CN115962692A - 一种应用于露天爆破工程的爆破参数优化方法 - Google Patents
一种应用于露天爆破工程的爆破参数优化方法 Download PDFInfo
- Publication number
- CN115962692A CN115962692A CN202310046586.4A CN202310046586A CN115962692A CN 115962692 A CN115962692 A CN 115962692A CN 202310046586 A CN202310046586 A CN 202310046586A CN 115962692 A CN115962692 A CN 115962692A
- Authority
- CN
- China
- Prior art keywords
- blasting
- parameters
- open
- artificial fish
- drilling machine
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于工程爆破技术领域,公开了一种应用于露天爆破工程的爆破参数优化方法,包括如下步骤:获取待爆破区域内地形参数和初始的岩性参数;根据待爆破区域内的地形参数、初始的岩性参数以及预设的钻机工作参数,使用露天爆破专家系统进行分析,得到爆破参数参考值组;使用爆破效果预测模型,获取施工的爆破参数;进行露天爆破现场实施,并采集实时的钻机工作参数;根据实时的钻机工作参数分析得到现场的岩性参数;获取优化的爆破参数;调整露天爆破现场实施方案。本发明解决了现有技术中根据粗略勘探资料设计爆破参数将钻孔和爆破分离、无法在爆破前对爆破参数进行优化导致爆破效果无法达到最理想情况的问题。
Description
技术领域
本发明属于工程爆破技术领域,具体涉及一种应用于露天爆破工程的爆破参数优化方法。
背景技术
炸药爆炸时,人类利用其化学能转变成机械功完成一些人工或机械不能或难以完成的工作,工程爆破是利用炸药做功能力的典型案例。我国能源结构的特点,决定了煤炭将在相当长的一段时间内作为我国主要的能源。经济社会的高速发展对能源的需求量也在不断的增加,在煤矿开采过程中,通常会采用爆破的方式,因此,爆破方案的制定是采矿工作中的重要内容。目前我国爆破的基本模式为:根据最初的勘探资料和岩石的各种性质进行爆破设计,根据设计参数进行钻孔,钻孔结束后进行装药,根据爆破效果进行评估,调整爆破参数。这种爆破参数的调整方法,钻孔和爆破是分离的,爆破设计的依据是最初比较粗略的勘探资料和爆破后的爆破评估,无法在爆破前对爆破参数进行优化,这样根据粗略勘探资料设计的爆破参数往往不能达到最优的爆破效果。
发明内容
为了解决现有技术中根据粗略勘探资料设计爆破参数将钻孔和爆破分离、无法在爆破前对爆破参数进行优化导致爆破效果无法达到最理想情况的问题,本发明目的在于提供一种应用于露天爆破工程的爆破参数优化方法。
本发明所采用的技术方案为:
一种应用于露天爆破工程的爆破参数优化方法,包括如下步骤:
提取待爆破区域内的矿石试件和地形参数,并对矿石试件进行物理力学性能试验,得到待爆破区域的待爆破介质的物理力学性质参数,即初始的岩性参数;
根据待爆破区域内的地形参数、初始的岩性参数以及预设的钻机工作参数,使用露天爆破专家系统进行分析,得到爆破参数参考值组;
根据爆破参数参考值组,使用爆破效果预测模型,得到理想爆破效果对应的施工的爆破参数;
根据施工的爆破参数和预设的钻机工作参数进行露天爆破现场实施,并采集钻机现场工作的实时的钻机工作参数;
根据实时的钻机工作参数,输入露天爆破专家系统进行分析,得到现场的岩性参数;
根据待爆破区域内的地形参数、现场的岩性参数以及实时的钻机工作参数,使用露天爆破专家系统重新进行分析,得到优化的爆破参数;
根据优化的爆破参数和实时的钻机工作参数调整露天爆破现场实施方案。
进一步地,岩性参数包括待爆破介质的密度、抗压强度、抗拉强度、杨氏模量以及纵波波速的参数。
