250DEST_PATH_IMAGE029
和
Figure 680674DEST_PATH_IMAGE030
， 即
Figure 656720DEST_PATH_IMAGE087
和
Figure 728581DEST_PATH_IMAGE088
；
Figure 637632DEST_PATH_IMAGE044
代表每个样本；
Figure 785847DEST_PATH_IMAGE034
表示
Figure 780348DEST_PATH_IMAGE089
和
Figure 859163DEST_PATH_IMAGE090
中对应的真实漏斗体积值
Figure 622719DEST_PATH_IMAGE091
；
Figure 925525DEST_PATH_IMAGE092
分 别表示
Figure 158054DEST_PATH_IMAGE029
和
Figure 368455DEST_PATH_IMAGE030
中输出的均值；
C42）将输入空间划分M个子区域
Figure 252098DEST_PATH_IMAGE037
，生成最终的决策树，公式如下：
Figure 467748DEST_PATH_IMAGE038
其中，m=1,2,…,M，
Figure 436841DEST_PATH_IMAGE039
表示单位矩阵。
进一步地，基于所述随机森林回归算法、所述Adaboost回归算法、所述梯度增强回归算法和所述极限树回归算法，获得四种预测模型，采用均方根误差RMSE和决定性系数R2作为评判准则，取RMSE最小，并且R2最大时，所对应的模型为最佳模型，评判准则的计算公式如下：
Figure 857458DEST_PATH_IMAGE093
Figure 595607DEST_PATH_IMAGE094
其中，
Figure 240215DEST_PATH_IMAGE095
表示真实的爆破漏斗体积目标值，
Figure 447336DEST_PATH_IMAGE096
表示预测模型预测的爆破漏斗体积，
Figure 202803DEST_PATH_IMAGE097
表示所有真实目标值的平均值，N表示模型训练时所用的数据量。
进一步地，获得四个最佳模型，取四个最佳模型的预测结果的平均值作为最终的爆破漏斗体积V2。
通过上述技术方案，在本发明所提供的爆破漏斗体积预测方法，主要包括以下步骤：
首先，通过物理实验获得岩石试样的物理力学参数，物理实验包括单轴压缩实验和巴西劈裂抗拉实验等，从爆破现场直接获取爆破参数，结合物理力学参数和爆破参数构建通过机器学习算法训练机器学习模型的数据库，机器学习算法包括随机森林回归算法、Adaboost回归算法、梯度增强回归算法和极限树回归算法。
其次，基于构建的数据库，通过随机森林回归算法、Adaboost回归算法、梯度增强回归算法和极限树回归算法四种机器学习算法来回归预测，从而构建四种爆破漏斗体积预测模型。
最后，通过均方误差根和R2分别确定每种爆破漏斗体积预测模型的最优模型，并将四种最优模型的预测结果的平均值作为最终爆破漏斗体积的输出值。
本发明所提供的爆破漏斗体积预测方法将物理实验和人工智能方法相结合，能够构建爆破漏斗体积预测模型，大大减少了实验的工作量以及物力和人力的支出，通过均方误差根和R2分别确定最优模型，充分保障了爆破漏斗体积预测的精度、预测模型的鲁棒性和可靠性，便于在实际爆破工程中寻求最优的爆破参数，从而提高爆破效果。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：
图1是本发明的爆破漏斗体积预测方法的步骤图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
如图1所示，作为本发明爆破漏斗体积预测方法的一个实施例，该方法包括如下步骤：
A）获取岩石试样的物理力学参数；
B）从爆破现场获取实际漏斗爆破参数以及爆破之后的爆破漏斗体积V1，并结合物理力学参数构建数据库R；
C）数据库R通过机器学习算法训练机器学习模型，获得相应的预测模型，从而获得预测模型的预测结果，取其平均值作为最终的爆破漏斗体积V2。
在本发明的上述基本实施例当中，本发明的爆破漏斗体积预测方法是一种基于机器学习的预测方法。机器学习属于人工智能领域，是一种工程方法，可以理解为，机器学习是指计算机从数据中学习并训练获得数学模型，从而利用该数学模型对未来进行预测以及做出决策，它能够通过数据和经验自动改进自身的性能。换句话说，机器学习是计算机利用学习算法对数据进行分析，并从中学习以获得对新数据进行预测或做出决定的能力，需要说明的是，从数据中学得的结果可以称为模型，也可以称为学习器。通过执行某个机器学习算法从而能够从数据中学得模型的过程称为学习或训练，因此，可以知道，机器学习算法是指在计算机上从数据中产生模型的算法，它是一类通过分析数据并从中获得规律，能够通过该规律对未知数据进行预测的方法。
通过以上描述可知，获得数据是进行机器学习的首要条件。在本发明的技术方案中，数据包括岩石试样的物理力学参数、从爆破现场获取的实际漏斗爆破参数和爆破之后的爆破漏斗体积V1，将物理力学参数、从爆破现场获取的实际漏斗爆破参数和爆破之后的爆破漏斗体积V1的集合称为数据库R，其中，岩石试样的物理力学参数可以通过物理力学实验获得。基于数据库R和机器学习算法，能够产生用于预测的预测模型，预测模型可以是一个或多个，多个预测模型对应多个预测结果，将多个预测结果的平均值作为最终预测结果，本发明中的最终预测结果为最终的爆破漏斗体积V2。
具体地，实际漏斗爆破参数包括炮孔孔径D、炮孔孔深H、炮孔间距A、装药线密度 CL、堵塞长度T，物理力学参数包括岩石试样的密度ρ、波速μ、单轴抗压强度
Figure 61037DEST_PATH_IMAGE001
、单轴抗拉强 度σt和粘聚力
Figure 876547DEST_PATH_IMAGE002
，物理力学参数的获取步骤分别如下：
A1）测量岩石试样的质量m和体积v，基于岩石试样的质量m和体积v，获取岩石试样的密度ρ，密度的计算公式如下：
Figure 570964DEST_PATH_IMAGE003
A2）获取岩石试样的波速μ，波速μ的计算公式如下：
Figure 130121DEST_PATH_IMAGE004
其中，h为岩石试样的高度，其单位为m，t为弹性波穿过岩石试样的时间，单位为s；
