一种爆破块度预测方法与流程

1.本发明涉及一种爆破块度预测方法，属于爆破块度预测技术领域。


背景技术：

2.钻爆法是矿山开采和隧道修建经常采用的破岩方法之一，爆破作用在完成破岩的同时也带来了很多负面效应，如爆破震动、空气冲击波、飞石、噪音、粉尘等，其中爆破震动危害尤为显著。我国爆破规程采用速度来衡量震动强度，准确地预测爆破引起的质点振动速度能有效控制爆破震动的危害。
3.现有技术中爆破块度预测方法的准确性和可靠性都较低。


技术实现要素：

4.本发明要解决的技术问题是：提供了一种爆破块度预测方法，研究解决了需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题，提高了爆破块度预测的准确性和可靠性。
5.本发明采用的技术方案是：一种爆破块度预测方法，包括如下步骤：
6.1)形成训练数据集；
7.2)选择分裂节点；
8.3)生成第一层随机森林；
9.4)生成第二层随机森林；
10.5)第一层随机森林与第二层随机森林的输出依次叠加，得到双层随机森林预测模型的最终输出。
11.具体地，所述步骤1)包括如下步骤：
12.step1.1：将爆破试验实际测得的爆破平均块度值作为模型的输出变量(标签值)，相应爆破试验场次采集到抵抗线距(b)、钻孔排间距(s)、台阶高度(h)、钻孔直径(d)、堵塞长度(l)、岩体弹性模量(e)、原位岩石块度(x)、爆破单耗(q)指标作为模型的输入变量(属性值)，输出变量及输入变量组成训练数据集
13.step1.2：使用step1.1得来的数据集采用bootstrap方法进行训练样本集重抽样，抽取m个数据样本，随机产生n个训练数据集的子集d，d＝{x
i1
,x
i2
,
…
,x
in
,y
i
}(i∈[1,m])。
[0014]
在bootstrap数据集基础上采用bagging方法进行随机有放回的选择训练数据，然后构造分类器，最后在通过组合学习后的模型来增加整体的采集效果。
[0015]
step1.3：在各子集中使用决策树算法，根据“基尼系数最小准则”，选择最优方式进行节点分裂，分裂过程中不剪枝，设单棵决策树预测器f(x，θ
k
)的预测结果为f
i
(x)，则随机森林回归模型的最终预测结果表示为:式(1)定义了随机森林回归算法建模过程参数集rfp；式(2)用于进行基于随机森林回归的爆破块度预测。
[0016]
rfp＝{ntree,mtry}(1)
[0017][0018]
其中x表示输入向量，θ
k
是表示生成每棵树生长路径的向量，f(x)表示预测的爆破块度。ntree为模型中决策树树棵数，ntree值影响随机森林模型的训练度与精确度。为了得到最佳的评价结果，利用matlab脚本语言编写代码并进行不同决策树树棵树(ntree)与模型均方误差(mse)之间关系仿真计算。mtry为从特征中随机抽取的特征数目。mtry值控制了随机森林模型属性的扰动程度，是模型中重要的参数。mtry值会直接影响模型的准确度。根据以下经验公式计算mtry值：
[0019]
mtry&＝[log2m](3)
[0020]
mtry&＝[m/3(4)
[0021]
式中：m为模型输入参数的数量；[]表示向下取整运算。
[0022]
具体地，所述步骤2)包括如下步骤：
[0023]
step2.1：采用二叉树形式决策树，利用二分递归将数据空间不断划分为不同子集。分类时，假设有k个类，则概率分布的基尼指数为：
[0024][0025]
其中，p表示样本点的概率，p
k
表示样本点属于第k类的概率。
[0026]
step2.2：决策树采用gini系数作为属性分裂的标准。选择基尼系数最低的特征作为根节点。以此类推，选择其余特征基尼系数最小的作为叶节点。
[0027]
step2.3：根据训练数据集,从根节点开始，递归地对每个节点进行步骤3，构建二叉决策树。
[0028]
具体地，所述步骤3)包括如下步骤：
[0029]
step3.1：子集d根据特征a是否取某一可能值a被分割成d1和d2两部分,d1＝{(x,y)∈d|a(x)＝a},d2＝d
‑
d1,则特征a的条件下,集合d的基尼指数定义为：
[0030][0031]
其中d1表示节点的训练集，计算现有的特征对该数据集的基尼指数。
[0032]
step3.2：对每一个特征a,对其可能的每个取值a,根据样本点对a＝a的测试为“是”或“否”将d分割成d1和d2两部分,计算a＝a时的基尼指数。在所有可能的特征a以及所有可能的切分点a中,选择基尼指数最小的切分点作为切分点。依最优特征与最优切分点,从现切分点生成两个子节点,将训练数据集依特征分配到两个叶节点中去。
[0033]
step3.3：对两个叶节点递归地调用step2.3到step3.2。
[0034]
step3.4：重复步骤3.1到3.3，得到不同决策树，每棵决策树由上而下递归分枝生长，满足分割终止条件后回归树停止生长，最后将所有回归树组合在一起，构成随机森林。
