一种基于神经网络优化算法的爆破块度预测方法技术

本发明专利技术公开了一种基于神经网络优化算法的爆破块度预测方法，通过收集爆破块度及其影响因素的参数数据，利用MIV敏感性分析方法筛选出影响爆破块度较大的参数，建立输入层数据集，避免了参数维度过高和冗余参数的影响，提高了预测精度；基于BP神经网络模型建立预测模型，利用PSO算法自适应的优化BP神经网络模型的权重和偏置，避免了陷入局部最优解和过拟合的问题，提高预测精度；利用输入层数据集训练和测试优化后的神经网络模型，实现爆破块度的智能精确预测，可用于矿山、隧道、道路等领域的爆破作业中的块度预测，提高了作业的安全性和效率。效率。效率。

【技术实现步骤摘要】
一种基于神经网络优化算法的爆破块度预测方法


[0001]本专利技术涉及爆破工程领域，具体涉及一种爆破块度预测方法。

技术介绍

[0002]爆破是一种常用的采矿和建筑工程技术，在煤炭、金属矿山、公路、水电工程、隧道等领域都有广泛的应用。在爆破作业过程中，爆破块度是衡量爆破效果的重要指标，块度的分布和级配对于后续的挖掘、装载、运输等工作都有着重要的影响。因此，精确的预测爆破块度对于优化爆破方案、提高工作效率和降低成本具有重要的意义。
[0003]目前，预测爆破块度的方法主要有经验公式、统计学方法、数值模拟方法和智能算法等。其中，通过智能算法预测爆破块度可以考虑更多的影响因素和复杂的工程实际情况，且相比其他预测方法能够更为准确地预测爆破块度，成为目前研究的热点。然而，不同的智能算法对于预测爆破块度的适用程度也不同。目前已有的预测爆破的智能算法还相对较少，且均具有一定的局限性，比如，大多数预测模型的输入层参数数目较多且恒定。在实际工程中为了简便、快速地预测爆破块度，同时减少收集数据集工作量，增加收集数据集的精确程度，选取影响爆破块度的主要因素作为模型的输入层参数是必要的。而根据相关研究结果以及工程实践经验表明，工程概况不同，其各因素影响块度的程度也会发生变化，即不同的工程条件下，其影响爆破块度的主要因素也不同。因此如何针对不同工程，找到一种能够筛选出不同块度影响因素的预测方法是克服上述局限性的关键。