A3）进行单轴压缩实验，获取岩石试样的单轴抗压强度，单轴抗压强度的计算公式如下：
Figure 46125DEST_PATH_IMAGE005
其中，
Figure 32535DEST_PATH_IMAGE001
为单轴抗压强度，F1为破坏载荷，
Figure 197938DEST_PATH_IMAGE006
为岩石试样的受荷面积；
A4）进行巴西劈裂抗拉实验，获取岩石试样的单轴抗拉强度，单轴抗拉强度σt的计算公式如下：
Figure 45939DEST_PATH_IMAGE007
其中，F2为峰值载荷，D为岩石试样的直径，L为岩石试样的高度；
A5）基于单轴压缩实验，获取岩石试样的粘聚力
Figure 878766DEST_PATH_IMAGE002
，计算公式如下：
Figure 36078DEST_PATH_IMAGE098
Figure 954355DEST_PATH_IMAGE009
其中，θ为基于单轴压缩实验后的破坏后的岩石试样的破裂角度，
Figure 603118DEST_PATH_IMAGE010
为内摩擦角 度，
Figure 290451DEST_PATH_IMAGE001
为单轴抗压强度，
Figure 821926DEST_PATH_IMAGE002
为黏聚力。
在上述的物理实验当中，岩石试样的质量m可以采用电子秤进行称重获得，岩石试样的体积v可以采用游标卡尺进行测量获得，岩石试样的波速μ可以采用波速仪进行测量获得。
优选地，岩石试样可以加工成标准的圆柱体形状，尺寸为φ50×100 mm，其中，50表示直径，100表示高度，以便于单轴压缩实验和巴西劈裂抗拉实验等物理实验的进行。
进一步地，在本发明的优选实施方式中，机器学习算法包括随机森林回归算法（RFR）、Adaboost回归算法（ABR）、梯度增强回归算法（GBR）和极限树回归算法（ETR）中的一种或多种。需要说明的是，回归属于机器学习任务的类别之一，除此以外，常见的机器学习任务还有分类和聚类等，回归算法是一种预测算法，采用回归算法对数据进行解析能够研究自变量和因变量之间的关系。
具体地，基于随机森林回归算法（RFR），获得相应的随机森林预测模型，计算步骤包括：
C11）选取最佳的切分变量j和切分点s，所述切分变量j和所述切分点s将所述数据 库R划分为数据集
Figure 961921DEST_PATH_IMAGE011
和数据集
Figure 666572DEST_PATH_IMAGE012
，求出使数据集
Figure 959144DEST_PATH_IMAGE011
和数据集
Figure 458258DEST_PATH_IMAGE012
各自 集合的均方差最小同时数据集
Figure 288811DEST_PATH_IMAGE011
和数据集
Figure 531574DEST_PATH_IMAGE012
的均方差之和最小所对应的切分 变量j和切分点s，计算公式如下：
Figure 927920DEST_PATH_IMAGE013
其中，c1为S1数据集
Figure 614247DEST_PATH_IMAGE011
的样本输出均值，c2为S2数据集
Figure 728834DEST_PATH_IMAGE012
的样本输出 均值，
Figure 978549DEST_PATH_IMAGE011
和
Figure 229402DEST_PATH_IMAGE012
通过以下公式计算：
Figure 70319DEST_PATH_IMAGE099
Figure 688514DEST_PATH_IMAGE100
其中，x表示所有的特征变量：岩石试样的密度
Figure 273079DEST_PATH_IMAGE016
、波速
Figure 644017DEST_PATH_IMAGE017
、单轴抗压强度
Figure 859098DEST_PATH_IMAGE018
、单轴抗 拉强度
Figure 948277DEST_PATH_IMAGE019
、黏聚力
Figure 824615DEST_PATH_IMAGE002
、孔径
Figure 315640DEST_PATH_IMAGE020
、孔深
Figure 763939DEST_PATH_IMAGE021
、炮孔间距A、装药线密度
Figure 74834DEST_PATH_IMAGE022
以及堵塞长度
Figure 204464DEST_PATH_IMAGE023
，
Figure 300727DEST_PATH_IMAGE024
表示随 机选择切分的特征，
Figure 919927DEST_PATH_IMAGE025
表示切分点值，
Figure 718119DEST_PATH_IMAGE011
表示数据库R中对应切分的特征值小于等于随 机切分点
Figure 448178DEST_PATH_IMAGE025
的区域，
Figure 398947DEST_PATH_IMAGE012
表示数据库R中对应切分的特征值大于随机切分点
Figure 126732DEST_PATH_IMAGE025
的区域；
C12）计算选取的(j, s)的所划分的区域相应的输出值，计算公式如下：
Figure 412220DEST_PATH_IMAGE027
其中，
Figure 945969DEST_PATH_IMAGE028
表示
Figure 513DEST_PATH_IMAGE029
或
Figure 712248DEST_PATH_IMAGE030
区域中样本的数量；
Figure 688294DEST_PATH_IMAGE031
表示划分出来的子区域，这里指的 是
Figure 494576DEST_PATH_IMAGE029
和
Figure 934785DEST_PATH_IMAGE030
，即
Figure 801110DEST_PATH_IMAGE011
和
Figure 264452DEST_PATH_IMAGE012
；
Figure 622228DEST_PATH_IMAGE034
表示
Figure 651364DEST_PATH_IMAGE029
和
Figure 219748DEST_PATH_IMAGE030
中对应的真实的漏斗体积值
Figure 701545DEST_PATH_IMAGE035
；
Figure 865942DEST_PATH_IMAGE092
分别表 示
Figure 952846DEST_PATH_IMAGE029
