CN115630257A - 爆破漏斗体积预测方法 - Google Patents
爆破漏斗体积预测方法 Download PDFInfo
- 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
Links
- 238000005422 blasting Methods 0.000 title claims abstract description 118
- 238000000034 method Methods 0.000 title claims abstract description 34
- 239000011435 rock Substances 0.000 claims abstract description 89
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 72
- 238000010801 machine learning Methods 0.000 claims abstract description 27
- 238000002474 experimental method Methods 0.000 claims abstract description 26
- 230000011218 segmentation Effects 0.000 claims description 56
- 238000004364 calculation method Methods 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 18
- 238000007637 random forest analysis Methods 0.000 claims description 16
- 230000006835 compression Effects 0.000 claims description 10
- 238000007906 compression Methods 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 239000011148 porous material Substances 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 230000000903 blocking effect Effects 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 238000009864 tensile test Methods 0.000 claims description 3
- 229910000831 Steel Inorganic materials 0.000 claims description 2
- 238000012669 compression test Methods 0.000 claims description 2
- 239000010959 steel Substances 0.000 claims description 2
- 239000000463 material Substances 0.000 abstract description 5
- 230000002349 favourable effect Effects 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 8
- 239000002360 explosive Substances 0.000 description 7
- 238000013461 design Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012407 engineering method Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000003863 fast low-angle shot imaging Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
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
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、
单轴抗拉强度σt和粘聚力,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:
A2)获取所述岩石试样的波速μ,波速μ的计算公式如下:
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:
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:
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;
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划分为数据集和数据集,求出使数据集和数据集各自
集合的均方差最小同时数据集和数据集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:
其中,x表示所有的特征变量:岩石试样的密度、波速、单轴抗压强度、单轴抗
拉强度、黏聚力、孔径、孔深、炮孔间距A、装药线密度以及堵塞长度,表示随
机选择切分的特征,表示切分点值,表示数据库R中对应切分的特征值小于等于随
机切分点的区域,表示数据库R中对应切分的特征值大于随机切分点的区域;
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:
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:
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:
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;
(4)计算出当前弱分类器ht的误差率,计算公式如下:
(5)更新当前弱分类器ht的权重,计算公式如下:
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:
C32)迭代:
(1)计算t次迭代的负梯度:
(4)更新强学习器:
C33)得到最终的强回归学习器:
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:
其中,x表示所有的特征变量:岩石的密度、波速、单轴抗压强度、单轴抗拉强
度、黏聚力、孔径、孔深、炮孔间距A、装药线密度以及堵塞长度;表示随机
选择切分的特征;表示随机切分点值;表示所有数据集中对应切分的特征值小
于等于随机切分点的区域;同理表示所有数据集中对应切分的特征值大于随机
切分点的区域;表示或区域中样本的数量;表示划分出来的子区域和,
即和;代表每个样本;表示和中对应的真实漏斗体积值;分
别表示和中输出的均值;
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:
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、单轴抗拉强
度σt和粘聚力,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:
A2)获取岩石试样的波速μ,波速μ的计算公式如下:
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:
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:
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;
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划分为数据集和数据集,求出使数据集和数据集各自
集合的均方差最小同时数据集和数据集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:
其中,x表示所有的特征变量:岩石试样的密度、波速、单轴抗压强度、单轴抗
拉强度、黏聚力、孔径、孔深、炮孔间距A、装药线密度以及堵塞长度,表示随
机选择切分的特征,表示切分点值,表示数据库R中对应切分的特征值小于等于随
机切分点的区域,表示数据库R中对应切分的特征值大于随机切分点的区域;
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:
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, ,,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:
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;
(4)计算出当前弱分类器ht的误差率,计算公式如下:
(5)更新当前弱分类器ht的权重,计算公式如下:
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:
C32)迭代:
(1)计算t次迭代的负梯度:
(4)更新强学习器:
C33)得到最终的强回归学习器:
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:
其中,x表示所有的特征变量:岩石的密度、波速、单轴抗压强度、单轴抗拉强
度、黏聚力、孔径、孔深、炮孔间距A、装药线密度以及堵塞长度;表示随机
选取切分的特征;表示随机切分点值;表示所有数据集中对应切分的特征值小
于等于随机切分点的区域;同理表示所有数据集中对应切分的特征值大于随机
切分点的区域;表示或区域中样本的数量;表示划分出来的子区域,这里指
的是和,即和;代表每个样本;表示和中对应的真实漏斗
体积值;分别表示和中输出的均值;
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:
其中,表示真实的爆破漏斗体积目标值,表示预测模型预测的爆破漏斗体积,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
值越接近真实目标值时,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,如果预测值越偏离真实值目标值,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:
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、单轴抗拉强度σt和粘聚力,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:
A2)获取所述岩石试样的波速μ,波速μ的计算公式如下:
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:
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:
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;
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
划分为数据集和数据集,求出使数据集和数据集各自集
合的均方差最小同时数据集和数据集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:
其中,x表示所有的特征变量:岩石试样的密度、波速、单轴抗压强度、单轴抗拉强
度、黏聚力、孔径、孔深、炮孔间距A、装药线密度以及堵塞长度,表示随机选
择切分的特征,表示切分点值,表示数据库R中对应切分的特征值小于等于随机切
分点的区域,表示数据库R中对应切分的特征值大于随机切分点的区域;
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:
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:
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:
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;
4)计算出当前弱分类器ht的误差率,计算公式如下:
5)更新当前弱分类器ht的权重,计算公式如下:
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:
其中,x表示所有的特征变量:岩石的密度、波速、单轴抗压强度、单轴抗拉强度、
黏聚力、孔径、孔深、炮孔间距A、装药线密度以及堵塞长度;表示随机选择切
分的特征;表示随机切分点值;表示所有数据集中对应切分的特征值小于等于
随机切分点的区域;同理表示所有数据集中对应切分的特征值大于随机切分点的区域;表示或区域中样本的数量;表示划分出来的子区域和,即和;代表每个样本;表示和中对应的真实漏斗体积值;分别
表示和中输出的均值;
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。
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)
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)
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 |
-
2022
- 2022-12-19 CN CN202211629158.6A patent/CN115630257B/zh active Active
Patent Citations (12)
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)
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)
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 |