[0035]
step3.5：将预测集x中的输入向量x输入到第一层随机森林中，对单棵回归树t
i
的预测值y
i
使用“简单平均法”求算术平均值
[0036]
具体地，所述步骤4)包括如下步骤：
[0037]
step4.1：计算第1层随机森林在训练样本集上的输出用训练样本的实际值y
i
减去输出值即可得到训练残差将训练残差代入原训练样本中构建一个新的数据集作为第2层随机森林的训练样本，使其输入为x
i
，期望输出为
[0038]
step4.2：因step4.1所得训练残差数值太小，故训练残差需经进行归一化处理：
[0039][0040]
式中：l
in
为原始输入数据；l
min
为原始输入数据中同类数据的最小；l
max
为原始输入数据中同类数据的最大值；l为归一化处理之后的输入数据。归一化处理后组成第2层随机森林的训练数据集。
[0041]
step4.3：按照step1.1到step4.1建立第2层随机森林模型，得到第2层随机森林模型的预测结果。
[0042]
本发明的有益效果是：本发明特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题，且相比于传统预测方法具有更高的可靠性以及稳定性。
附图说明
[0043]
图1为基于随机森林回归的爆破块度预测值计算流程图；
[0044]
图2为台阶爆破参数示意图；
[0045]
图3为原始数据集散点矩阵图；
[0046]
图4为爆破试验实测块度与预测块度对比；
[0047]
图5为爆破试验实测块度与预测块度相对误差。
具体实施方式
[0048]
下面结合附图和具体实施例，对本发明作进一步描述。
[0049]
实施例1：随机森林作为一种先进的算法工具，特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题，将随机森林回归方法引入到爆破震动速度预测，并将随机森林模型预测的结果与传统方法预测的结果相比较，以期为爆破块度监测提供最优的预测方法。
[0050]
如图1所示，一种爆破块度预测方法，包括如下步骤：
[0051]
1)形成训练数据集；
[0052]
2)选择分裂节点；
[0053]
3)生成第一层随机森林；
[0054]
4)生成第二层随机森林；
[0055]
5)第一层随机森林与第二层随机森林的输出依次叠加，得到双层随机森林预测模型的最终输出。
[0056]
具体实施过程如下：为解决现阶段关于爆破料块度预测的研究中，存在模型预测精度低、模型泛化能力差等问题，难于准确控制堆石料块度、符合爆破开采堆石料上坝条件。针对目前爆破预测模型存在的不足，并有效控制堆石坝料爆破块度，基于随机森林回归方法建立了爆破块度预测模型。
[0057]
进一步地，所述步骤1)包括如下步骤：
[0058]
step1.1：将爆破试验实际测得的爆破平均块度值作为模型的输出变量(标签值)，相应爆破试验场次采集到抵抗线距(b)、钻孔排间距(s)、台阶高度(h)、钻孔直径(d)、堵塞长度(l)、岩体弹性模量(e)、原位岩石块度(x)、爆破单耗(q)指标作为模型的输入变量(属性值)，输出变量及输入变量组成训练数据集台阶爆破参数示意图如图2所示。
[0059]
step1.2：使用step1.1得来的数据集采用bootstrap方法进行训练样本集重抽样，抽取m个数据样本，随机产生n个训练数据集的子集d，d＝{x
i1
,x
i2
,
…
,x
in
,y
i
}(i∈[1,m])。
[0060]
在bootstrap数据集基础上采用bagging方法进行随机有放回的选择训练数据，然后构造分类器，最后在通过组合学习后的模型来增加整体的采集效果。
[0061]
step1.3：在各子集中使用决策树算法，根据“基尼系数最小准则”，选择最优方式进行节点分裂，分裂过程中不剪枝，设单棵决策树预测器f(x，θ
k
)的预测结果为f
i
(x)，则随机森林回归模型的最终预测结果表示为:式(1)定义了随机森林回归算法建模过程参数集rfp；式(2)用于进行基于随机森林回归的爆破块度预测。
[0062]
rfp＝{ntree,mtry}(1)
[0063][0064]
其中x表示输入向量，θ
k
是表示生成每棵树生长路径的向量，f(x)表示预测的爆破块度。ntree为模型中决策树树棵数，ntree值影响随机森林模型的训练度与精确度。为了得到最佳的评价结果，利用matlab脚本语言编写代码并进行不同决策树树棵树(ntree)与模型均方误差(mse)之间关系仿真计算。mtry为从特征中随机抽取的特征数目。mtry值控制了随机森林模型属性的扰动程度，是模型中重要的参数。mtry值会直接影响模型的准确度。根据以下经验公式计算mtry值：
[0065]
mtry&＝[log2m](3)
[0066]
mtry&＝[m/3(4)
[0067]