和
Figure 426553DEST_PATH_IMAGE030
中输出的均值；
C13）将所述数据库R划分成M个子区域
Figure 395646DEST_PATH_IMAGE037
，建立最终的预测模型，预测模 型如公式（11）所示：
Figure 347421DEST_PATH_IMAGE038
其中，
Figure 367461DEST_PATH_IMAGE039
表示单位矩阵。
具体地，基于所述Adaboost回归算法（ABR），获得Adaboost预测模型，计算步骤包括：
C21）初始化权重。需要说明的是，权重初始化是指参数初始化，本发明中是指，对 所有样本Xi的权重均初始化为1/N，即
Figure 12069DEST_PATH_IMAGE040
,
Figure 671721DEST_PATH_IMAGE101
,
Figure 427187DEST_PATH_IMAGE042
，T表示循环迭 代次数；C22）循环迭代，t∈{1,2,…,T}，T表示循环迭代次数：
（1）在样本分布为Wt (Xi)的基础上，在训练集上训练弱分类器ht；
（2）计算弱分类器ht在训练集上的最大误差Et，计算公式如下：
Figure 19842DEST_PATH_IMAGE102
其中，ht (Xi )表示弱分类器ht对所有样本集Xi的预测结果，yi表示所有样本集Xi对应的目标值；
（3）计算ht对每个样本
Figure 851663DEST_PATH_IMAGE044
的相对误差，计算公式如下：
Figure 795348DEST_PATH_IMAGE045
（4）计算出当前弱分类器ht的误差率，计算公式如下：
Figure 557768DEST_PATH_IMAGE046
其中，
Figure 270509DEST_PATH_IMAGE047
表示每个变量对应的权重值；
（5）更新当前弱分类器ht的权重，计算公式如下：
Figure 991341DEST_PATH_IMAGE048
Figure 453282DEST_PATH_IMAGE049
Figure 550551DEST_PATH_IMAGE050
其中，
Figure 383378DEST_PATH_IMAGE051
表示弱分类器
Figure 478373DEST_PATH_IMAGE052
的权重系数，
Figure 396650DEST_PATH_IMAGE053
表示上次更新的样本点的权重，
Figure 48342DEST_PATH_IMAGE054
表示本次更新的样本点的权重，
Figure 735676DEST_PATH_IMAGE055
表示归一化因子。
C23）结束
Figure 63889DEST_PATH_IMAGE023
轮迭代，最终得到强回归器如下：
Figure 203883DEST_PATH_IMAGE056
其中，
Figure 111796DEST_PATH_IMAGE057
是所有
Figure 404369DEST_PATH_IMAGE058
的中位数，即所有弱学习器的加权输出结果的中位 数，
Figure 169062DEST_PATH_IMAGE059
。
具体地，基于所述梯度增强回归算法（GBR），获得梯度增强预测模型，计算步骤包括：
C31）初始化基学习器，如下所示：
Figure 796353DEST_PATH_IMAGE060
Figure 39115DEST_PATH_IMAGE061
其中，
Figure 638724DEST_PATH_IMAGE062
表示均方误差损失函数，在公式（19）中，
Figure 59472DEST_PATH_IMAGE103
为
Figure 174058DEST_PATH_IMAGE064
，
Figure 220512DEST_PATH_IMAGE064
为常量，表 示所有样本
Figure 736944DEST_PATH_IMAGE065
的目标值的均值；
C32）迭代：
（1）计算t次迭代的负梯度：
Figure 781123DEST_PATH_IMAGE066
Figure 130809DEST_PATH_IMAGE067
（2）利用（
Figure 715374DEST_PATH_IMAGE068
）
Figure 86312DEST_PATH_IMAGE069
，得到第
Figure 363710DEST_PATH_IMAGE070
颗回归树，对应的叶节点区域为
Figure 938042DEST_PATH_IMAGE071
：
Figure 326298DEST_PATH_IMAGE072
（3）对叶结点区域
Figure 755005DEST_PATH_IMAGE104
，计算最佳拟合值：
Figure 937725DEST_PATH_IMAGE074
（4）更新强学习器：
Figure 514200DEST_PATH_IMAGE105
C33）得到最终的强回归学习器：
Figure 456879DEST_PATH_IMAGE106
其中，
Figure 536830DEST_PATH_IMAGE077
表示对损失函数求偏导，
Figure 359293DEST_PATH_IMAGE078
为叶子节点的个数。
具体地，基于极限树回归算法（ETR），获得极限树预测模型，计算步骤包括：
C41）随机选取切分变量j’和切分点s’，通过该切分变量j’和该切分点s’将所述数 据库R划分为数据集
Figure 157485DEST_PATH_IMAGE079
和数据集
Figure 887543DEST_PATH_IMAGE080
区域并决定相应的输出值：
Figure 838313DEST_PATH_IMAGE081
Figure 628414DEST_PATH_IMAGE107
Figure 117164DEST_PATH_IMAGE083
其中，x表示所有的特征变量：岩石的密度
Figure 385335DEST_PATH_IMAGE016
、波速
Figure 439878DEST_PATH_IMAGE017
、单轴抗压强度
Figure 154543DEST_PATH_IMAGE018
、单轴抗拉强 度
Figure 927327DEST_PATH_IMAGE019
、黏聚力
Figure 999188DEST_PATH_IMAGE002
、孔径
Figure 377080DEST_PATH_IMAGE020
