基于極限學(xué)習(xí)機(jī)的爆破參數(shù)綜合優(yōu)選

陳昌民 張欽禮 姜志良

(1.衡陽(yáng)遠(yuǎn)景鎢業(yè)有限責(zé)任公司；2.中南大學(xué)資源與安全工程學(xué)院)

基于極限學(xué)習(xí)機(jī)的爆破參數(shù)綜合優(yōu)選

陳昌民1張欽禮2姜志良2

(1.衡陽(yáng)遠(yuǎn)景鎢業(yè)有限責(zé)任公司；2.中南大學(xué)資源與安全工程學(xué)院)

為了合理選擇川口鎢礦變更采礦方法后采場(chǎng)的回采爆破參數(shù)，運(yùn)用傳統(tǒng)經(jīng)驗(yàn)公式計(jì)算出爆破參數(shù)取值范圍，根據(jù)極限學(xué)習(xí)機(jī)(ELM)理論，以礦巖容重、彈性模量、抗壓強(qiáng)度等6個(gè)因素作為輸入因子，以排距、孔底距、炸藥單耗3個(gè)指標(biāo)作為輸出因子，并利用國(guó)內(nèi)應(yīng)用較成功的上向扇形中深孔崩礦的7個(gè)礦山情況為學(xué)習(xí)、訓(xùn)練樣本，建立礦山回采爆破參數(shù)優(yōu)化預(yù)測(cè)模型。綜合經(jīng)驗(yàn)公式和預(yù)測(cè)模型的結(jié)果，確定采區(qū)爆破參數(shù)：炮孔排距為1.3 m，孔底距為1.8 m，炸藥單耗為0.5 kg/t。優(yōu)選爆破參數(shù)適應(yīng)本采區(qū)工程條件，爆破效果好，震動(dòng)影響小。

爆破參數(shù) 極限學(xué)習(xí)機(jī) 預(yù)測(cè)模型

地下礦山開采中，合理的回采爆破設(shè)計(jì)能減少大塊率、降低爆破作業(yè)擾動(dòng)并盡可能減少炮孔數(shù)量以降低爆破成本。合理的回采爆破參數(shù)是礦山高效、安全生產(chǎn)的保證[1]。川口鎢礦利用分段空?qǐng)鏊煤蟪涮罘ɑ夭?1#～63#勘探線既存空區(qū)附近高品位礦體，以彌補(bǔ)礦山精礦產(chǎn)量的不足，由于采礦方法的變更以及礦體開采工程條件的制約，需對(duì)本采區(qū)進(jìn)行新的回采爆破設(shè)計(jì)。

1 開采技術(shù)條件

川口鎢礦楊林坳鎢礦床工業(yè)類型為石英細(xì)脈帶型黑鎢—白鎢礦床，按照礦石圍巖及礦物組合的不同，礦石類型分為砂巖型礦石和板巖型礦石，受風(fēng)化和斷裂、層理等構(gòu)造的影響，礦石穩(wěn)定性相對(duì)較差[2]。而本采區(qū)61#～63#勘探線高品位礦體屬于礦區(qū)內(nèi)特殊的花崗斑巖巖脈，巖石致密堅(jiān)硬，穩(wěn)固性好。圍巖為板巖，穩(wěn)固性較好，但存在片理結(jié)構(gòu)，易形成巷道圍巖層狀垮落。因此，將采礦方法變更為分段空?qǐng)鏊煤蟪涮罘ǎ捎弥猩羁谆夭杀茣r(shí)，需充分考慮周圍巷道以及采空區(qū)的穩(wěn)定性問題。

為利用已有工程，節(jié)省采切工程量，并且盡量回收老采空區(qū)周圍礦體，61#～62#區(qū)段主要回采水平為320 m分段，另布置310 m底部結(jié)構(gòu)分段、330 m上部空區(qū)底柱回收分段和350 m回風(fēng)、充填水平；垂直走向布置3個(gè)采場(chǎng)，寬度分別為14.5，13和13 m，分段高度分別為10，11和10 m。由于330～350 m中段存在3個(gè)大的空區(qū)，受充填系統(tǒng)建設(shè)滯后影響，不具備進(jìn)行分礦房充填的條件，故設(shè)計(jì)本區(qū)段3個(gè)采場(chǎng)一次同步回采，回采完畢后集中充填。

2 回采爆破設(shè)計(jì)

