一种基于BP神经网络预测台阶爆破抛掷效果的方法与流程

一种基于bp神经网络预测台阶爆破抛掷效果的方法
技术领域
1.本发明涉及一种基于bp神经网络预测台阶爆破抛掷效果的方法，属于爆破工程领域。


背景技术：

2.露天煤矿抛掷爆破技术，通常采用大孔径、深孔高台阶、大装药量、不耦合装药等措施，利用炸药爆炸产生的能量将部分岩石抛掷到采空区而无需采装设备移运。这部分被抛掷到采空区的岩石称为有效抛掷量，其与总爆破岩石量之比称为有效抛掷率，是衡量抛掷爆破效果的重要指标之一。另一方面，抛掷爆破技术仅是生产工艺环节的一部分，必须与其他剥采设备配合作业，抛掷爆破后爆堆形态是影响后续设备作业效率的重要因素，提高有效抛掷率和控制抛掷爆破爆堆形态是节约生产成本和提高后续设备作业效率的关键途径。显然，台阶抛掷爆破参数对有效抛掷率和抛掷爆破爆堆形态起重要作用，需要对台阶抛掷爆破参数进行优化研究。
3.抛掷爆破中，需要根据爆堆形态确定有效抛掷率，进而确定系统的倒堆作业量；拉斗铲作业时站立于平整后的爆堆之上，爆堆形态影响了倒堆工作面参数的设计以及构筑拓展平台的工程量，因此，爆堆形态特征研究是抛掷爆破工艺优化设计中最为重要的基础工作，迫切的需要一种方法实现对抛掷爆破后抛掷效果的预测。


