齊留洋，郭建新，顧春雷

(1.北京科技大學(xué)，北京100083；2. 包鋼鋼聯(lián)巴潤礦業(yè)分公司，內(nèi)蒙古 包頭014080)

露天礦山爆破的爆堆形態(tài)及其技術(shù)指標是否符合裝鏟設(shè)備要求，對后續(xù)作業(yè)環(huán)節(jié)的效率和經(jīng)濟效益有較大影響，是評判爆破效果是否理想的重要指標。對爆堆進行準確的預(yù)測，對于優(yōu)化爆破設(shè)計、提高經(jīng)濟效益具有重要意義。

露天爆破爆堆形態(tài)預(yù)測成為爆破工程所關(guān)注的問題[1-4]。針對爆堆預(yù)測這一問題，前人從數(shù)值計算、現(xiàn)場觀測等方面做出許多研究。欒龍發(fā)[5]通過高速攝影對現(xiàn)場臺階爆破過程進行檢測，論述了深孔臺階爆破后表面巖石的移動規(guī)律；于亞倫[6]提出了用于預(yù)測臺階爆破后爆堆形態(tài)的彈道理論和Weibull模型。程曉君[7]使用3ds max 實現(xiàn)對爆破后爆堆形態(tài)的可視化再現(xiàn)；蘇都都[8]采用PFC2D數(shù)值方法對爆堆形態(tài)進行預(yù)測。

針對彈道理論所形成的硐室爆破拋擲堆積計算在國外已經(jīng)積累了相當豐富的經(jīng)驗，但在露天臺階爆破中，彈道理論的拋擲堆積物理數(shù)學(xué)模型和計算方法尚未得到很好的解決，難以在生產(chǎn)中應(yīng)用。非線性理論在預(yù)測爆堆形態(tài)時，運用回歸分析模擬爆堆形態(tài)，爆破設(shè)計參數(shù)與爆堆形態(tài)之間的關(guān)系難以建立[9]。巖體存在節(jié)理裂隙時，節(jié)理結(jié)構(gòu)面等與藥包爆炸的相互作用，也只是使用模型材料進行定性研究，分析節(jié)理結(jié)構(gòu)面在爆堆形成上的作用，需以現(xiàn)場實測為基礎(chǔ)，結(jié)合數(shù)值計算理論，建立起合理的計算爆堆形態(tài)的系統(tǒng)模型，才能達到預(yù)測爆堆形態(tài)的目的[10]。

傳統(tǒng)的爆堆形態(tài)預(yù)測方法，無論是彈道理論、非線性回歸，還是建立系統(tǒng)模型，在實際操作上都存在難點。在計算機平臺下，以神經(jīng)網(wǎng)絡(luò)為代表的數(shù)值計算方法可以實現(xiàn)對不同因素之間聯(lián)系的建立與模擬，從而達到對爆堆形態(tài)的預(yù)測，為現(xiàn)場實際工程的操作提供簡單易行的手段。

1 基于Weibull的爆堆形態(tài)模擬

在對爆破效果的不同指標進行預(yù)測時，爆堆形態(tài)明顯區(qū)別于爆破塊度這類可以使用數(shù)字表示大小與差異的參量，爆堆形態(tài)是可視化的形態(tài)參量結(jié)果，需要將這種形態(tài)參量轉(zhuǎn)化為數(shù)字參量表達出來。大量的實際爆破工程表明，炮孔至臺階自由面方向上的爆堆剖面二維曲線與Weibull分布曲線類似，Weibull分布僅依靠比例參數(shù)和形狀參數(shù)這兩個數(shù)字參數(shù)就可以調(diào)控。

Weibull函數(shù)是一種連續(xù)性分布模型，在對爆堆形態(tài)進行模擬時，模型省略了對爆破過程中巖體內(nèi)部各種復(fù)雜的力學(xué)計算過程，代替使用概率統(tǒng)計的方法將爆堆最終的形態(tài)進行呈現(xiàn)[11]，實用性強。

Weibull分布模型中的比例參數(shù)α和形狀參數(shù)β是控制曲線形狀的參數(shù)，通過調(diào)整參數(shù)能與實測曲線很好的吻合，在α、β的選取上具有一定困難[12]。要真正實現(xiàn)對爆堆形態(tài)的預(yù)測，需要對模型中的兩個參數(shù)進行有效的預(yù)測，進而實現(xiàn)對可視化形態(tài)的預(yù)測。在爆破過程中，由于最后一排炮孔存在爆破漏斗現(xiàn)象，實際爆堆形態(tài)曲線的后半段會出現(xiàn)下陷[13]，利用Weibull分布模型模擬的曲線是去掉因爆破漏斗現(xiàn)象產(chǎn)生下陷的前半部分。

本文采用BP神經(jīng)網(wǎng)絡(luò)和ELM神經(jīng)網(wǎng)絡(luò)[14-15]兩種模型進行訓(xùn)練預(yù)測。在影響露天礦高臺階爆破爆堆形態(tài)的眾多因素中，選取爆堆松散系數(shù)作為爆破效果的評價指標[16]，根據(jù)灰色關(guān)聯(lián)分析確定出影響爆堆形態(tài)各因素的主次關(guān)系[17-18]，選取排距、臺階高度、抵抗線、炸藥單耗、孔距作為主要影響因素，對爆堆形態(tài)進行預(yù)測。

