一种基于神经网络的爆破振动预测方法技术

本发明专利技术公开了一种基于神经网络的爆破振动预测方法，包括：获取爆破时的历史爆破数据，并对爆破数据进行预处理，得到训练数据；以神经网络作为爆破振动预测模型，以训练数据为基础，并采用多步寻优算法对爆破振动预测模型进行训练，得到训练完成的爆破振动预测模型；获取爆破时的实时爆破数据，将该实时爆破数据作为训练完成的爆破振动预测模型的输入，以训练完成的爆破振动预测模型对爆破振动进行预测，得到爆破振动预测结果。本发明专利技术不仅不需要预测人员具备专业知识，还提高了预测效率，采用多步寻优算法对神经网络进行更新，不仅实现快速的局部收敛，还可以避免陷入局部最优值，从而实现精准的训练，使训练后的神经网络能够更好的预测爆破振动。的预测爆破振动。的预测爆破振动。

【技术实现步骤摘要】
一种基于神经网络的爆破振动预测方法


[0001]本专利技术属于工程爆破领域，具体涉及一种基于神经网络的爆破振动预测方法。

技术介绍

[0002]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。但是在岩石中炸药爆炸做功的同时还会产生爆破振动、空气冲击波、噪音、个别飞石和毒气等有害效应，这些有害效应目前难以避免。爆破有害效应中爆破振动影响范围较广且危害较大，爆破振动会给矿山周围边坡造成滑坡危险，在井巷工程中会造成冒顶，对周围建筑物造成破裂和塌落危害，在城市拆除爆破中危害周边居民楼、城市管网的安全。如果预防和控制不当可能造成巨大的财产损失和人员伤亡，不仅导致工程爆破失败，还会产生不可预计的法律责任。因此，对爆破振动进行有效地预测，并将爆破振动预测数据作为结果导向对爆破设计参数进行优化，达到控制爆破振动在安全范围、降低爆破振动带来的负面影响、提高爆破工程经济效益的目的。
[0003]在现有技术中，常常采用经验模型进行人工预测，采用人工预测，不仅需要预测人员具备比较专业的知识，并且预测的效率较低。