、孔深
Figure 243405DEST_PATH_IMAGE021
、炮孔间距A、装药线密度
Figure 254217DEST_PATH_IMAGE022
以及堵塞长度
Figure 129770DEST_PATH_IMAGE023
；
Figure 158905DEST_PATH_IMAGE084
表示随机 选取切分的特征；
Figure 196132DEST_PATH_IMAGE085
表示随机切分点值；
Figure 146770DEST_PATH_IMAGE079
表示所有数据集中对应切分的特征值小 于等于随机切分点
Figure 311166DEST_PATH_IMAGE085
的区域；同理
Figure 460388DEST_PATH_IMAGE080
表示所有数据集中对应切分的特征值大于随机 切分点
Figure 934095DEST_PATH_IMAGE086
的区域；
Figure 903188DEST_PATH_IMAGE028
表示
Figure 58225DEST_PATH_IMAGE029
或
Figure 812686DEST_PATH_IMAGE030
区域中样本的数量；
Figure 191715DEST_PATH_IMAGE031
表示划分出来的子区域，这里指 的是
Figure 913683DEST_PATH_IMAGE029
和
Figure 669149DEST_PATH_IMAGE030
，即
Figure 275187DEST_PATH_IMAGE079
和
Figure 90696DEST_PATH_IMAGE080
；
Figure 237644DEST_PATH_IMAGE044
代表每个样本；
Figure 531222DEST_PATH_IMAGE034
表示
Figure 509542DEST_PATH_IMAGE029
和
Figure 246685DEST_PATH_IMAGE030
中对应的真实漏斗 体积值
Figure 880929DEST_PATH_IMAGE035
；
Figure 978198DEST_PATH_IMAGE092
分别表示
Figure 545445DEST_PATH_IMAGE029
和
Figure 968336DEST_PATH_IMAGE030
中输出的均值；
C42）将输入空间划分M个子区域
Figure 637346DEST_PATH_IMAGE037
，生成最终得决策树，公式如下：
Figure 272727DEST_PATH_IMAGE038
其中，m=1,2,…,M，
Figure 163322DEST_PATH_IMAGE039
表示单位矩阵。
进一步地，基于随机森林回归算法（RFR）、Adaboost回归算法（ABR）、梯度增强回归算法（GBR）和极限树回归算法（ETR），获得四种预测模型，采用均方根误差 (Root MeanSquare Error) RMSE和决定性系数R2作为评判准则，计算公式如下：
Figure 491536DEST_PATH_IMAGE108
Figure 631530DEST_PATH_IMAGE109
其中，
Figure 352492DEST_PATH_IMAGE095
表示真实的爆破漏斗体积目标值，
Figure 894332DEST_PATH_IMAGE096
表示预测模型预测的爆破漏斗体积，
Figure 596709DEST_PATH_IMAGE097
表示所有真实目标值的平均值，N表示模型训练时所用的数据量。需要说明的是，当预测 值
Figure 223999DEST_PATH_IMAGE096
越接近真实目标值
Figure 201183DEST_PATH_IMAGE110
时，
Figure 605051DEST_PATH_IMAGE111
的值就越小，所以均方根误差RMSE的值就越小，决定 性系数R2的值就越大；相反，如果预测值
Figure 540646DEST_PATH_IMAGE096
越偏离真实值目标值
Figure 655233DEST_PATH_IMAGE110
，均方根误差RMSE的值就 越大，决定性系数R2的值就越小。因此，取RMSE最小，并且R2最大时，所对应的模型为最佳模 型。
进一步地，将RMSE和R2作为评判准则，能够分别从四种预测模型中获得四个最佳模型，将四个最佳模型的预测结果的平均值P作为最终的爆破漏斗体积V2，平均值的计算公式如下所示：
Figure 639369DEST_PATH_IMAGE112
其中，P1为基于随机森林回归算法而获得的最佳模型的预测结果，P2为基于Adaboost回归算法而获得的最佳模型的预测结果，P3为基于梯度增强回归算法而获得的最佳模型的预测结果，P4为基于极限树回归算法而获得的最佳模型的预测结果。
综上所述，作为本发明的一个最优实施例，本发明所提供的爆破漏斗体积预测方法将物理实验和人工智能方法相结合，其先通过物理实验获取岩石试样的物理力学参数，接着通过从爆破现场获取实际漏斗爆破参数以及爆破之后的爆破漏斗体积V1，通过结合物理力学参数、实际漏斗爆破参数和爆破之后的爆破漏斗体积V1，从而构建数据库R，最后基于所构建的数据库R，并利用机器学习算法训练预测模型，机器学习算法包括随机森林回归算法、Adaboost回归算法、梯度增强回归算法和极限树回归算法，大大减少了实验的工作量以及物力和人力的支出，并且，采用均方误差根和R平方作为评判准则，取RMSE最小，R2最大，确定出最佳模型，将各最佳模型的预测结果的平均值作为最终的爆破漏斗体积V2，提高了爆破漏斗体积预测的精度，确保了爆破漏斗体积的预测模型的鲁棒性、可靠性，便于在实际爆破工程中寻求最优的爆破参数，解决了实际爆破工程中爆破效果与预期的目标相差较远的问题。
以上结合附图详细描述了本发明实施例的可选实施方式，但是，本发明实施例并不限于上述实施方式中的具体细节，在本发明实施例的技术构思范围内，可以对本发明实施例的技术方案进行多种简单变型，这些简单变型均属于本发明实施例的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施例对各种可能的组合方式不再另行说明。
此外，本发明实施例的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施例的思想，其同样应当视为本发明实施例所公开的内容。