技术实现要素：

4.本发明目的旨在提供一种基于bp神经网络预测台阶爆破抛掷效果的方法，经测试合格后的神经网络模型可以利用其泛化能力对预定工况下台阶爆破抛掷情况进行预测，判断爆破方案可行性，并决定是否满足抛掷要求；为矿山台阶爆破提供参考，提高抛掷爆破的可靠性。
5.本发明采用的技术方案是：一种基于bp神经网络预测台阶爆破抛掷效果的方法，包括如下步骤：
6.步骤一：根据实际工况设计多组试验模型，开展不同组别下试验，并记录试验数据；
7.步骤二：构建bp神经网络模型：以台阶高度、煤层厚度、采空区上口宽度、最小抵抗线、孔距、排距、孔间微差时间、煤层坡角作为输入参数，以抛掷率、爆堆松散系数、最远抛距作为输出参数，并其进行归一化处理；
8.步骤三、确定bp神经网络的结构参数：对归一化处理后的输入参数、输出参数进行预处理，然后把预处理后的输入参数、输出参数分为训练样本集和测试样本集；用训练样本集中的数据对bp神经网络模型进行训练，并调整bp神经网络模型的网络参数，训练成功后，用测试数据集中的数据对训练后的bp神经网络模型进行测试，以验证神经网络模型的正确性；
9.步骤四、使用训练完成的bp神经网络模型对指定工况下台阶爆破抛掷情况进行预
测，判断爆破方案可行性，并决定是否满足抛掷要求。
10.具体地，步骤一中，每组试验模型都包括抛掷爆破台阶1、采空区2、倒堆堆积体3、背景格子板4，抛掷爆破台阶1上布置下向炮孔1.2，模拟煤层1.1位于抛掷爆破台阶1正下方，的背景格子板4竖立于抛掷爆破台阶1、采空区上口2、倒堆堆积体3后方。
11.具体地，步骤一中，不同组别下试验为：通过调整最小抵抗线、孔距、排距、主控排孔间微差时间、煤层坡角、炸药单耗中的一个或两个以上的值，进行多组试验。
12.具体地，选用的bp神经网络类型为单隐层bp神经网络，用训练样本集中的数据对其进行训练，每次训练都对训练样本集中的数据重新排序，达到误差容限或训练次数上限就停止训练。
13.具体地，步骤三中，对训练后的bp神经网络模型进行测试时，利用仿真函数来获得网络输出进行网络模型测试，然后检查输出和真实值之间的误差是否满足要求。
14.本发明的有益效果：
15.1该程序可实现对高台阶抛掷爆破效果bp神经网络预测模型原始数据的训练，动态显示网络训练过程，给出训练结果。
16.2能对训练好的网络进行性能检验，给出表征网络性能的相对误差曲线图。
17.3在给出爆破设计参数时，可实现对爆破效果的预测，显示预测数值结果。
18.4在取得实测爆破效果时，可实现误差分析。
19.5可实现网络的自更新，在取得新的爆破设计和对应可信爆破效果测量值时，可将参数对应添加到原模型数据库中，随着该程序使用次数的增加，样本数据库将增大，程序预测精度将逐步提高。
20.6操作简单，预测结果较可靠。
附图说明
21.图1为本发明实施的总流程示意图；
22.图2为试验模型图；
23.图3为神经网络模型构建流程示意图；
24.图4为bp网络训练过程误差下降曲线图；
25.图5为真实与预测值相对误差图；
26.图6爆堆形态预测图；
27.图中：1
‑
抛掷爆破台阶、2
‑
采空区、3
‑
倒堆堆积体、4
‑
背景格子板、1.1
‑
模拟煤层、1.2下向炮孔。
具体实施方式
28.下面结合附图和具体实施例，对本发明作进一步说明。
29.实施例1：如图1
‑
6所示，一种基于bp神经网络预测台阶爆破抛掷效果的方法，包括如下步骤：
30.步骤一：根据实际工况设计多组试验模型(根据现场工程地质条件及参数按比例计算得到模型如图2所示，实验模型由混凝土建造，模型数据为矿山真实数据按比例计算所得)，本实施例中根据扫描仪扫描数据得知黑岱沟露天煤矿采场中西部(西二区)抛掷爆破
前台阶面和采空区的空间几何参数，根据现场工程地质条件及生产要求开展不同组别下试验，并记录试验数据；
31.步骤二：构建bp神经网络模型(其实施过程如图1所示)：具体实施步骤如下：以台阶高度、煤层厚度、采空区上口宽度、最小抵抗线、孔距、排距、孔间微差时间、煤层坡角作为输入参数，以抛掷率、爆堆松散系数、最远抛距作为输出参数，并其进行归一化处理；
32.步骤三、确定bp神经网络的结构参数：对归一化处理后的输入参数、输出参数进行预处理，然后把预处理后的输入参数、输出参数分为训练样本集和测试样本集；用训练样本集中的数据对bp神经网络模型进行训练(如图3、4所示)，并调整bp神经网络模型的网络参数，训练成功后，用测试数据集中的数据对训练后的bp神经网络模型进行测试，以验证神经网络模型的正确性；
33.步骤四、使用训练完成的bp神经网络模型对指定工况下台阶爆破抛掷情况进行预测(并与实际情况比较得出相对误差如图5)，判断爆破方案可行性，并决定是否满足抛掷要求。得出爆堆形态预测图6。
34.神经网络预测值相对误差如图5所示。从图5中预测值的相对误差可以看出，bp网络得到的预测值与试验值基本一致，其相对误差在0.3％以内。
35.进一步地，步骤一中，每组试验模型都包括抛掷爆破台阶1、采空区2、倒堆堆积体3、背景格子板4，抛掷爆破台阶1上布置下向炮孔1.2，模拟煤层1.1位于抛掷爆破台阶1正下方，的背景格子板4竖立于抛掷爆破台阶1、采空区2、倒堆堆积体3后方。
36.进一步地，步骤一中，不同组别下试验为：通过调整最小抵抗线、孔距、排距、主控排孔间微差时间、煤层坡角、炸药单耗中的一个或两个以上的值，进行多组试验。
37.进一步地，选用的bp神经网络类型为单隐层bp神经网络，用训练样本集中的数据对其进行训练，为了得到良好的学习效果，每次训练都对训练样本集中的数据重新排序，达到误差容限或训练次数上限就停止训练(如图4所示)。
38.进一步地，步骤三中，对训练后的bp神经网络模型进行测试时，利用仿真函数来获得网络输出进行网络模型测试，然后检查输出和真实值之间的误差是否满足要求。
39.从上述的实施例中可以看出，只要提前测得相应矿区空间几何参数等，然后选择合适的神经网络类型用试验数据对其进行训练，神经网络就能很好地学习其内部蕴含规律，对未经测试的工况做出正确的预测。
40.上面结合附图对本发明的具体实施例作了详细说明，但是本发明并不限于上述实施例，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。