基于bp神经网络的爆破参数优化研究

基于bp神经网络的爆破参数优化研究

矿岩爆炸过程是矿山生产过程中最重要的环节之一。合理的爆炸参数是确保安全且高效开采的必要前提。研究表明炮孔排距、孔底距及一次炸药单耗是矿岩最主要的爆破参数;而矿岩的固有属性,包括容重、弹性模量、抗拉强度、抗压强度、摩擦角及粘结力是影响矿岩爆破参数的最主要因素。因此,必须寻求与主要因素相匹配的爆破参数才能达到理想的爆破效果。然而,各爆破参数间及各影响因素间关系繁杂,爆破参数与影响因素间也具有不确定性和不精确性,呈非线性映射关系,难以实现优选。长期以来,国内外矿山大都采用简单工程类比法和现场爆破试验来选择参数,但前者往往考虑因素不全,容易受主观因素左右,而后者要花费大量的人力、财力、时间等,难以达到理想的效果。为了克服上述传统方法的缺点,研究运用BP神经网络建立爆破参数与其主要影响因素参数间的非线性复杂关系模型,以国内爆破工艺类似、应用成功的矿山为学习、训练样本,对目标矿山的爆破参数进行预测,优选。BP神经网络具有通过学习逼近任意非线性、多层次映射的能力,应用于非线性系统的预测中,可以不受非线性模型的限制。将BP神经网络技术应用于凿岩爆破参数优选中,可以较好地解决少数据、贫信息、不确定性问题。本研究以唐钢矿业有限公司石人沟铁矿上向扇形中深孔爆破参数优选为例,优选出的爆破参数适用于矿山的矿岩条件,应用效果良好。1优选模型bp神经网络1.1各神经元自适应网络的方法回归BP神经网络同时具有反馈和前馈机制,这就意味着在网络的一个训练周期中,网络的输出同时反馈给网络的输入神经元作为网络的外部输入。如图1所示为一个典型的三层回归BP网络。在图1中,输入层有一个n维的输入向量和一个阈值结点,该结点的值是固定的,这个值的存在保证了网络的收敛特性。中间层有m个神经元和一个阈值结点。相邻两层的所有神经元采用全连接的方式相连。输入层的神经元输入-输出关系可以表示为:ΙiF=ΟiΙ=X(i=1,2,⋯,n)(1)ΟiF=f(ΙiF)=f(Xi)(2)IiF=OiI=X(i=1,2,⋯,n)(1)OiF=f(IiF)=f(Xi)(2)其中,F表示输入层,输入神经元和隐含神经元之间实现加权连接。即如果信号从第i个神经元传递到第j个神经元,则信号需要乘上两个神经元之间的连接权值wij。令Oj表示第i个神经元的输出,第j个神经元的输入则为OjWij。对第j个神经元的输入进行求和,可得:Ιjh=n1∑i=1ΟiFWijF+θjΗ(j=1,2,⋯,m)(3)Ijh=∑i=1n1OiFWijF+θjH(j=1,2,⋯,m)(3)式中θj为阈值项,H表示中间层。该法操作是通过中间层的处理器实现的,实现加法的过程就是激发神经元的过程。由于神经元的权值和输入可以取正值,也可以取负值,因此对神经元的激发有可能产生正值、负值和零值的任意数据。中间层的激发函数为:ΟjΗ=f(ΙjΗ)=f(n1∑i=1ΟiFWijF+θjΗ)(j=1,2,⋯,m)(4)OjH=f(IjH)=f(∑i=1n1OiFWijF+θjH)(j=1,2,⋯,m)(4)对于输出层Y,它的第k个神经元接收了中间层的第j个神经元的输出信号,经过加权后,作为自己的输入信号,可以得到类似的结论。ΙkY=m1∑j=1ΟjΗWjkΗ+θkY(k=1,2,⋯,g)(5)ΟkY=f(ΙkY)=f(m1∑j=1ΟjΗWjkΗ+θkY)(k=1,2,⋯,g)(6)IkY=∑j=1m1OjHWjkH+θkY(k=1,2,⋯,g)(5)OkY=f(IkY)=f(∑j=1m1OjHWjkH+θkY)(k=1,2,⋯,g)(6)回归BP网络的传递函数见式(7)。这是一种非常典型的函数,具有很多优点。它是连续可导的,输出也是连续的并且位于区间中,β为函数的斜率。本研究即根据BP神经网络结构,以MATLAB为工具,自行编制程序,应用起来极其方便。ΟkY=f(net)=11+exp(-β*net)(β>0)(7)OkY=f(net)=11+exp(−β*net)(β>0)(7)1.2基于kolmolov定理的网络隐含层神经元自适应识别建立的BP神经网络以矿岩的容重、弹性模量、抗拉强度、抗压强度(用矿岩坚固性系数表示)、摩擦角及粘结力为输入因子,以炮孔排距、孔底距及一次炸药单耗为输出因子,并设置中间隐含层,构成典型的三层网络结构。