Claims (9)

1.一种爆破漏斗体积预测方法，其特征在于，包括如下步骤：
A）获取岩石试样的物理力学参数；
B）从爆破现场获取实际漏斗爆破参数以及爆破之后的爆破漏斗体积V1，并结合所述物理力学参数构建数据库R；
C）所述数据库R通过机器学习算法训练机器学习模型，获得相应的预测模型，从而获得所述预测模型的预测结果，取其平均值作为最终的爆破漏斗体积V2，所述机器学习算法包括随机森林回归算法、Adaboost回归算法、梯度增强回归算法和极限树回归算法中的一种或多种。
2.根据权利要求1所述的爆破漏斗体积预测方法，其特征在于，所述实际漏斗爆破参数 包括炮孔孔径D、炮孔孔深H、炮孔间距A、装药线密度CL、堵塞长度T，所述物理力学参数包括 所述岩石试样的密度ρ、波速μ、单轴抗压强度
Figure 378877DEST_PATH_IMAGE001
、单轴抗拉强度σt和粘聚力
Figure 390695DEST_PATH_IMAGE002
，所述物理力学 参数的获取步骤分别如下：
A1）测量所述岩石试样的质量m和体积v，基于所述岩石试样的质量m和体积v，获取所述岩石试样的密度ρ，密度的计算公式如下：
Figure 479874DEST_PATH_IMAGE003
（1）
A2）获取所述岩石试样的波速μ，波速μ的计算公式如下：
Figure 602551DEST_PATH_IMAGE004
（2）
其中，h为所述岩石试样的高度，其单位为m，t为弹性波穿过所述岩石试样的时间，单位为s；
A3）进行单轴压缩实验，获取所述岩石试样的单轴抗压强度，单轴抗压强度的计算公式如下：
Figure 109886DEST_PATH_IMAGE005
（3）
其中，
Figure 292606DEST_PATH_IMAGE001
为单轴抗压强度，F1为破坏载荷，
Figure 603502DEST_PATH_IMAGE006
为岩石试样的受荷面积；
A4）进行巴西劈裂抗拉实验，获取所述岩石试样的单轴抗拉强度，单轴抗拉强度σt的计算公式如下：
Figure 529869DEST_PATH_IMAGE007
（4）
其中，F2为峰值载荷，D为岩石试样的直径，L为岩石试样的高度；
A5）基于单轴压缩实验，获取所述岩石试样的粘聚力
Figure 78662DEST_PATH_IMAGE002
，计算公式如下：
Figure 183016DEST_PATH_IMAGE008
（5）
Figure 981207DEST_PATH_IMAGE009
（6）
其中，θ为基于单轴压缩实验后的破坏后的所述岩石试样的破裂角度，
Figure 976845DEST_PATH_IMAGE010
为内摩擦角度，
Figure 176882DEST_PATH_IMAGE001
为单轴抗压强度，
Figure 443348DEST_PATH_IMAGE002
为黏聚力。
3.根据权利要求2所述的爆破漏斗体积预测方法，其特征在于，所述岩石试样形成为圆柱体，尺寸为直径φ50×高度100 mm。
4.根据权利要求1所述的爆破漏斗体积预测方法，其特征在于，基于所述随机森林回归算法，获得随机森林预测模型，计算步骤包括：
C11）选取最佳的切分变量j和切分点s，所述切分变量j和所述切分点s将所述数据库R 划分为数据集
Figure 728836DEST_PATH_IMAGE011
和数据集
Figure 465848DEST_PATH_IMAGE012
，求出使数据集
Figure 520391DEST_PATH_IMAGE011
和数据集
Figure 215815DEST_PATH_IMAGE012
各自集 合的均方差最小同时数据集
Figure 4911DEST_PATH_IMAGE011
和数据集
Figure 76772DEST_PATH_IMAGE012
的均方差之和最小所对应的切分变 量j和切分点s，计算公式如下：
Figure 985822DEST_PATH_IMAGE013
（7）
其中，c1为S1数据集
Figure 320988DEST_PATH_IMAGE014
的样本输出均值，c2为S2数据集
Figure 315489DEST_PATH_IMAGE015
的样本输出均值，
Figure 941774DEST_PATH_IMAGE014
和
Figure 970910DEST_PATH_IMAGE015
通过以下公式计算：
Figure 273715DEST_PATH_IMAGE016
（8）
Figure 755512DEST_PATH_IMAGE017
（9）
其中，x表示所有的特征变量：岩石试样的密度
Figure 919908DEST_PATH_IMAGE018
、波速
Figure 803550DEST_PATH_IMAGE019
、单轴抗压强度
Figure 277257DEST_PATH_IMAGE020
、单轴抗拉强 度
Figure 449612DEST_PATH_IMAGE021
、黏聚力
Figure 666967DEST_PATH_IMAGE002
、孔径
Figure 152919DEST_PATH_IMAGE022
、孔深
Figure 797527DEST_PATH_IMAGE023
、炮孔间距A、装药线密度
Figure 519495DEST_PATH_IMAGE024
以及堵塞长度
Figure 274961DEST_PATH_IMAGE025
，
Figure 883928DEST_PATH_IMAGE026
表示随机选 择切分的特征，
Figure 433859DEST_PATH_IMAGE027
表示切分点值，
Figure 580806DEST_PATH_IMAGE014
表示数据库R中对应切分的特征值小于等于随机切 分点
Figure 139963DEST_PATH_IMAGE027
的区域，
Figure 852704DEST_PATH_IMAGE015
表示数据库R中对应切分的特征值大于随机切分点
Figure 589847DEST_PATH_IMAGE027
的区域；
C12）计算选取的(j, s)的所划分的区域相应的输出值，计算公式如下：
Figure 20829DEST_PATH_IMAGE028
（10）
其中，
Figure 118098DEST_PATH_IMAGE029
表示
Figure 950925DEST_PATH_IMAGE030
或
Figure 311499DEST_PATH_IMAGE031
区域中样本的数量；
Figure 714929DEST_PATH_IMAGE032
表示划分出来的子区域
Figure 615889DEST_PATH_IMAGE030
和
Figure 568802DEST_PATH_IMAGE031
，即
Figure 897015DEST_PATH_IMAGE014
和
Figure 790671DEST_PATH_IMAGE015
；
Figure 229743DEST_PATH_IMAGE033
表示
Figure 974845DEST_PATH_IMAGE030
和
Figure 473960DEST_PATH_IMAGE031
中对应的真实的漏斗体积值
Figure 101250DEST_PATH_IMAGE034
；
Figure 360324DEST_PATH_IMAGE035
分别表示
Figure 756670DEST_PATH_IMAGE030
和
Figure 426686DEST_PATH_IMAGE031
中 输出的均值；
C13）将所述数据库R划分成M个子区域
Figure 541273DEST_PATH_IMAGE036
，建立最终的预测模型，预测模型如 公式（11）所示：
Figure 790988DEST_PATH_IMAGE037
（11）
其中，
Figure 792574DEST_PATH_IMAGE038
表示单位矩阵。
5.根据权利要求1所述的爆破漏斗体积预测方法，其特征在于，基于所述Adaboost回归算法，获得Adaboost预测模型，计算步骤包括：
C21）初始化权重，对所有样本Xi的权重均初始化为1/N，即
Figure 633491DEST_PATH_IMAGE039
,
Figure 500953DEST_PATH_IMAGE040
,
Figure 85518DEST_PATH_IMAGE041
，T表示循环迭代次数；
C22）循环迭代，t∈{1,2,…,T}，T表示循环迭代次数：
1）在样本分布为Wt (Xi)的基础上，在训练集上训练弱分类器ht；
2）计算弱分类器ht在训练集上的最大误差Et，计算公式如下：
Figure 207189DEST_PATH_IMAGE042
（12）
其中，ht (Xi )表示弱分类器ht对所有样本集Xi的预测结果，yi表示所有样本集Xi对应的目标值；
3）计算ht对每个样本
Figure 219007DEST_PATH_IMAGE043
的相对误差，计算公式如下：
Figure 511448DEST_PATH_IMAGE044
（13）
4）计算出当前弱分类器ht的误差率，计算公式如下：
Figure 634125DEST_PATH_IMAGE045
（14）
其中，
Figure 859570DEST_PATH_IMAGE046