技术实现思路

[0004]针对现有技术中的上述不足，本专利技术提供的一种基于神经网络的爆破振动预测方法解决了现有技术中的问题。
[0005]为了达到上述专利技术目的，本专利技术采用的技术方案为：一种基于神经网络的爆破振动预测方法，包括：
[0006]获取爆破时的历史爆破数据，并对爆破数据进行预处理，得到训练数据；
[0007]以神经网络作为爆破振动预测模型，以所述训练数据为基础，并采用多步寻优算法对爆破振动预测模型进行训练，得到训练完成的爆破振动预测模型；
[0008]获取爆破时的实时爆破数据，将该实时爆破数据作为训练完成的爆破振动预测模型的输入，以训练完成的爆破振动预测模型对爆破振动进行预测，得到爆破振动预测结果。
[0009]在一种可能的实时方式中，所述历史爆破数据包括条件参数以及结果参数，所述条件参数包括爆破的测点距离、孔间微差时间、炮孔数量、孔距、排距、最大孔深、总药量以及最大一段药量，所述结果参数包括目标质点在XYZ三个方向的峰速以及振动主频率。
[0010]在一种可能的实时方式中，对爆破数据进行预处理，得到训练数据，包括：将测点距离、孔间微差时间、炮孔数量、孔距、排距、最大孔深、总药量以及最大一段药量进行归一化，作为输入数据；
[0011]将目标质点在XYZ三个方向的峰速以及振动主频率进行归一化，作为期望输出数据；
[0012]所述输入数据以及期望输出数据共同作为训练数据。
[0013]在一种可能的实时方式中，以神经网络作为爆破振动预测模型，包括：采用BP神经
网络作为爆破振动预测模型。
[0014]在一种可能的实时方式中，以所述训练数据为基础，并采用多步寻优算法对爆破振动预测模型进行训练，得到训练完成的爆破振动预测模型，包括：
[0015]设置最小训练轮数Smin、最小误差阈值q以及当前训练轮数t＝1；
[0016]构建爆破振动预测模型的误差函数；
[0017]随机初始化爆破振动预测模型的权重N次，得到N个权重向量，将每个权重向量作为一个个体，得到种群；
[0018]采用轮盘赌算法获取更新方式，所述更新方式包括自更新以及引导更新；
[0019]若更新方式为自更新，则根据误差函数对种群中每个个体进行自更新，得到初步更新后的种群；若更新方式为引导更新，则根据误差函数对种群中每个个体进行引导更新，得到初步更新后的种群；
[0020]对初步更新后种群中每个个体进行随机游走，并根据误差函数确定游走后的个体，得到二次更新后的种群；
[0021]判断当前训练轮数t是否大于或者等于最小训练轮数Smin，若是，则获取二次更新后的种群中每个个体对应的误差函数值，否则令t的计数值加一，进行下一轮训练；
[0022]判断是否存在个体的误差函数值小于最小误差阈值q，若是，则将误差函数值最小的个体作为爆破振动预测模型的权重参数，得到训练完成的爆破振动预测模型，否则令t的计数值加一，进行下一轮训练。
[0023]在一种可能的实时方式中，构建爆破振动预测模型的误差函数E为：
[0024][0025][0026][0027]其中，d
nk
表示输出层中第k个神经元的实际输出值，y
nk
表示输出层中第k个神经元的期望输出值，k＝1,2,
…
,M，M表示爆破振动预测模型输出层对应的神经元总数，e表示自然常数，λ表示陡度因子，j＝1,2,
…
,L，L表示隐含层的神经元总数，net
k
表示中间系数，w
jk
表示隐含层中第j个神经元与输出层中第k个神经元之间的权重，h
nj
表示爆破振动预测模型隐含层中第j个神经元的输出，θ
k
表示输出层中第k个神经元对应的第一阈值。
[0028]在一种可能的实时方式中，采用轮盘赌算法获取更新方式，包括：设置自更新的概率为0.5，产生一个(0，1)内的随机数r，判断该随机数r是否小于0.5，若是则进行自更新，否则进行引导更新。
[0029]在一种可能的实时方式中，根据误差函数对种群中每个个体进行自更新，包括：
[0030]根据训练函数以及误差函数，获取种群中每个个体对应的误差函数值，并取出误差函数值最小的个体作为当前最优个体；
[0031]根据当前最优个体，对每个个体进行自更新为：
[0032][0033]其中，表示当前最优个体；W
it
表示第t轮训练时，种群中第i个个体；W
it+1
表示更新后的个体W
it
，e表示自然常数，b表示常数，l表示均匀分布在[0，1]中的随机数，π表示圆周率。
[0034]在一种可能的实时方式中，根据误差函数对种群中每个个体进行引导更新，包括：
[0035]根据训练函数以及误差函数，获取种群中每个个体对应的误差函数值，并取出误差函数值最小的个体作为当前最优个体；
[0036]生成随机向量A，所述随机向量A的维数与权重向量的维数相同，且随机向量A的所有维为均匀分布在(
‑
a，a)中的随机数；
[0037]获取随机向量A的模，并判断随机向量A的模是否小于1，若是，则根据最优个体对其他进行第一引导更新，否则随机选择一个个体，并根据随机选择的个体对其他个体进行第二引导更新；
[0038]所述第一引导更新为：
[0039][0040]其中，表示当前最优个体；W
it
表示第t轮训练时，群中第i个个体；W
it+1
表示更新后的个体W
it
，C表示均匀分布在[0，2]之间的随机数；
[0041]所述第二引导更新为：
[0042][0043]其本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的爆破振动预测方法，其特征在于，包括：获取爆破时的历史爆破数据，并对爆破数据进行预处理，得到训练数据；以神经网络作为爆破振动预测模型，以所述训练数据为基础，并采用多步寻优算法对爆破振动预测模型进行训练，得到训练完成的爆破振动预测模型；获取爆破时的实时爆破数据，将该实时爆破数据作为训练完成的爆破振动预测模型的输入，以训练完成的爆破振动预测模型对爆破振动进行预测，得到爆破振动预测结果。2.根据权利要求1所述的基于神经网络的爆破振动预测方法，其特征在于，所述历史爆破数据包括条件参数以及结果参数，所述条件参数包括爆破的测点距离、孔间微差时间、炮孔数量、孔距、排距、最大孔深、总药量以及最大一段药量，所述结果参数包括目标质点在XYZ三个方向的峰速以及振动主频率。3.根据权利要求2所述的基于神经网络的爆破振动预测方法，其特征在于，对爆破数据进行预处理，得到训练数据，包括：将测点距离、孔间微差时间、炮孔数量、孔距、排距、最大孔深、总药量以及最大一段药量进行归一化，作为输入数据；将目标质点在XYZ三个方向的峰速以及振动主频率进行归一化，作为期望输出数据；所述输入数据以及期望输出数据共同作为训练数据。4.根据权利要求3所述的基于神经网络的爆破振动预测方法，其特征在于，以神经网络作为爆破振动预测模型，包括：采用BP神经网络作为爆破振动预测模型。5.根据权利要求4所述的基于神经网络的爆破振动预测方法，其特征在于，以所述训练数据为基础，并采用多步寻优算法对爆破振动预测模型进行训练，得到训练完成的爆破振动预测模型，包括：设置最小训练轮数Smin、最小误差阈值q以及当前训练轮数t＝1；构建爆破振动预测模型的误差函数；随机初始化爆破振动预测模型的权重N次，得到N个权重向量，将每个权重向量作为一个个体，得到种群；采用轮盘赌算法获取更新方式，所述更新方式包括自更新以及引导更新；若更新方式为自更新，则根据误差函数对种群中每个个体进行自更新，得到初步更新后的种群；若更新方式为引导更新，则根据误差函数对种群中每个个体进行引导更新，得到初步更新后的种群；对初步更新后种群中每个个体进行随机游走，并根据误差函数确定游走后的个体，得到二次更新后的种群；判断当前训练轮数t是否大于或者等于最小训练轮数Smin，若是，则获取二次更新后的种群中每个个体对应的误差函数值，否则令t的计数值加一，进行下一轮训练；判断是否存在个体的误差函数值小于最小误差阈值q，若是，则将误差函数值最小的个体作为爆破振动预测模型的权重参数，得到训练完成的爆破振动预测模型，否则令t的计数值加一，进行下一轮训练。6.根据权利要求5所述的基于神经网络的爆破振动预测方法，其特征在于，构建爆破振动预测模型的误差函数E为：
其中，d
nk
表示输出层中第k个神经元的实际输出值，y
nk
表示输出层中第k个神经元的期望输出值，k＝1,2,
…
,M，M表示爆破振动预...

【专利技术属性】
技术研发人员：余德运，谢烽，杨威，张书鹏，杜军，郝成磊，赵文龙，厉美杰，王明虎，王银涛，
申请(专利权)人：北方爆破科技有限公司，
类型：发明
国别省市：