2.1 布孔方式

受礦體賦存條件及礦山開拓工程制約，礦塊回采過程中采用垂直上向扇形孔布置(圖1)。為防止330 m分段上部空區(qū)坍塌，保證采場(chǎng)作業(yè)人員安全，需嚴(yán)格控制單段起爆藥量，減少爆破震動(dòng)影響[3]。

圖1 回采炮孔布置

2.2 爆破參數(shù)的計(jì)算

2.2.1 炸藥單耗

根據(jù)計(jì)算公式：

(1)

式中,k為修正系數(shù)，取1.2～1.4；γ為礦巖容重，25.9 kN/m3；f為堅(jiān)固性系數(shù)，9。

計(jì)算得出q=0.36～0.42 kg/t，即0.93～1.09 kg/m3。

2.2.2 最小抵抗線

(1)根據(jù)利文斯頓爆破漏斗理論：

(2)

式中,d為炮孔直徑,60 mm;Δ為裝藥密度，0.9 g/cm3；τ為深孔裝藥系數(shù)，0.7～0.85；m為深孔密集系數(shù)，根據(jù)國(guó)內(nèi)分段空?qǐng)龇ū平?jīng)驗(yàn)，取1.3；q為單位耗藥量，取1.0 kg/m3。

計(jì)算得出W=1.17～1.29 m。

(2)根據(jù)孔徑和礦巖性質(zhì)：

W=Kd,

(3)

式中,K為巖石性質(zhì)影響系數(shù)，礦石屬堅(jiān)硬礦巖，取25～30；d為孔徑，60 mm。

計(jì)算得出W=1.5～1.8 m。

按式(2)和式(3)計(jì)算結(jié)果，根據(jù)現(xiàn)代爆破理論，應(yīng)采取小排距、大孔底距的爆孔布置方式，確定最小抵抗線W=1.2～1.4 m。

2.2.3 孔底距

按以下經(jīng)驗(yàn)公式確定：

a=mW.

(4)

計(jì)算得出a=1.56～1.82 m。

3 爆破參數(shù)優(yōu)化

爆破參數(shù)選擇是一個(gè)復(fù)雜決策過程，涉及多層次、多因素、多目標(biāo)的非線性關(guān)系，并且影響因素與參數(shù)間存在極大的不確定性[4]。傳統(tǒng)的參數(shù)選擇類比相似礦山而定，僅考慮單個(gè)或幾個(gè)影響因素，帶有極大的經(jīng)驗(yàn)成分和隨機(jī)性；有些礦山雖然進(jìn)行爆破試驗(yàn)，但對(duì)數(shù)據(jù)處理不理想，只能從現(xiàn)有試驗(yàn)組中找出相對(duì)較優(yōu)者，無法實(shí)現(xiàn)參數(shù)的真正優(yōu)化，而且爆破試驗(yàn)耗時(shí)、費(fèi)力、成本極高。

隨著系統(tǒng)科學(xué)、非線性科學(xué)和計(jì)算機(jī)技術(shù)的快速發(fā)展，大量現(xiàn)代信息處理方法被廣泛運(yùn)用于爆破參數(shù)的預(yù)測(cè)優(yōu)化。神經(jīng)網(wǎng)絡(luò)是近幾十年發(fā)展起來的一門新興交叉學(xué)科，在進(jìn)行模式識(shí)別、非線性映射方面具有獨(dú)特優(yōu)勢(shì)。而極限學(xué)習(xí)機(jī)(ELM)具有學(xué)習(xí)速度更快、精度更高、參數(shù)調(diào)整簡(jiǎn)單等[5]優(yōu)點(diǎn)而被廣泛運(yùn)用。在ELM 中，輸入層與隱含層間連接權(quán)值和隱含層神經(jīng)元閾值被隨機(jī)初始化給定，只需要設(shè)置隱含層節(jié)點(diǎn)數(shù)目就可以獲得唯一的最優(yōu)解。

3.1 ELM基本原理

極限學(xué)習(xí)機(jī)的典型網(wǎng)絡(luò)由輸入層、輸出層和隱含層組成，輸入層有n個(gè)輸入因子，隱含層有l(wèi)個(gè)神經(jīng)元，輸出層有m個(gè)輸出因子。對(duì)于N個(gè)訓(xùn)練樣本(xi，yi)(i=1,2,…,N)，xi=[x1i,x2i,…,xni]T,yi=[y1i,y2i,…,ymi]T，極限學(xué)習(xí)機(jī)的輸入矩陣X=[x1,x2,…,xN]，輸出矩陣為Y=[y1,y2,…,yN]。設(shè)隱含層的激活函數(shù)為f(x)，則極限學(xué)習(xí)機(jī)前饋神經(jīng)網(wǎng)絡(luò)的輸出可以表示為：