表示每个变量对应的权重值；
5）更新当前弱分类器ht的权重，计算公式如下：
Figure 55671DEST_PATH_IMAGE047
（15）
Figure 366567DEST_PATH_IMAGE048
（16）
Figure 558514DEST_PATH_IMAGE049
（17）
其中，
Figure 904045DEST_PATH_IMAGE050
表示弱分类器
Figure 8398DEST_PATH_IMAGE051
的权重系数，
Figure 806590DEST_PATH_IMAGE052
表示上次更新的样本点的权重，
Figure 739911DEST_PATH_IMAGE053
表示本次更新的样本点的权重，
Figure 939948DEST_PATH_IMAGE054
表示归一化因子；
C23）结束
Figure 464470DEST_PATH_IMAGE025
轮迭代，最终得到强回归器如下：
Figure 766270DEST_PATH_IMAGE055
（18）
其中，
Figure 768861DEST_PATH_IMAGE056
是所有
Figure 823404DEST_PATH_IMAGE057
的中位数，即所有弱学习器的加权输出结果的中位数，
Figure 784407DEST_PATH_IMAGE058
。
6.根据权利要求1所述的爆破漏斗体积预测方法，其特征在于，基于所述梯度增强回归算法，获得梯度增强预测模型，计算步骤包括：
C31）初始化基学习器，如下所示：
Figure 307923DEST_PATH_IMAGE059
（19）
Figure 114205DEST_PATH_IMAGE060
（20）
其中，
Figure 554414DEST_PATH_IMAGE061
表示均方误差损失函数，在公式（19）中，
Figure 420739DEST_PATH_IMAGE062
为
Figure 446200DEST_PATH_IMAGE063
，
Figure 56173DEST_PATH_IMAGE063
为常量，表示所 有样本
Figure 288571DEST_PATH_IMAGE064
的目标值的均值；
C32）迭代：
1）计算t次迭代的负梯度：
Figure 591376DEST_PATH_IMAGE065
（21）
Figure 73173DEST_PATH_IMAGE066
（22）
2）利用（
Figure 503149DEST_PATH_IMAGE067
）
Figure 386791DEST_PATH_IMAGE068
，得到第
Figure 860498DEST_PATH_IMAGE069
颗回归树，对应的叶节点区域为
Figure 32853DEST_PATH_IMAGE070
：
Figure 984628DEST_PATH_IMAGE071
（23）
3）对叶结点区域
Figure 739089DEST_PATH_IMAGE072
，计算最佳拟合值：
Figure 649276DEST_PATH_IMAGE073
（24）
4）更新强学习器：
Figure 105665DEST_PATH_IMAGE074
（25）
C33）得到最终的强回归学习器：
Figure 861132DEST_PATH_IMAGE075
（26）
其中，
Figure 204519DEST_PATH_IMAGE076
表示对损失函数求偏导，
Figure 223291DEST_PATH_IMAGE077
为叶子节点的个数。
7.根据权利要求1所述的爆破漏斗体积预测方法，其特征在于，基于所述极限树回归算法，获得极限树预测模型，计算步骤包括：
C41）随机选取切分变量j’和切分点s’，通过该切分变量j’和该切分点s’将所述数据库 R划分为数据集
Figure 166976DEST_PATH_IMAGE078
和数据集
Figure 991713DEST_PATH_IMAGE079
区域并决定相应的输出值：
Figure 704454DEST_PATH_IMAGE080
（27）
Figure 173088DEST_PATH_IMAGE081
（28）
Figure 604069DEST_PATH_IMAGE082
（29）
其中，x表示所有的特征变量：岩石的密度
Figure 701338DEST_PATH_IMAGE018
、波速
Figure 737427DEST_PATH_IMAGE019
、单轴抗压强度
Figure 629160DEST_PATH_IMAGE020
、单轴抗拉强度
Figure 298170DEST_PATH_IMAGE021
、 黏聚力
Figure 464709DEST_PATH_IMAGE002
、孔径
Figure 886463DEST_PATH_IMAGE022
、孔深
Figure 214676DEST_PATH_IMAGE023
、炮孔间距A、装药线密度
Figure 105403DEST_PATH_IMAGE024
以及堵塞长度
Figure 13316DEST_PATH_IMAGE025
；
Figure 555156DEST_PATH_IMAGE083
表示随机选择切 分的特征；
Figure 54270DEST_PATH_IMAGE084
表示随机切分点值；
Figure 681561DEST_PATH_IMAGE078
表示所有数据集中对应切分的特征值小于等于 随机切分点
Figure 940635DEST_PATH_IMAGE084
的区域；同理
Figure 336981DEST_PATH_IMAGE085
表示所有数据集中对应切分的特征值大于随机切分点
Figure 6997DEST_PATH_IMAGE086
的区域；
Figure 121584DEST_PATH_IMAGE029
表示
Figure 105720DEST_PATH_IMAGE030
或
Figure 375814DEST_PATH_IMAGE031
区域中样本的数量；
Figure 216731DEST_PATH_IMAGE032
表示划分出来的子区域
Figure 84193DEST_PATH_IMAGE030
和
Figure 668758DEST_PATH_IMAGE031
，即
Figure 790429DEST_PATH_IMAGE014
和
Figure 5510DEST_PATH_IMAGE015
；
Figure 829109DEST_PATH_IMAGE043
代表每个样本；
Figure 217365DEST_PATH_IMAGE033
表示
Figure 442810DEST_PATH_IMAGE030
和
Figure 641842DEST_PATH_IMAGE031
中对应的真实漏斗体积值
Figure 218316DEST_PATH_IMAGE034
；
Figure 347946DEST_PATH_IMAGE087
分别 表示
Figure 224636DEST_PATH_IMAGE030
和
Figure 47098DEST_PATH_IMAGE031
中输出的均值；
C42）将输入空间划分M个子区域
Figure 596022DEST_PATH_IMAGE036
，生成最终的决策树，公式如下：
Figure 326081DEST_PATH_IMAGE088
（30）
其中，m=1,2,…,M，
Figure 526118DEST_PATH_IMAGE038
表示单位矩阵。
8.根据权利要求1所述的爆破漏斗体积预测方法，其特征在于，基于所述随机森林回归算法、所述Adaboost回归算法、所述梯度增强回归算法和所述极限树回归算法，获得四种预测模型，采用均方根误差RMSE和决定性系数R2作为评判准则，取RMSE最小，并且R2最大时，所对应的模型为最佳模型，评判准则的计算公式如下：
Figure 316219DEST_PATH_IMAGE089
（31）
Figure 349510DEST_PATH_IMAGE090
（32）
其中，
Figure 617680DEST_PATH_IMAGE091
表示真实的爆破漏斗体积目标值，
Figure 875486DEST_PATH_IMAGE092
表示预测模型预测的爆破漏斗体积，
Figure 836489DEST_PATH_IMAGE093
表 示所有真实目标值的平均值，N表示模型训练时所用的数据量。
9.根据权利要求8所述的爆破漏斗体积预测方法，其特征在于，获得四个最佳模型，取四个最佳模型的预测结果的平均值作为最终的爆破漏斗体积V2。
CN202211629158.6A 2022-12-19 2022-12-19 爆破漏斗体积预测方法 Active CN115630257B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211629158.6A CN115630257B (zh) 2022-12-19 2022-12-19 爆破漏斗体积预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211629158.6A CN115630257B (zh) 2022-12-19 2022-12-19 爆破漏斗体积预测方法

