基于拟牛顿法的QN_BP预测爆破振动峰值速度.docxVIP

Vol.23 No.5May 2013文章编号：1004-0609(2013)05-1427-07基于拟牛顿法的 QN-BP 预测爆破振动峰值速度刘 博，史秀志，黄宣东，武永猛，黄 丹，罗 佳(中南大学 资源与安全工程学院，长沙 410083)摘 要：根据某露天矿台阶爆破实测数据，利用基于回归分析的经验公式和普通 BP 神经网络模型以及基于拟牛顿法的改进 BP 神经网络(QN-BP)模型对爆破振动峰值速度进行预测。两种模型的训练结果表明：QN-BP 模型经 过 122 次迭代即可收敛，训练平均误差为 3.7%；而普通 BP 模型收敛需要 10 万次以上迭代，训练平均误差 4.2%。 通过 QN-BP 模型、BP 模型和经验公式的预测结果与实测值的对比，三者的平均相对误差分别为 6.05%、10.21% 和 23.42%。关键词：爆破振动；BP 神经网络；拟牛顿法；预测中图分类号：TD235文献标志码：APrediction of blasting-vibration-peak-speed by QN-BPbased on Quasi-Newton methodLIU Bo, SHI Xiu-zhi, HUANG Xuan-dong, WU Yong-meng, HUANG Dan, LUO Jia(School of Resources and Safety Engineering, Central South University, Changsha 410083, China)Abstract: According to the measured data of an open pit bench blasting, the experience formula based on regressionanalysis and ordinary BP neural network model and improved BP neural network model based on Quasi-Newton method (QN-BP) were used to forecast the peak speed of blasting vibration. The training results of two kinds of models show that QN-BP model can be convergence after 122 times iterative, whose average training error is 3.7%. The ordinary BP model need more than 100 000 times iterative to be convergence, whose average training error is 4.2%.By comparing the forecast values with the measured value, the average relative error of the three results(QN-BP, BP and experience formula) are 6.05%,10.21% and 23.42%, respectively.Key words: blasting vibration; BP neural network; Quasi-Newton method; forecast爆破振动产生的负面效应是工程爆破中不可避免的问题。在爆破前，对爆破振动的特征参量进行预测， 并采取相应的措施对目标进行保护，可将爆破的危害 尽量降至最低[1?2]。由于爆破振动的影响因素众多，对 爆破振动的预测是一个困难的问题，一般采用传统经 验公式如萨道夫斯基公式预测，但其考虑因素较少， 对因素的处理过于简单化，尤其对于较复杂的爆破方 式，相关系数的确定也比较困难[3]，因此很难有满意 的预测结果。随着人工神经网络的日益发展和广泛应 用，它在爆破参数预测方面的作用也越来越引起爆破界同行的广泛重视。神经网络具有多输入、多输出的结构，适用于多变量、非线性系统的分析，在训练范 围内对繁杂的输入数据具有稳定的分析处理和输出能 力，同时爆破振动传播介质的各向异性及影响爆破振 动传播因素的模糊性也与人工神经网络的应用特性相 符[4]。但目前对于普通神经网络的应用存在训练收敛 速度慢，训练误差和预测误差较大的缺点。本文作者 根据多次的实验比较，发现采用改进的神经网络模型 (QN-BP)对爆破质点振动峰值速度进行预测，可克服 以上缺点，具有一定的应用价值。基金项目：中南大学中央高校基本科研业务费专项资金资助项目(2012zzts103)；湖南省