(5)

式中，βi為連接第i個(gè)隱含層節(jié)點(diǎn)與輸出神經(jīng)元的輸出權(quán)值；ωi為連接輸入神經(jīng)元與第i個(gè)隱含層節(jié)點(diǎn)的輸入權(quán)值;bi為第i個(gè)隱含層節(jié)點(diǎn)的閾值;tj為第j個(gè)訓(xùn)練樣本的輸出值。

整個(gè)極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)結(jié)構(gòu)見圖2[6]。

圖2 典型ELM結(jié)構(gòu)

當(dāng)激活函數(shù)為f(x)，含有l(wèi)個(gè)隱含層神經(jīng)元節(jié)點(diǎn)的前饋神經(jīng)網(wǎng)絡(luò)以零誤差逼近N個(gè)訓(xùn)練樣本時(shí)，存在βi,ωi,bi使得

(6)

式(6)可簡(jiǎn)化為

Hβ=Y,

(7)

式中,H為極限學(xué)習(xí)機(jī)神經(jīng)網(wǎng)絡(luò)的隱含層輸出矩陣，具體形式如下。

對(duì)于任意數(shù)量的不同樣本，當(dāng)激活函數(shù)f(x)無限可微時(shí)，在訓(xùn)練中不需要調(diào)整網(wǎng)絡(luò)參數(shù)中的輸入權(quán)值ω和閥值b，且在訓(xùn)練中隨機(jī)給出和固定不變，隱含層輸出矩陣H是一個(gè)確定的矩陣，可通過求解線性方程組的最小二乘解獲得輸出權(quán)值：

(8)

式中,H+為隱含層輸出矩陣H的Moore-Penrose廣義逆矩陣。

3.2 ELM學(xué)習(xí)算法步驟

3.3 預(yù)測(cè)模型

礦石的容重、彈性模量、抗壓強(qiáng)度、抗拉強(qiáng)度、摩擦角及黏結(jié)力是礦石最重要的固有屬性，使用極限學(xué)習(xí)機(jī)建立這些屬性與爆破參數(shù)間的非線性復(fù)雜關(guān)系，以國(guó)內(nèi)應(yīng)用較成功的上向扇形中深孔崩礦的7個(gè)礦山情況為學(xué)習(xí)、訓(xùn)練樣本(表1)，對(duì)本采區(qū)的爆破參數(shù)進(jìn)行預(yù)測(cè)和優(yōu)選。為了減少樣本指標(biāo)差異對(duì)模型的性能影響，樣本數(shù)據(jù)在輸入模型之前歸一化到[-1，1]，預(yù)測(cè)的爆破參數(shù)在輸出模型后反歸一化[7]。

歸一化公式為

(9)

反歸一化公式為

(10)

表1 爆破參數(shù)優(yōu)選訓(xùn)練樣本

3.4 測(cè)試結(jié)果及分析

隱含層節(jié)點(diǎn)數(shù)目對(duì)ELM有較大的影響，隨機(jī)選擇5組訓(xùn)練樣本，2組測(cè)試樣本，在隱含層節(jié)點(diǎn)數(shù)為10，12，14，16，18，20的情況下用ELM訓(xùn)練20次，得到訓(xùn)練樣本和測(cè)試樣本均方誤差的平均值隨隱含層節(jié)點(diǎn)變化，見圖3。在隱含層節(jié)點(diǎn)數(shù)為14時(shí)，訓(xùn)練樣本與測(cè)試樣本的均方誤差均達(dá)到理想水平，若繼續(xù)增加隱含層節(jié)點(diǎn)數(shù)量，則會(huì)降低預(yù)測(cè)模型收斂速度，同時(shí)測(cè)試樣本的均方誤差也會(huì)增加。

隱含層節(jié)點(diǎn)數(shù)取為14，訓(xùn)練次數(shù)為40，得到ELM預(yù)測(cè)的結(jié)果：最小抵抗線W=1.4849m，孔底距a=1.8253m，炸藥單耗q=0.4832kg/t，與經(jīng)驗(yàn)所得值極為接近。但考慮本礦YGZ-90型鉆機(jī)鉆鑿炮孔直徑為60mm，施工質(zhì)量相對(duì)較差，因此預(yù)測(cè)出的結(jié)果應(yīng)進(jìn)行適當(dāng)?shù)恼{(diào)整，并結(jié)合上節(jié)爆破參數(shù)的計(jì)算結(jié)果，最終本采區(qū)的炮孔選取