技术实现思路

[0004]专利技术目的：本专利技术目的在于针对现有技术的不足，提供一种基于神经网络优化算法的爆破块度预测方法，通过MIV敏感性分析和PSO算法优化，提高了爆破块度预测的准确性和预测效率。
[0005]技术方案：本专利技术所述一种基于神经网络优化算法的爆破块度预测方法，包括以下步骤：
[0006]步骤一、收集爆破块度及其对应的影响因素参数，影响因素参数包括爆破设计参数和岩体力学参数；
[0007]步骤二、对影响因素参数进行MIV算法敏感性分析，筛选出爆破块度的主要影响参数；
[0008]步骤三、将爆破块度的主要影响参数作为输入值，爆破块度作为输出值，建立BP神经网络模型，并进行训练和测试；
[0009]步骤四、利用PSO算法优化BP神经网络预测模型的权重和偏置，提高预测精度；
[0010]步骤五、训练和测试优化后的神经网络预测模型，建立MIV
‑
PSO
‑
BP神经网络预测模型，实现爆破块度预测。
[0011]进一步，步骤二MIV算法敏感性分析包括以下步骤：
[0012](1)构建BP神经网络模型，将爆破块度作为输出量，影响因素参数作为输入量训练
和测试BP神经网络模型；
[0013](2)将某一影响因素参数进行增大和减小调节，其余影响因数参数不变，并将所有影响因素参数数据作为输入量训练BP神经网络模型，得到输出量；
[0014](3)根据输出量计算调节参数对应的平均影响值MIV，比对各个影响因素参数的MIV值并筛选出主要影响参数。
[0015]更进一步，步骤(3)根据下式计算调节参数的平均影响值MIV：
[0016][0017]式中，M为调节参数的样本总数，分别为增大和减小影响因素参数后输入模型训练得到的两个输出数据集的第j个值。
[0018]进一步，步骤三所述BP神经网络模型采用具有隐层的前向反馈神经网络。
[0019]进一步，步骤四采用基于粒子群优化的PSO算法进行权重和偏置的优化：
[0020]①
初始化模型参数包括粒子位置和速度、粒子群总数、精度、最大迭代次数、学习因子以及粒子边界；
[0021]②
通过迭代计算得到个体适应度和寻找最优解；
[0022]③
更新粒子的速度和位置；
[0023]④
根据设定的精度和最大迭代次数判断是否完成优化，若是则输出的即是最优权值和阈值，若否则重复步骤
③
更新粒子速度和位置，直到达到判断要求。
[0024]更进一步，步骤
②
通过适应度函数迭代计算：
[0025][0026]式中，y
n
为期望值，y
n1
为网络输出值，E为适应度函数，N为输入参数的数目。
[0027]进一步，步骤
③
通过下式更新粒子的速度和位置：
[0028][0029][0030]式中，c1、c1为学习因子；ω为惯性权重因子；rand()为介于(0，1)之间的随机数；和分别为粒子i在第d维的当前速度和位置；为粒子i在第d维的当前个体极值的位置；为群体在第d维的当前全局极值的位置。
[0031]有益效果：本专利技术通过收集爆破块度及其影响因素的参数数据，利用MIV敏感性分析方法筛选出敏感性较大即影响爆破块度较大的参数，建立输入层数据集，避免了参数维度过高和冗余参数的影响，提高了预测精度；基于BP神经网络模型建立预测模型，利用PSO算法自适应的优化BP神经网络模型的权重和偏置，避免了陷入局部最优解和过拟合的问题，提高模型的预测精度和泛化能力，增强网络的鲁棒性，实现爆破块度精确预测；利用输入层数据集训练和测试优化后的神经网络模型，实现爆破块度的智能精确预测，可用于矿山、隧道、道路等领域的爆破作业中的块度预测，提高了作业的安全性和效率。
附图说明
[0032]图1为本专利技术基于神经网络算法的爆破块度预测方法流程图。
[0033]图2为步骤四利用PSO优化BP神经网络权值和偏置的方法流程图。
具体实施方式
[0034]下面通过附图对本专利技术技术方案进行详细说明，但是本专利技术的保护范围不局限于所述实施例。
[0035]如图1所示，采用基于神经网络优化算法的爆破块度预测方法，对某工程的爆破块度进行预测，包括以下步骤：
[0036]步骤一、根据工程实际情况，收集爆破块度及影响块度参数的数据，本实施例根据工程实践收集了如表1所示的爆破设计参数数据：
[0037]表1
[0038][0039]步骤二、对收集的参数数据进行MIV算法敏感性分析，筛选出对爆破块度影响较大的参数；
[0040]MIV是一种基于平均影响值的敏感性分析方法，用于评估模型中每个变量对输出结果的影响程度。MIV方法的基本思想是在对每个变量进行单独扰动的情况下，计算输出结果的变化程度，以此来评估该变量对输出结果的敏感性。具体步骤如下：
[0041](1)将爆破块度作为输出量，其他参数作为输入量训练和测试BP神经网络模型，可将参数的70％作为训练集、30％作为测试集；BP神经网络模型构建时，输入层层数等于收集的相关参数的种类数量，输出层层数为1，隐含层层数l按公式(1)计算。本实施例中BP神经网络模型的激活函数采用tansig，训练算法采用trainlm，训练次数为1000，学习速率为0.01，训练目标最小误差为0.000001：
[0042][0043]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优化算法的爆破块度预测方法，其特征在于，包括以下步骤：步骤一、收集爆破块度及其对应的影响因素参数，影响因素参数包括爆破设计参数和岩体力学参数；步骤二、对影响因素参数进行MIV算法敏感性分析，筛选出爆破块度的主要影响参数；步骤三、将爆破块度的主要影响参数作为输入值，爆破块度作为输出值，建立BP神经网络模型，并进行训练和测试；步骤四、利用PSO算法优化BP神经网络预测模型的权重和偏置，提高预测精度；步骤五、训练和测试优化后的神经网络预测模型，建立MIV
‑
PSO
‑
BP神经网络预测模型，实现爆破块度预测。2.根据权利要求1所述的基于神经网络优化算法的爆破块度预测方法，其特征在于，步骤二MIV算法敏感性分析包括以下步骤：(1)构建BP神经网络模型，将爆破块度作为输出量，影响因素参数作为输入量训练和测试BP神经网络模型；(2)将某一影响因素参数进行增大和减小调节，其余影响因数参数不变，并将所有影响因素参数数据作为输入量训练BP神经网络模型，得到输出量；(3)根据输出量计算调节参数对应的平均影响值MIV，比对各个影响因素参数的MIV值并筛选出主要影响参数。3.根据权利要求2所述的基于神经网络优化算法的爆破块度预测方法，其特征在于，步骤(3)根据下式计算调节参数的平均影响值MIV：式中，M为调节参数的样本总数，分别为增大和减小影响因素参数后输入模型训练得到的两个输出数据集的第j个值。4.根据权利要求1所述的基于神经网络优化算法的爆破...

【专利技术属性】
技术研发人员：王海涛，刘迪，顾云，蒋楠，张继奎，李飞，孙飞，刘勤杰，周宇峰，何庆军，王静，薛永利，徐静，周林珠，宋朋，杨炎，倪国庆，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：