训练样本集的规模极其重要,样本集太少学习意义不大,样本集太多影响训练速度,甚至导致不能收敛到预定精度,一般在6～25之间为宜。参照国内上向扇形中深孔的情况,针对石人沟的生产条件,选取了7个应用效果良好的矿山作为训练样本,如表1所示。本研究的输入因子6个,输出因子3个,则由Kolmogorov定理可得隐含层神经元个数应该在13左右,建立模型时,选用隐含层神经元个数3个值,即10、13、15,进行神经网络收敛速度、预测误差比较,选出适合的隐含层神经元数,再进行预测。由于各个指标互不相同,原始样本中各向量的数量级差别很大,为了计算方便以及防止部分神经元达到过饱和状态,应对学习及预测样本进行归一化处理,公式为:x′=x-min(x)max(x)-min(x)(8)x′=x−min(x)max(x)−min(x)(8)归一化后的数据都处于区间内,则网络隐含层的神经元传递函数采用S型正切函数tansig,输出层神经元传递函数采用S型对数函数logsig。预测后输出的是归一化后的结果,为了使其更加直观,应进行反归一化,公式为:x=x′[max(x)-min(x)]+min(x)(9)矿岩爆破参数的BP神经网络预测、优选模型算法流程如图2。2选择和结果爆炸参数2.1隐蔽层神经元数取对3种隐含层结构的BP神经网络进行学习,得到的网络性能曲线见图3～图5。由图可见,隐含层神经元个数为10、13和15时,分别经11、9和10步运算即达到精度要求,中间网络的收敛速度略快于其它两者;而三者的最大预测误差分别为0.021、0.031、0.014,后者远低于前两者。综合考虑,隐含层神经元数取15,网络收敛速度较快,预测误差较小,除第7次外误差均极小。以第三种BP神经网络模型对石人沟铁矿的爆破参数进行预测,输入参数为3.40,4.80,2.26,11,38,2.4,对得出的结果数据进行反归一化得1.6849,1.8253,0.45,即石人沟铁矿上向扇形中深孔爆破参数的BP神经网络优选参数为炮孔排距W=1.6849m,孔底距a=1.8253m,yq1=0.45kg/t。2.2炮孔直径及用量预测1)由于BP神经网络具有自学习能力,因此所取样本矿山的爆破效果的好坏对预测结果的适用性、合理性及最优性有很大的影响,且样本数据库的大小也影响着预测的准确性。2)搜集的样本数据的输入因子值与输出因子值可能取自不同的文献,矿石容重、弹性模量、抗拉强度、抗压强度(坚固性系数)、摩擦角及粘结力取自矿山的某一区段,而爆破炮孔排距、孔底距及一次炸药单耗可能取自同矿山的其它区段,而实际上不同的区段的各种参数值可能有所变化,从而对预测结果造成影响。3)石人沟铁矿拟采用YGZ-90型钻机钻凿Ф55mm炮孔,而训练样本中的矿山大都使用Ф60mm以上炮孔,由于本研究中没有对炮孔直径进行控制,因此应对预测出的结果进行适当的调整。4)针对石人沟铁矿的矿岩情况,BP神经网络预测结果为W=1.6849m、a=1.8253m、yq1=0.45kg/t,与经验所得值极为接近,对石人沟铁矿的采矿生产具有极大的指导意义。但考虑以上诸多因素,选取石人沟铁矿的炮孔排距W=1.4～1.6m,孔底距a=1.6～2.0m,yq1=0.40kg/t,并在生产过程中根据实际效果作适当的调整。生产实践证明,石人沟铁矿的爆破参数合理,爆破矿石块度大块率低、成本低、工艺简单。3优化参数、强化乘子法1)提出了一种爆破参数优选的全新思路,以矿岩的容重、弹性模量、抗拉强度、抗压强度(坚固性系数)、摩擦角及粘结力为输入因子,炮孔排距、孔底距及一次炸药单耗为输出因子,以国内爆破工艺类似、效果良好的矿山为样本,建立BP神经网络进行预测。2)BP神经网络作为一种输入-输出的高度非线性映射,通过对作用函数的多次复合,实现了矿岩爆破参数预测中输入与输出之间的高度非线性映射。预测、优选过程不需要建立数学方程,具有自适应性、学习能力以及容错性和鲁棒性,可避免传统的矿岩爆破参数选择法的种种弊端,具有广泛的应用前景。3)隐含层是BP神经网络的重要结构之一,隐单元数目太多会导致学习时间过长、误差不一定最佳,也会导致容错性差、不能识别以前没有看到的样本。合理的隐含层神经元个数是保证BP网络高速度、高精度预测、优化的必备条件。建立多种隐含层结构(隐单元数目),并进行网络性能