Publications (2)

Publication Number Publication Date
CN115630257A true CN115630257A (zh) 2023-01-20
CN115630257B CN115630257B (zh) 2023-04-21

Family

ID=84910958

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211629158.6A Active CN115630257B (zh) 2022-12-19 2022-12-19 爆破漏斗体积预测方法

Country Status (1)

Country Link
CN (1) CN115630257B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115840921A (zh) * 2023-02-24 2023-03-24 中南大学 基于机器学习的岩体质量分级方法
CN117390973A (zh) * 2023-12-12 2024-01-12 中南大学 基于多层感知机模型的矿山爆破炮孔利用率预测方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1167917A (zh) * 1997-04-30 1997-12-17 陶纪南 用爆破漏斗试验确定最佳土岩爆破参数的方法
CN105223331A (zh) * 2015-09-01 2016-01-06 鞍钢集团矿业公司 一种岩石与炸药匹配优选的爆破试验方法
CN109102109A (zh) * 2018-07-16 2018-12-28 四川大学 一种块石料开采爆破级配预测方法
US20200250355A1 (en) * 2019-02-05 2020-08-06 Dyno Nobel Inc. Systems for automated blast design planning and methods related thereto
US20210049344A1 (en) * 2019-08-15 2021-02-18 X Development Llc Blast patterns
CN112711904A (zh) * 2020-12-17 2021-04-27 玉溪矿业有限公司 一种基于sa-ga-bp的爆破振动特征参量预测方法
CN112800673A (zh) * 2021-01-27 2021-05-14 昆明理工大学 一种基于sa-ga-bp算法预测爆破块度的方法
CN113340164A (zh) * 2021-06-21 2021-09-03 中铁十九局集团矿业投资有限公司 一种对岩体爆破块度预测的方法
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
WO2022098668A1 (en) * 2020-11-03 2022-05-12 Dyno Nobel Inc. Fracture density model system, methods, and apparatuses
CN114519284A (zh) * 2021-12-27 2022-05-20 武钢资源集团乌龙泉矿业有限公司 一种基于数值模拟的台阶爆破岩石块度预测方法
CN115310686A (zh) * 2022-07-28 2022-11-08 武汉理工大学 一种露天矿爆破合格率的预测方法、装置、设备和介质