进一步地,爆破参数包括孔径、孔距、排距、孔深、填塞深度、装药结构、起爆方式、装药量、炸药种类以及抵抗线。
进一步地,根据爆破参数参考值组,使用爆破效果预测模型,得到理想爆破效果对应的施工的爆破参数,包括如下步骤:
建立爆破效果预测模型;
将爆破参数参考值组输入爆破效果预测模型,得到对应的爆破效果预测值;
根据爆破效果预测值和理想爆破效果判断是否满足要求,若是则将爆破参数参考值组作为施工的爆破参数进行输出,否则调整当前的钻机工作参数,并重新获取爆破参数参考值组。
进一步地,爆破效果预测模型使用IAFSA-PNN算法建立。
进一步地,建立爆破效果预测模型,包括如下步骤:
采集若干历史的爆破数据,爆破数据包括爆破效果数据和对应的爆破参数;
基于PNN神经网络建立初始的爆破效果预测模型;
使用IAFSA算法对爆破效果预测模型进行优化,并输入若干历史的爆破数据进行训练,得到最优的爆破效果预测模型。
进一步地,IAFSA算法引入了动态反向学习策略和基于柯西分布的自适应人工鱼视野对传统的人工鱼群算法进行改进。
进一步地,动态反向学习策略的公式为:
x'ij(t)=k(aj(t)+bj(t))-xij(t)
式中,x'ij(t)、xij(t)分别为第i条人工鱼第j维的反向位置和正向位置;aj(t)、bj(t)分别为当前人工鱼群第j维的上界和下界;k为递减惯性因子,k=0.9-0.5D/Dmax;D、Dmax分别为当前迭代次数和最大迭代次数;t为时刻指示量。
进一步地,基于柯西分布的自适应人工鱼视野范围更新的公式为:
式中,v(xi)为人工鱼的视野范围更新函数;v为人工鱼的原始视野范围;vC(xi)为迭代后半程人工鱼经柯西分布变换后的视野范围;xi(t)为第i条人工鱼的位置;D、Dmax分别为当前迭代次数和最大迭代次数;
柯西分布变换后的视野范围的公式为:
式中,vC(xi)为迭代后半程人工鱼经柯西分布变换后的视野范围;f(xi)为第i条人工鱼的适应度值;fworst为人工鱼的最劣的适应度值;γ为尺度参数,其值越小,柯西分布概率密度曲线越陡峭,γ=1/(π·vorigin);vorigin为初始视野值。
进一步地,使用IAFSA算法对爆破效果预测模型进行优化,包括如下步骤:
将PNN神经网络的连接权值和阈值作为寻优目标,初始化人工鱼群的位置;
基于动态反向学习策略和基于柯西分布的自适应人工鱼视野,对化人工鱼群的位置进行迭代更新,在空间内的进行寻优;
当适应度值满足要求或迭代次数到达阈值,则将当前最优解的位置作为爆破效果预测模型的初始连接权值和初始阈值。
本发明的有益效果为:
本发明提供的应用于露天爆破工程的爆破参数优化方法,采用露天爆破专家系统和爆破效果预测模型基于地形参数、岩性参数以及钻机工作参数获取爆破参数和爆破效果预测结果,在实施爆破之前对爆破效果进行模拟,及时的调整爆破计划,并且实时采集钻孔时的钻机工作参数,将钻孔和爆破进行结合,动态优化对应的爆破参数,提高了爆破参数优化的实用性、准确性以及及时性,保证了最终的爆破效果接近理想爆破效果。
本发明的其他有益效果将在具体实施方式中进一步进行说明。
附图说明
图1是实施例1的应用于露天爆破工程的爆破参数优化方法的流程框图。
具体实施方式
下面结合附图及具体实施例对本发明做进一步阐释。
实施例1:
如图1所示,本实施例提供一种应用于露天爆破工程的爆破参数优化方法,包括如下步骤:
提取待爆破区域内的矿石试件和地形参数,并对矿石试件进行物理力学性能试验,得到待爆破区域的待爆破介质的物理力学性质参数,即初始的岩性参数;岩性参数包括待爆破介质的密度、抗压强度、抗拉强度、杨氏模量以及纵波波速的参数;采用比重瓶法得到的试样密度为2400kg/m3,采用单轴抗压强度试验获得的岩石抗压强度为21.1MPa,使用巴西劈裂法测量岩石的抗拉强度为1.7MPa,使用声发射系统测定岩石纵波波速为1100m/s;
