基于MIV-BAS-Elman模型的爆破振動速度預測

蔡晨，錢謙，資昊

摘 要：針對標準神經(jīng)網(wǎng)絡預測爆破振動易陷入局部極值且預測精度低的問題，采用平均影響值法（MIV）對輸入變量進行篩選和約簡來提高建模精度，采用天牛須搜索算法（BAS）對Elman神經(jīng)網(wǎng)絡進行初始權(quán)值閾值的優(yōu)化，在此基礎上建立了MIV-BAS-Elman算法模型?；谀陈短烀旱V爆破振動速度峰值數(shù)據(jù)樣本對模型進行了驗證，并與其他多種算法模型進行了比較分析，結(jié)果表明基于MIV-BAS-Elman的爆破振動速度預測模型具有運算速度快、預測精度高的優(yōu)點，對爆破振動預測具有普適性和一定的實用價值。

關(guān)鍵詞：爆破振動速度;Elman神經(jīng)網(wǎng)絡;MIV;天牛須搜索算法（BAS）

中圖分類號：TP183 ? ? ? ? ? ?文獻標識碼：A ? ? ? ? ? ?文章編號：1006—7973（2019）12-0110-03

1 引言

隨著我國采礦、水利及交通建設的快速發(fā)展，建設中的爆破工程日益增多。爆破引起的振動將會對周邊巖土體及臨近結(jié)構(gòu)產(chǎn)生不利影響甚至造成破壞，因此，控制爆破振動是爆破工程領域的重要問題，而實現(xiàn)有效的振動控制需建立在準確預測爆破振動的基礎上。爆破振動的強度常采用振動速度來描述，為此，國內(nèi)外學者針對爆破振動速度預測開展了一些工作。其中，應用較多的是結(jié)合振動實測數(shù)據(jù)擬合得到的薩道夫斯基公式。由于爆破振動受多種因素影響，各因素間存在高度非線性，采用傳統(tǒng)方法很難進行準確預測[1]。

近些年來，一些學者通過引入神經(jīng)網(wǎng)絡開展了爆破振動速度預測并取得了較好的效果[2-5]。如王建國等[4]使用BP神經(jīng)網(wǎng)絡對某煤礦爆破振動速度進行預測，精度較薩道夫斯基公式提升約10%。蒲傳金等[5]以水平距離、雷管段數(shù)、總裝藥量、最大單段裝藥量、樁基深度和爆心距作為主要因素，建立了樁基爆破振動BP神經(jīng)網(wǎng)絡預測模型，預測精度分別比薩氏公式和高程修正公式提高了71.4%和67.5%。針對神經(jīng)網(wǎng)絡存在收斂速度慢，易陷入局部極值的問題，孫文彬等[6]基于MIV對拋擲爆破影響因子進行權(quán)重分析，為優(yōu)化設計提供了參考。張士科[7]等使用遺傳算法（GA）改進BP神經(jīng)網(wǎng)絡進行了煤礦爆破振動特征參量預測，結(jié)果顯示經(jīng)過優(yōu)化后的神經(jīng)網(wǎng)絡模型不僅會提高預測精度高，也會加快計算速度。

現(xiàn)階段爆破振動工程中較多使用BP神經(jīng)網(wǎng)絡進行預測，而已有研究發(fā)現(xiàn)，Elman神經(jīng)網(wǎng)絡對于小幅變化數(shù)據(jù)和大數(shù)據(jù)的預測較BP神經(jīng)網(wǎng)絡具有優(yōu)越性，Elman神經(jīng)網(wǎng)絡對于歷史數(shù)據(jù)具有敏感性[8]。此外，Elman相比BP等單向神經(jīng)網(wǎng)絡對非線性系統(tǒng)動態(tài)預測效果更佳，適用于強非線性系統(tǒng)[9]?；诂F(xiàn)有使用靜態(tài)前饋神經(jīng)網(wǎng)絡進行爆破振動速度預測存在的不足，考慮到Elman神經(jīng)網(wǎng)絡的優(yōu)勢，本文首先采用MIV算法進行影響因素的約簡，然后使用BAS算法進行初始權(quán)值閾值的優(yōu)化，最終構(gòu)建了基于MIV-BAS-Elman模型的爆破振動速度峰值預測方法，并與其他方法預測結(jié)果進行對比分析，結(jié)果表明本文模型提升了預測精度和迭代速度，可為爆破振動速度預測提供技術(shù)參考。