圖3 均方誤差隨隱含層節(jié)點(diǎn)變化曲線

W=1.3 m，a=1.8 m，q=0.5 kg/t。

4 結(jié) 論

(1)從實(shí)際爆破效果看，放出礦石大塊率較低、礦石中無泥土，證明老舊空區(qū)未出現(xiàn)塌方現(xiàn)象，同時(shí)采區(qū)巷道保持完整，說明爆破震動(dòng)的影響較小。綜上所述，爆破參數(shù)與本采區(qū)工程條件相匹配，選擇合理恰當(dāng)。

(2)根據(jù)傳統(tǒng)的爆破參數(shù)經(jīng)驗(yàn)公式計(jì)算炸藥單耗、最小抵抗線、孔底距的取值范圍，將其作為極限學(xué)習(xí)機(jī)預(yù)測(cè)結(jié)果的可靠性判斷依據(jù)，使爆破參數(shù)選擇更具綜合性。

(3)將國(guó)內(nèi)爆破效果較理想的類似礦山的生產(chǎn)情況匯總，建立訓(xùn)練樣本，以極限學(xué)習(xí)機(jī)進(jìn)行預(yù)測(cè)，則可以得到目標(biāo)礦山的理想爆破參數(shù)。該法避免了傳統(tǒng)單因素的片面性及爆破試驗(yàn)的復(fù)雜、高成本等種種弊端，是一種全新的理想方法。

[1] 汪 劍.開陽(yáng)磷礦中深孔回采爆破參數(shù)優(yōu)化試驗(yàn)研究[D].長(zhǎng)沙:中南大學(xué),2004.

[2] 謝國(guó)華,曾 耀.傾斜中厚多層低品位難采礦體的采礦方法[J].中南工業(yè)大學(xué)學(xué)報(bào),1995,4(15):11-16.

[3] 朱志彬,劉成平,靖 然.扇形中深孔爆破大塊產(chǎn)生的原因及對(duì)策[J].現(xiàn)代礦業(yè),2010(8):78-81.

[4] 趙 彬,王新民,史良貴,等.基于BP神經(jīng)網(wǎng)絡(luò)的爆破參數(shù)優(yōu)選[J].礦冶工程,2009,29(4):24-27.

[5] 王新民,萬孝衡,朱陽(yáng)亞,等.基于PSO-ELM的建筑物爆破震動(dòng)速度預(yù)測(cè)[J].科技導(dǎo)報(bào),2013,32(19):15-20.

[6] Huang Guangbin, Zhu Qinyu， Siew C K. Extreme learning machine: theory and application[J]. Neuro Computing, 2006,70(1):489-501.

[7] 姚金階,朱以文.巖體爆破參數(shù)設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)模型[J].爆破,2005,22(2):34-40.

Comprehensive Optimization Selection of Blasting Parameters Based on Extreme Learning Machine

Chen Changmin1Zhang Qinli2Jiang Zhiliang2

(1.Hengyang Yuanjing Tungsten Co., Ltd.;2.School of Resources and Safety Engineering, Central South University)

In order to select the blasting parameters of stope that the mining method has been changed of Chuankou Tungsten Mine reasonably, the traditional empirical formula is adopted to calculate the value range of the blasting parameters. Based on the theory of extreme learning machine(ELM), six factors such as ore-bearing rock density, elastic modulus and comprehensive strength and so on are taken as input factors, three factors of row spacing, hole bottom spacing and explosive unit consumption are used as output factors, the situations of seven mines that the upward fan-shaped medium-length hole blasting ore breaking method are applied successfully are taken as learning and training examples so as to establish the optimal prediction model of the blasting parameters during stoping. According to the results of the traditional empirical formula and prediction model, the blasting parameters of mining area are obtained. The hole row spacing is 1.3 m, distance of holes to the bottom is 1.8 m, the explosive unit consumption is 0.5 kg/t. The results show that, the blasting parameters by optimizing selection can adapt to the conditions of mining engineering and achieve the perfect blasting effect, besides that, the blasting vibration effect is small.

Blasting parameters, Extreme learning machine, Prediction model

2014-12-14)

陳昌民(1966—)，男，董事長(zhǎng)，總經(jīng)理，高級(jí)工程師，421166 湖南省衡陽(yáng)市衡南縣。