根据待爆破区域内的地形参数、初始的岩性参数以及预设的钻机工作参数,使用露天爆破专家系统进行分析,得到爆破参数参考值组;露天爆破专家系统中内置有若干有关于地形参数、岩性参数以及钻机工作参数与爆破参数之间的爆破规则,若干钻机工作参数与岩性参数之间的关联规则,以及若干露天爆破领域的专家知识和相关数据;
根据爆破参数参考值组,使用爆破效果预测模型,得到理想爆破效果对应的施工的爆破参数,爆破参数包括孔径、孔距、排距、孔深、填塞深度、装药结构、起爆方式、装药量、炸药种类以及抵抗线,本实施例中,台阶爆破时孔径250mm,孔距10m,排距7.5m,孔深17m,填塞深度7m,抵抗线11m,采用连续装药结构,采用毫秒微差逐孔起爆方式,炸药种类为铵油炸药孔间间隔时间为17ms,排间间隔时间为42ms,孔内使用400ms延期雷管,装药量为400kg,包括如下步骤:
爆破效果预测模型使用IAFSA-PNN算法建立,建立爆破效果预测模型,包括如下步骤:
采集若干历史的爆破数据,爆破数据包括爆破效果数据和对应的爆破参数;
基于PNN神经网络建立初始的爆破效果预测模型;概率神经网络一般有以下四层:输入层、模式层、求和层和输出层;其中,输入层负责将特征向量传入网络,输入层个数是样本特征的个数;模式层通过连接权值与输入层连接;计算输入特征向量与训练集中各个模式的匹配程度,也就是相似度,将其距离送入高斯函数得到模式层的输出;模式层的神经元的个数是输入样本矢量的个数,即输入样本数据;求和层,就是负责将各个类的模式层单元连接起来,这一层的神经元个数是样本的类别数目;输出层,负责输出求和层中得分最高的那一类;本实施例中,PNN神经网络的输入层的神经元个数设置为10个,与爆破参数中每个特征量一一对应,接收爆破参数中每个参数的特征量,在输入层和模式层之间的连接是通过一个高斯函数,求得模式层中的每个神经元和输入层中每个神经元之间的匹配程度,然后通过每类的匹配程度累加求和,再取平均,得到输入样本的所属类别,即对应的爆破效果标签,例如,将爆破效果数据分为6种结果,则求和层的神经元为6个,将概率最大的一个结果概率作为输出层的输出值,即爆破效果预测值;
使用IAFSA算法对爆破效果预测模型进行优化,并输入若干历史的爆破数据进行训练,得到最优的爆破效果预测模型;IAFSA算法引入了动态反向学习策略和基于柯西分布的自适应人工鱼视野对传统的人工鱼群算法进行改进;加强了算法的收敛性能和局部跳出能力,进而提高了爆破效果预测模型的预测精度和效率;
动态反向学习策略的公式为:
x'ij(t)=k(aj(t)+bj(t))-xij(t)
式中,x'ij(t)、xij(t)分别为第i条人工鱼第j维的反向位置和正向位置;aj(t)、bj(t)分别为当前人工鱼群第j维的上界和下界;k为递减惯性因子,k=0.9-0.5D/Dmax;D、Dmax分别为当前迭代次数和最大迭代次数;t为时刻指示量;
基于柯西分布的自适应人工鱼视野范围更新的公式为:
式中,v(xi)为人工鱼的视野范围更新函数;v为人工鱼的原始视野范围;vC(xi)为迭代后半程人工鱼经柯西分布变换后的视野范围;xi(t)为第i条人工鱼的位置;D、Dmax分别为当前迭代次数和最大迭代次数;
柯西分布变换后的视野范围的公式为:
式中,vC(xi)为迭代后半程人工鱼经柯西分布变换后的视野范围;f(xi)为第i条人工鱼的适应度值;fworst为人工鱼的最劣的适应度值;γ为尺度参数,其值越小,柯西分布概率密度曲线越陡峭,γ=1/(π·vorigin);vorigin为初始视野值;
使用IAFSA算法对爆破效果预测模型进行优化,包括如下步骤:
将PNN神经网络的连接权值和阈值作为寻优目标,初始化人工鱼群的位置;
基于动态反向学习策略和基于柯西分布的自适应人工鱼视野,对化人工鱼群的位置进行迭代更新,在空间内的进行寻优;
当适应度值满足要求或迭代次数到达阈值,则将当前最优解的位置作为爆破效果预测模型的初始连接权值和初始阈值;
将爆破参数参考值组输入爆破效果预测模型,得到对应的爆破效果预测值;