2 爆堆形態(tài)預(yù)測

巴潤礦西采區(qū)爆破采用逐孔起爆技術(shù)，逐孔起爆的方式有利于增大爆堆的松散系數(shù)[20]。礦區(qū)工程地質(zhì)條件復(fù)雜，爆破巖體中等堅硬，選取工程地質(zhì)條件、巖性相似的爆區(qū)數(shù)據(jù)進行神經(jīng)網(wǎng)絡(luò)訓(xùn)練。

各個輸入數(shù)據(jù)具有不同的物理意義和不同的量綱，對樣本數(shù)據(jù)進行尺度歸一化處理，通過對數(shù)據(jù)的重新調(diào)節(jié)，使得最終數(shù)據(jù)落在[0，1]之間，用來保證各影響因素之間的等效性以及最后結(jié)果的正確性。原始數(shù)據(jù)見表1和表2。

表1 爆破參數(shù)表

表2 爆破效果表

2.1 訓(xùn)練神經(jīng)網(wǎng)絡(luò)

從15組樣本數(shù)據(jù)中任選14組樣本數(shù)據(jù)對BP和ELM兩種神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，剩余的1組樣本數(shù)據(jù)用來檢驗神經(jīng)網(wǎng)絡(luò)的預(yù)測精度。

2.2 實驗結(jié)果與分析

使用BP神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果如表3，使用ELM神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果如表4。

表3 BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果

分析表3和表4的預(yù)測結(jié)果，用BP神經(jīng)網(wǎng)絡(luò)對爆堆形態(tài)進行預(yù)測時，控制Weibull模型的比例參數(shù)α和形狀參數(shù)β的相對誤差較大，比例參數(shù)α的預(yù)測值相對誤差在12%左右，形狀參數(shù)β的預(yù)測值相對誤差波動較大，在30%～80%之間。但對松散系數(shù)預(yù)測結(jié)果的相對誤差穩(wěn)定在10%以下，多數(shù)在5%左右，預(yù)測效果能夠滿足預(yù)期要求。

表4 ELM神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果

用ELM神經(jīng)網(wǎng)絡(luò)對爆堆形態(tài)進行預(yù)測時，比例參數(shù)α和形狀參數(shù)β的相對誤差較小，精度較高，α的相對誤差可以控制在5%以下，β的相對誤差可以控制在7%左右，預(yù)測效果能夠滿足預(yù)期要求。但ELM神經(jīng)網(wǎng)絡(luò)對松散系數(shù)的預(yù)測結(jié)果較差，相對誤差普遍在16%左右。

3 現(xiàn)場應(yīng)用

巴潤礦是集合鐵、稀土的多金屬大型露天礦山，分東、西兩個采場，均已進入深部露天開采階段。基于巴潤礦5次爆破技術(shù)數(shù)據(jù)建立樣本庫，經(jīng)由訓(xùn)練的BP、ELM神經(jīng)網(wǎng)絡(luò)對2018年10月27日的西采1 560 m水平爆破進行5次預(yù)測。使用BP神經(jīng)網(wǎng)絡(luò)對松散系數(shù)進行預(yù)測，使用ELM神經(jīng)網(wǎng)絡(luò)對α、β兩個參數(shù)進行預(yù)測，5次實際爆破參數(shù)見表5，預(yù)測效果見表6。

本文訓(xùn)練樣本較少，預(yù)測結(jié)果尚有不同程度的偏差，除去第3組與第5組預(yù)測值相對誤差偏大，其余三組均控制在10%以內(nèi)。

表5 爆破參數(shù)表

表6 神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果

現(xiàn)場爆破試驗的預(yù)測結(jié)果也表明，使用BP、ELM神經(jīng)網(wǎng)絡(luò)可以對基于Weibull模型的爆堆形態(tài)進行預(yù)測?，F(xiàn)場爆破試驗結(jié)果表明，預(yù)測結(jié)果與實際爆破效果接近，誤差滿足要求。

4 結(jié)論

1)基于Weibull模型建立了高臺階拋擲爆破爆堆形態(tài)預(yù)測模型，將BP神經(jīng)網(wǎng)絡(luò)和ELM神經(jīng)網(wǎng)絡(luò)引入對爆堆形態(tài)的預(yù)測中，對爆堆形態(tài)的兩個關(guān)鍵參數(shù)(比例參數(shù)α和形狀參數(shù)β)以及松散系數(shù)進行預(yù)測，試驗結(jié)果表明該方法切實可行。

2)為使預(yù)測效果能夠達到預(yù)期要求，保證預(yù)測的準確性，可使用BP神經(jīng)網(wǎng)絡(luò)對松散系數(shù)進行預(yù)測，使用ELM神經(jīng)網(wǎng)絡(luò)對α、β兩個參數(shù)進行預(yù)測。