式中：m为模型输入参数的数量；[]表示向下取整运算。
[0068]
进一步地，所述步骤2)包括如下步骤：
[0069]
step2.1：采用二叉树形式决策树，利用二分递归将数据空间不断划分为不同子集。分类时，假设有k个类，则概率分布的基尼指数为：
[0070][0071]
其中，p表示样本点的概率，p
k
表示样本点属于第k类的概率。
[0072]
step2.2：决策树采用gini系数作为属性分裂的标准。选择基尼系数最低的特征作为根节点。以此类推，选择其余特征基尼系数最小的作为叶节点。
[0073]
step2.3：根据训练数据集,从根节点开始，递归地对每个节点进行步骤3，构建二叉决策树。
[0074]
进一步地，所述步骤3)包括如下步骤：
[0075]
step3.1：子集d根据特征a是否取某一可能值a被分割成d1和d2两部分,d1＝{(x,y)
∈d|a(x)＝a},d2＝d
‑
d1,则特征a的条件下,集合d的基尼指数定义为：
[0076][0077]
其中d1表示节点的训练集，计算现有的特征对该数据集的基尼指数。
[0078]
step3.2：对每一个特征a,对其可能的每个取值a,根据样本点对a＝a的测试为“是”或“否”将d分割成d1和d2两部分,计算a＝a时的基尼指数。在所有可能的特征a以及所有可能的切分点a中,选择基尼指数最小的切分点作为切分点。依最优特征与最优切分点,从现切分点生成两个子节点,将训练数据集依特征分配到两个叶节点中去。
[0079]
step3.3：对两个叶节点递归地调用step2.3到step3.2。
[0080]
step3.4：重复步骤3.1到3.3，得到不同决策树，每棵决策树由上而下递归分枝生长，满足分割终止条件后回归树停止生长，最后将所有回归树组合在一起，构成随机森林。
[0081]
step3.5：将预测集x中的输入向量x输入到第一层随机森林中，对单棵回归树的预测值y
i
使用“简单平均法”求算术平均值
[0082]
进一步地，所述步骤4)包括如下步骤：
[0083]
step4.1：计算第1层随机森林在训练样本集上的输出用训练样本的实际值y
i
减去输出值即可得到训练残差将训练残差代入原训练样本中构建一个新的数据集作为第2层随机森林的训练样本，使其输入为x
i
，期望输出为
[0084]
step4.2：因step4.1所得训练残差数值太小，故训练残差需经进行归一化处理：
[0085][0086]
式中：l
in
为原始输入数据；l
min
为原始输入数据中同类数据的最小；l
max
为原始输入数据中同类数据的最大值；l为归一化处理之后的输入数据。归一化处理后组成第2层随机森林的训练数据集。
[0087]
step4.3：按照step1.1到step4.1建立第2层随机森林模型，得到第2层随机森林模型的预测结果。
[0088]
进一步地，根据训练样本集统计分析结果，表1分别给出了各建模参数的范围(range)、平均值(mean)及标准差(std.dev)指标。由图2可以看出，图中并未显示出各参数之间明显的相关性，说明选取的参数之间具有独立性。
[0089]
表1随机森林回归模型训练样本输入、输出参数描述性统计
[0090][0091]
案例：
[0092]
为了进一步说明本发明方法的准确性和可靠性，以一次台阶爆破实验为例进行说明。通过现场爆破试验后筛分试验、各场次实测爆破块度级配曲线，得到各场次中值块度分别为0.200m，0.135m，0.105m，0.115m，0.122m；根据现场爆破试验采用的爆破设计参数、岩石信息参数、炸药信息参数，计算得到现场爆破试验模型输入参数，如表2所示。
[0093]
表2现场爆破试验模型输入参数
[0094][0095]
根据所建立的基于rf
‑
r方法的爆破块度预测系统，本发明对本次实验5组爆破试验分别进行了10次仿真预测计算，最终得到各试验场次的预测块度平均值，结果如表3所示。
[0096]
表3仿真实验预测块度结果
[0097][0098]
经计算，各爆破试验场次预测块度值与实测块度值的相对误差分别为：0.60％、1.04％、12.76％、2.63％、2.80％，其中最大误差为12.76％，最小误差为0.60％，平均误差为3.96％。
[0099]
各爆破试验场次的预测块度值与实测块度值对比如图4所示、块度值相对误差如图5所示。
[0100]
综上所述，基于rf
‑
r模型的爆破块度预测精度比其他预测模型高，针对该次实验的最大相对误差不超过15％，符合工程要求。因此，通过爆破参数与爆破块度之间的定量关系，可根据rf
‑
r模型及系统预测出的爆破块度值，结合实际情况，适当调整爆破参数，以满足上坝料块度要求。
[0101]
以上结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，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。