2 MIV-BAS-Elman模型的建立

2.1 Elman神經(jīng)網(wǎng)絡

Elman神經(jīng)網(wǎng)絡在BP神經(jīng)網(wǎng)絡的基礎上增加承接層，隱含層的輸出通過反饋層中的承接層單元自聯(lián)到隱含層的輸入，增強了網(wǎng)絡本身處理動態(tài)信息的能力，使得Elman神經(jīng)網(wǎng)絡對歷史數(shù)據(jù)具有敏感性和動態(tài)性。

2.2 BAS原理

天牛須搜索（Beetle Antennae Search，BAS）算法[10]是一種仿生智能搜索算法。其仿生原理為天牛在覓食過程中，比較左右觸角接收到的氣味強度進行移動。據(jù)此過程進行建模，即為自變量根據(jù)適應度函數(shù)大小進行迭代的過程。

2.3 MIV-BAS-Elman模型的建立

平均影響值法（Mean of Impact Value，MIV）可用來評價神經(jīng)網(wǎng)絡中的變量對輸出的影響，其絕對值大小代表了輸入特征影響網(wǎng)絡輸出的相對重要性。原始數(shù)據(jù)樣本經(jīng)過MIV處理后得到新的數(shù)據(jù)樣本。以MIV數(shù)據(jù)樣本為基礎建立MIV-BAS-Elman預測模型的流程見圖1。

3 實例分析

3.1 數(shù)據(jù)樣本和MIV數(shù)據(jù)集處理

基于文獻[7]中某露天煤礦工程爆破實測數(shù)據(jù)進行預測，選取數(shù)據(jù)樣本中5個樣本為測試集，其余20個樣本為訓練集。在樣本數(shù)據(jù)中，影響爆破振動速度的8個因素依次為孔深L，孔距W，排距l(xiāng)，抵抗線d，堵塞H，最大段藥量Q，高程差h，爆心距S，分別用序號1～8表示。圖2為原始數(shù)據(jù)樣本的MIV值比較，從圖2可知影響因素序號5在本樣本中對爆破速度的影響可以忽略不計，根據(jù)末位淘汰規(guī)則，選取淘汰率為15%，可將因素5剔除，由此確定處理后數(shù)據(jù)樣本的輸入變量為7個。

3.2 模型參數(shù)的設定

根據(jù)上述7個輸入變量，即可建立Elman網(wǎng)絡輸入層，選擇MSE值最低即預測精度最高的隱含層神經(jīng)元數(shù)目，得到7-15-1的Elman網(wǎng)絡結(jié)構(gòu)。設置網(wǎng)絡迭代次數(shù)為1000次，學習速率為0.01。隱含層傳遞函數(shù)為tansig，輸出層訓練函數(shù)為purelin，反向傳播神經(jīng)網(wǎng)絡訓練函數(shù)為trainlm。反向傳播神經(jīng)網(wǎng)絡權(quán)值/閾值學習函數(shù)為learngdm，進行反復試驗后選取天牛須初始步長= 3，步長因子eta = 0.95，迭代次數(shù)t = 100。

3.3 模型性能指標的選取

本文選取測試集的相對誤差均值E、判定系數(shù)R2以及訓練所需時間作為模型性能指標，使用訓練好的模型對數(shù)據(jù)測試集的預測值進行計算，計算公式如下：

其中為測試樣本個數(shù)， 為模型對第個樣本的預測值， 為測試集中第個樣本的真實值。以相對誤差均值大小評價模型預測精度，誤差越小模型精度越高;判定系數(shù)能說明模型中所有輸入變量對輸出變量的聯(lián)合影響程度，越靠近1說明模型的擬合優(yōu)度越高[11]。