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1167917A (zh) * 1997-04-30 1997-12-17 陶纪南 用爆破漏斗试验确定最佳土岩爆破参数的方法
CN105223331A (zh) * 2015-09-01 2016-01-06 鞍钢集团矿业公司 一种岩石与炸药匹配优选的爆破试验方法
CN109102109A (zh) * 2018-07-16 2018-12-28 四川大学 一种块石料开采爆破级配预测方法
US20200250355A1 (en) * 2019-02-05 2020-08-06 Dyno Nobel Inc. Systems for automated blast design planning and methods related thereto
US20210049344A1 (en) * 2019-08-15 2021-02-18 X Development Llc Blast patterns
WO2022098668A1 (en) * 2020-11-03 2022-05-12 Dyno Nobel Inc. Fracture density model system, methods, and apparatuses
CN112711904A (zh) * 2020-12-17 2021-04-27 玉溪矿业有限公司 一种基于sa-ga-bp的爆破振动特征参量预测方法
CN112800673A (zh) * 2021-01-27 2021-05-14 昆明理工大学 一种基于sa-ga-bp算法预测爆破块度的方法
CN113340164A (zh) * 2021-06-21 2021-09-03 中铁十九局集团矿业投资有限公司 一种对岩体爆破块度预测的方法
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
CN114519284A (zh) * 2021-12-27 2022-05-20 武钢资源集团乌龙泉矿业有限公司 一种基于数值模拟的台阶爆破岩石块度预测方法
CN115310686A (zh) * 2022-07-28 2022-11-08 武汉理工大学 一种露天矿爆破合格率的预测方法、装置、设备和介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
李健钰: "不同强度混凝土爆破漏斗形态实验研究" *
胡勇辉: "沉积岩矿井下采场深孔爆破参数优化与数值模拟研究" *
蒋复量: "金属矿矿岩可爆性评价及井下采场深孔爆破参数优化的理论与试验研究" *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115840921A (zh) * 2023-02-24 2023-03-24 中南大学 基于机器学习的岩体质量分级方法
CN117390973A (zh) * 2023-12-12 2024-01-12 中南大学 基于多层感知机模型的矿山爆破炮孔利用率预测方法
CN117390973B (zh) * 2023-12-12 2024-03-22 中南大学 基于多层感知机模型的矿山爆破炮孔利用率预测方法

Also Published As

Publication number Publication date
CN115630257B (zh) 2023-04-21

Similar Documents

Publication Publication Date Title
Guo et al. Deep neural network and whale optimization algorithm to assess flyrock induced by blasting
CN115630257A (zh) 爆破漏斗体积预测方法
Chen et al. A new design of evolutionary hybrid optimization of SVR model in predicting the blast-induced ground vibration
Trivedi et al. Prediction of blast-induced flyrock in opencast mines using ANN and ANFIS
Jahed Armaghani et al. A combination of the ICA-ANN model to predict air-overpressure resulting from blasting
Verma et al. Intelligent systems for ground vibration measurement: a comparative study
Hajihassani et al. Blast-induced air and ground vibration prediction: a particle swarm optimization-based artificial neural network approach
Jahed Armaghani et al. Evaluation and prediction of flyrock resulting from blasting operations using empirical and computational methods
Jong et al. Influence of geological conditions on the powder factor for tunnel blasting
Ramesh Murlidhar et al. Application of tree-based predictive models to forecast air overpressure induced by mine blasting
Mohamad et al. A simulation approach to predict blasting-induced flyrock and size of thrown rocks
Monjezi et al. Application of soft computing in predicting rock fragmentation to reduce environmental blasting side effects
Barkhordari et al. Ensemble machine learning models for prediction of flyrock due to quarry blasting
Zhou et al. Hybridization of parametric and non-parametric techniques to predict air over-pressure induced by quarry blasting
Nguyen et al. Predicting blast-induced ground vibration in open-pit mines using different nature-inspired optimization algorithms and deep neural network
CN110717689A (zh) 一种露天矿矿岩台阶岩体可爆性分级评价方法
CN111079810A (zh) 基于支持向量机的隧道围岩等级预测方法
Chen et al. Predicting the Thickness of an Excavation Damaged Zone around the Roadway Using the DA-RF Hybrid Model.
Yu et al. Machine-learning-aided determination of post-blast ore boundary for controlling ore loss and dilution
Sheng et al. Rock mass quality classification based on deep learning: A feasibility study for stacked autoencoders
Wei et al. A novel algorithm of Nested-ELM for predicting blasting vibration
Li et al. Prediction of flyrock distance in surface mining using a novel hybrid model of harris hawks optimization with multi-strategies-based support vector regression
Guo et al. Prediction research for blasting peak particle velocity based on random GA-BP network group
Yang et al. A new constitutive model for rock fragmentation by blasting-fractal damage model
Iravani et al. Modelling blast fragmentation of cylinders of mortar and rock

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