一种基于Pearson-CNN模型的露天矿山爆破振速预测方法技术

本发明专利技术公开了一种基于Pearson

【技术实现步骤摘要】
一种基于Pearson
‑
CNN模型的露天矿山爆破振速预测方法


[0001]本专利技术属于矿山爆破工程
，具体涉及一种基于Pearson
‑
CNN模型的露天矿山爆破振速预测方法。

技术介绍

[0002]爆破作为最常用的大规模、高效益碎岩方法，被广泛应用于各类水利水电、拆除、隧道及露天爆破，同时爆破对各类构筑物及环境带来的负效应如爆破地震波引起的破坏现象及后果称为爆破地震效应或爆破振动，其被认为是产生爆破危害效应之首。
[0003]对于露天矿山，研究爆破振速是一个比较复杂的问题，受到各种因素的影响。如爆源的位置、炸药量的大小、爆破方式、传播介质和地形条件等，准确的对爆破振速进行预报意义重大。目前国内外学者对于爆破振动效应的预测主要有传统经验公式预测、量纲分析及函数拟合预测和机器学习算法预测等。虽然已有专家对爆破振速的预报都做出了卓越的贡献，但还存在一些不足，如如传统萨道夫斯基公式和美国矿务局给出的公式虽广泛运用于各类工程振速预测，但萨式公式都是基于硐室爆破条件下进行拟合的，只考虑了爆源距和药量等因本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Pearson
‑
CNN模型的露天矿山爆破振速预测方法，其特征在于，包括如下步骤：(1)采集露天爆破的现场影响爆破振动速度因素数据；(2)采用Pearson相关性分析及显著性检验对采集的数据进行敏感性分析，选择显著因素数据，剔除非显著因素数据；(3)将显著因素数据分为训练集和测试集，训练集和测试集的比例为4～5.5：1；(4)设置超参数和损失函数，然后建立和训练卷积神经网络模型：采用神经网络模型对训练数据进行训练，得到训练好的神经网络模型，显著因素数据作为神经网络模型的输入，振动速度为输出值；(5)利用训练集的数据对卷积神经网络模型进行性能评估，设置Dropout层丢弃概率为0.1时和优化器选取sgdm随机梯度下降模型训练效果最佳；(6)使用最优的卷积神经网络模型进行露天矿山爆破振速预测。2.如权利要求1所述基于Pearson
‑
CNN模型的露天矿山爆破振速预测方法，其特征在于，所述影响爆破振动速度因素数据包括总药量、单段最大药量、爆源水平距离、高程差、爆源直线距离、孔深、单耗、孔径、孔距、排距、最小抵抗线、底盘抵抗线、断层个数和普氏系数。3.权利要求1所述基于Pearson
‑
CNN模型的露天矿山爆破振速预测方法，其特征在于，对步骤(1)采集的数据进行随机打乱，然后再进行Pearson相关性分析及显著性检验。4.权利要求3所述基于Pearson
‑
CNN模型的露天矿山爆破振速预测方法，其特征在于，采用matlab内置的randperm函数对采集的数据进行随机排序打乱。5.权利要求1所述...

【专利技术属性】
技术研发人员：张智宇，刘浩杉，李恒，刘松伟，曾华，王凯，贾皓琦，陈成志，孟佳乐，黄永辉，王建国，李祥龙，李洪超，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：