3.4 預測結(jié)果及對比分析

本文選取了BP、Elman和MIV-GA-Elman作為MIV-BAS-Elman的對比算法模型。圖3為GA算法與BAS算法在優(yōu)化神經(jīng)網(wǎng)絡初始權(quán)值閾值時的迭代過程對比，可看出BAS算法迭代速度更快。圖4、圖5分別為各算法模型預測效果和相對誤差對比圖。各模型預測性能對比結(jié)果見表1。從圖表中可知，Elman神經(jīng)網(wǎng)絡相對BP神經(jīng)網(wǎng)絡精度高，MIV算法和智能算法都能夠在一定程度上提高神經(jīng)網(wǎng)絡預測精度，二者結(jié)合的MIV-BAS-Elman預測精度最高、相對誤差最為平穩(wěn)。

圖3 ? 權(quán)值閾值優(yōu)化過程的適應度曲線對比

4結(jié)論

（1）采用MIV算法對于Elman神經(jīng)網(wǎng)絡數(shù)據(jù)樣本輸入變量進行篩選，并在變量篩選基礎上加入BAS智能算法對模型的初始權(quán)值閾值進行優(yōu)化，能有效提高模型的預測精度。

（2）結(jié)合Elman神經(jīng)網(wǎng)絡、MIV算法和BAS算法的優(yōu)點，提出了MIV-BAS-Elman爆破振動速度峰值預測模型，測試結(jié)果顯示該模型計算速度快、預測精度高，對于多因素小規(guī)模樣本的爆破振動速度預測具有一定的普適性，能較好地用于工程爆破振速的預測。

參考文獻 ：

[1]易長平， 馮林， 王剛等. 爆破振動預測研究綜述[J]. 現(xiàn)代礦業(yè)， 2011， （5）：1-5.

[2]馬晨陽， 張漢斌， 袁青等. 基于人工智能方法的地下洞室群爆破振動速度預測[J]. 爆破， 2017（04）：16-20.

[3]何理， 鐘冬望， 陳晨， 等. 巖質(zhì)高邊坡開挖施工的爆破振動監(jiān)測與分析[J]. 金屬礦山， 2017（1）.

[4]王建國， 黃永輝， 周建明. 露天煤礦爆破振動的BP神經(jīng)網(wǎng)絡預測[J]. 河南理工大學學報（自然科學版）， 2016， 35（3）：322-328.

[5]蒲傳金，郭王林，秦曉星， 等.基于BP神經(jīng)網(wǎng)絡的樁基爆破振動速度預測[J].爆破，2018，35（2）：177-181.

[6]孫文彬， 劉希亮， 王洪斌，等. 基于MIV的拋擲爆破影響因子權(quán)重分析[J]. 中國礦業(yè)大學學報， 2012， 41（6）：993-998.

[7]張士科，方宏遠， 耿勇強 .基于遺傳BP神經(jīng)網(wǎng)絡的煤礦爆破振動特征參量預測[J].煤炭科學技術(shù)，2018，46（9）：133-139.

[8]賈哲， 郭慶軍， 郝倩雯. 基于Elman-馬爾科夫模型的深基坑變形預測[J]. 人民長江， 2019， （1）：202-206，219.

[9]Wang Y， Zhang， Fujun， Cui， Tao， et al. Fault diagnosis for manifold absolute pressure sensor（MAP） of diesel engine based on Elman neural network observer[J]. Chinese Journal of Mechanical Engineering， 2016， 29（2）：386-395.

[10]JIANG Xiang-yuan， Li Shuai， BAS： Beetle Antennae Search Algorithm for Optimization Problems， international journal of robotics and control.

[11]黃超，龔惠群.基于判定系數(shù)和趨勢變動的時間序列逐段線性回歸[J].統(tǒng)計與決策，2006（24）：23-24.