根据爆破效果预测值和理想爆破效果判断是否满足要求,若是则将爆破参数参考值组作为施工的爆破参数进行输出,否则调整当前的钻机工作参数,并重新获取爆破参数参考值组;
根据施工的爆破参数和预设的钻机工作参数进行露天爆破现场实施,并采集钻机现场工作的实时的钻机工作参数;
根据实时的钻机工作参数,输入露天爆破专家系统进行分析,得到现场的岩性参数;
根据待爆破区域内的地形参数、现场的岩性参数以及实时的钻机工作参数,使用露天爆破专家系统重新进行分析,得到优化的爆破参数;
根据优化的爆破参数和实时的钻机工作参数调整露天爆破现场实施方案。
本发明提供的应用于露天爆破工程的爆破参数优化方法,采用露天爆破专家系统和爆破效果预测模型基于地形参数、岩性参数以及钻机工作参数获取爆破参数和爆破效果预测结果,在实施爆破之前对爆破效果进行模拟,及时的调整爆破计划,并且实时采集钻孔时的钻机工作参数,将钻孔和爆破进行结合,动态优化对应的爆破参数,提高了爆破参数优化的实用性、准确性以及及时性,保证了最终的爆破效果接近理想爆破效果。
本发明不局限于上述可选的实施方式,任何人在本发明的启示下都可得出其他各种形式的产品。上述具体实施方式不应理解成对本发明的保护范围的限制,本发明的保护范围应当以权利要求书中界定的为准,并且说明书可以用于解释权利要求书。
Claims (10)
1.一种应用于露天爆破工程的爆破参数优化方法,其特征在于:包括如下步骤:
提取待爆破区域内的矿石试件和地形参数,并对矿石试件进行物理力学性能试验,得到待爆破区域的待爆破介质的物理力学性质参数,即初始的岩性参数;
根据待爆破区域内的地形参数、初始的岩性参数以及预设的钻机工作参数,使用露天爆破专家系统进行分析,得到爆破参数参考值组;
根据爆破参数参考值组,使用爆破效果预测模型,得到理想爆破效果对应的施工的爆破参数;
根据施工的爆破参数和预设的钻机工作参数进行露天爆破现场实施,并采集钻机现场工作的实时的钻机工作参数;
根据实时的钻机工作参数,输入露天爆破专家系统进行分析,得到现场的岩性参数;
根据待爆破区域内的地形参数、现场的岩性参数以及实时的钻机工作参数,使用露天爆破专家系统重新进行分析,得到优化的爆破参数;
根据优化的爆破参数和实时的钻机工作参数调整露天爆破现场实施方案。
2.根据权利要求1所述的应用于露天爆破工程的爆破参数优化方法,其特征在于:所述的岩性参数包括待爆破介质的密度、抗压强度、抗拉强度、杨氏模量以及纵波波速的参数。
3.根据权利要求2所述的应用于露天爆破工程的爆破参数优化方法,其特征在于:所述的爆破参数包括孔径、孔距、排距、孔深、填塞深度、装药结构、起爆方式、装药量、炸药种类以及抵抗线。
4.根据权利要求3所述的应用于露天爆破工程的爆破参数优化方法,其特征在于:根据爆破参数参考值组,使用爆破效果预测模型,得到理想爆破效果对应的施工的爆破参数,包括如下步骤:
建立爆破效果预测模型;
将爆破参数参考值组输入爆破效果预测模型,得到对应的爆破效果预测值;
根据爆破效果预测值和理想爆破效果判断是否满足要求,若是则将爆破参数参考值组作为施工的爆破参数进行输出,否则调整当前的钻机工作参数,并重新获取爆破参数参考值组。
5.根据权利要求4所述的应用于露天爆破工程的爆破参数优化方法,其特征在于:所述的爆破效果预测模型使用IAFSA-PNN算法建立。
6.根据权利要求5所述的应用于露天爆破工程的爆破参数优化方法,其特征在于:建立爆破效果预测模型,包括如下步骤:
采集若干历史的爆破数据,所述的爆破数据包括爆破效果数据和对应的爆破参数;
基于PNN神经网络建立初始的爆破效果预测模型;
使用IAFSA算法对爆破效果预测模型进行优化,并输入若干历史的爆破数据进行训练,得到最优的爆破效果预测模型。
7.根据权利要求6所述的应用于露天爆破工程的爆破参数优化方法,其特征在于:所述的IAFSA算法引入了动态反向学习策略和基于柯西分布的自适应人工鱼视野对传统的人工鱼群算法进行改进。
8.根据权利要求7所述的应用于露天爆破工程的爆破参数优化方法,其特征在于:所述的动态反向学习策略的公式为:
x'ij(t)=k(aj(t)+bj(t))-xij(t)
式中,x'ij(t)、xij(t)分别为第i条人工鱼第j维的反向位置和正向位置;aj(t)、bj(t)分别为当前人工鱼群第j维的上界和下界;k为递减惯性因子,k=0.9-0.5D/Dmax;D、Dmax分别为当前迭代次数和最大迭代次数;t为时刻指示量。
9.根据权利要求8所述的应用于露天爆破工程的爆破参数优化方法,其特征在于:所述的基于柯西分布的自适应人工鱼视野范围更新的公式为:
式中,v(xi)为人工鱼的视野范围更新函数;v为人工鱼的原始视野范围;vC(xi)为迭代后半程人工鱼经柯西分布变换后的视野范围;xi(t)为第i条人工鱼的位置;D、Dmax分别为当前迭代次数和最大迭代次数;
柯西分布变换后的视野范围的公式为:
式中,vC(xi)为迭代后半程人工鱼经柯西分布变换后的视野范围;f(xi)为第i条人工鱼的适应度值;fworst为人工鱼的最劣的适应度值;γ为尺度参数,其值越小,柯西分布概率密度曲线越陡峭,γ=1/(π·vorigin);vorigin为初始视野值。
10.根据权利要求9所述的应用于露天爆破工程的爆破参数优化方法,其特征在于:所述的使用IAFSA算法对爆破效果预测模型进行优化,包括如下步骤:
将PNN神经网络的连接权值和阈值作为寻优目标,初始化人工鱼群的位置;
基于动态反向学习策略和基于柯西分布的自适应人工鱼视野,对化人工鱼群的位置进行迭代更新,在空间内的进行寻优;
当适应度值满足要求或迭代次数到达阈值,则将当前最优解的位置作为爆破效果预测模型的初始连接权值和初始阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310046586.4A CN115962692A (zh) | 2023-01-31 | 2023-01-31 | 一种应用于露天爆破工程的爆破参数优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310046586.4A CN115962692A (zh) | 2023-01-31 | 2023-01-31 | 一种应用于露天爆破工程的爆破参数优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115962692A true CN115962692A (zh) | 2023-04-14 |
Family
ID=87354125
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310046586.4A Pending CN115962692A (zh) | 2023-01-31 | 2023-01-31 | 一种应用于露天爆破工程的爆破参数优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115962692A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116664553A (zh) * | 2023-07-26 | 2023-08-29 | 天津矿山工程有限公司 | 一种基于人工智能的爆破钻孔方法、装置、设备及介质 |
-
2023
- 2023-01-31 CN CN202310046586.4A patent/CN115962692A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116664553A (zh) * | 2023-07-26 | 2023-08-29 | 天津矿山工程有限公司 | 一种基于人工智能的爆破钻孔方法、装置、设备及介质 |
CN116664553B (zh) * | 2023-07-26 | 2023-10-20 | 天津矿山工程有限公司 | 一种基于人工智能的爆破钻孔方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109635461B (zh) | 一种应用随钻参数来自动识别围岩级别的方法和系统 | |
Mohamed | Performance of fuzzy logic and artificial neural network in prediction of ground and air vibrations | |
CN104732070B (zh) | 一种基于信息向量机的岩爆等级预测方法 | |
Mohamed | Artificial neural network for prediction and control of blasting vibrations in Assiut (Egypt) limestone quarry | |
CN109799533A (zh) | 一种基于双向循环神经网络的储层预测方法 | |
CN111324990A (zh) | 基于多层长短期记忆神经网络模型的孔隙度预测方法 | |
Cao et al. | Advanced methods in neural networks-based sensitivity analysis with their applications in civil engineering | |
CN102109495A (zh) | 基于多波束声纳技术的海底混合底质类型分类方法 | |
CN110298503B (zh) | 基于微震信息和深度卷积神经网络的隧洞岩爆预警方法 | |
CN115962692A (zh) | 一种应用于露天爆破工程的爆破参数优化方法 | |
CN112614021B (zh) | 一种基于已建隧道信息智能识别的隧道围岩地质信息预测方法 | |
CN112711904A (zh) | 一种基于sa-ga-bp的爆破振动特征参量预测方法 | |
CN113610945A (zh) | 一种基于混合神经网络的地应力曲线预测方法 | |
CN111045080A (zh) | 一种基于pso-bp模型和地震属性参数的煤层含气量预测方法 | |
CN115455804A (zh) | 一种基于矿岩破碎机理的爆破块度预测方法 | |
CN112765902A (zh) | 基于TentFWA-GD的RBF神经网络软测量建模方法及其应用 | |
CN113156492B (zh) | 一种应用于tbm隧道岩爆灾害实时智能预警方法 | |
CN112926267B (zh) | 一种基于掘进参数反演的tbm隧道岩爆等级预测方法及系统 | |
CN111894563A (zh) | 潜山段中裂缝型储层的分类确定方法及系统 | |
CN115308799B (zh) | 一种地震成像游离气构造识别方法及系统 | |
CN110798885A (zh) | 一种基于测距和神经网络算法的水下定位方法 | |
Lee et al. | Quick prediction of tunnel displacements using Artificial Neural Network and field measurement results | |
CN113221471A (zh) | 基于改进可变模糊集与神经网络的岩爆等级判别方法 | |
Lv et al. | A novel stacking-based ensemble learning model for drilling efficiency prediction in earth-rock excavation | |
Zaki et al. | Analysis Ultimate Bearing Capacity on Bored Pile with Using Artificial Neural Network |
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 |