[发明专利]一种基于人工神经网络的配料爆破参数智能设计方法

说明书

技术领域

本发明涉及岩体爆破领域，更具体的说，是涉及一种基于人工神经网络的配料爆破参数智能设计方法。

背景技术

由于岩体天然裂隙块度的影响，对级配料的爆破开采是巨大的技术进步，但其中是一个非常复杂的过程，在实际工程中难以推广，因此有必要设计一种基于人工神经网络的水电站级配料爆破参数设计方法，将复杂的运算过程由计算机完成，设计人员只需给出前次的爆破效果(块度筛分结果)、地质条件、提出爆破开采要求，计算机可根据前期的试验成果以及施工过程中不断补充的筛分以及碾压监测数据修正预报模型并给出合理的爆破参数。

人工神经网络算法在解决关于岩体力学非线性关系、参数识别、预测等方面的问题表现出巨大的优势，不同自然地质条件下，岩体的天然裂隙和块度分布杂乱无章，其对理想爆破块度的影响显然具有多因素的特征，而堆石坝填充料的级配要求对岩体天然块度具有多目标的要求。因此首先通过适量的现场试验和多次岩体爆破破碎全过程的数值仿真积累大量数据样本；其次基于累计的样本，从影响天然块度的因素筛选出主要因素，同时根据不同工程建设要求确定设计块度的主要目标；然后针对筛选出的主要因素和主要目标，基于人工神经网络算法建立天然块度和设计块度的映射关系；再者选取部分工程实例或数值计算实例，验证所建立的映射关系的准确性。

发明内容

有鉴于此，有必要针对上述问题，提供一种基于人工神经网络的配料爆破参数智能设计方法，基于大量数据样本，建立岩体天然块度与理想爆破块度的映射关系，实现考虑研究对象的天然地质缺陷条件下，事先对爆破参数进行优化。

为了实现上述目的，本发明的技术方案如下：

一种基于人工神经网络的配料爆破参数智能设计方法，包括以下步骤：

S1、根据爆破环境和地质条件的改变，建立并嵌入预测模型；

S2、根据历史实验、爆破数据及碾压监测数据修正预测模型并预测理想爆破块度；

S3、建立岩体天然块度与理想爆破块度的映射关系，事先对爆破参数进行优化。

作为优选的，所述步骤S1中预测模型为Kuz-Ram爆破块度预警模型。

作为优选的，所述Kuz-Ram爆破块度模型包括R-R分布函数和Kuznetsov方程；

所述R-R分布函数包括石料特征尺寸x⁰和块度分布不均匀指数n两个变量，表达式为：

式中，R为小于某一粒径x的百分比，x为岩块颗粒粒径，x₀为特征块度；

所述Kuznetsov方程为爆破平均块度与爆破能量、岩石特性的经验方程，其表达式为：

式中，A为岩石系数，Q为单孔装药量，E为炸药相对威力，q为炸药单耗。

作为优选的，所述Kuz-Ram爆破块度模型中，块度分布不均匀指数n算法如下：

n＝(2.2-14w/d)(1-e/w)[1+(m-1)/2]L/H

式中，W为最小抵抗线，d为炮孔直径，e为钻孔精度标准差，m为间距系数，m＝a/W，a为孔距；L为不计超钻部分的装药长度；H为台阶高度。

作为优选的，所述步骤S2包括，根据爆破试验或前期施工中积累的实际块度分布资料和用该模型计算的平均块度块度分布不均匀性指标n进行比较,将其实际和计算值之比值作为修正系数Kx和Kn,从而得到修正后的Kuz-Ram模型：

n'＝Kn(2.2-14w/d)(1-e/w)[1+(m-1)/2]L/H。

作为优选的，所述步骤S3具体包括：

S31、建立神经网络函数；

S32、调用神经网络函数，根据现场试验和多次岩体爆破破碎全过程数据中实际数据库中的训练样本作为输入参数，输入到神经网络函数中，进行神经网络函数的训练学习；

S33、、建立岩体天然块度与理想爆破块度的映射关系，事先对爆破参数进行优化。

作为优选的，所述神经网络函数包括三层结构的神经网络控制模型，包括5个输入层神经元、若干隐层含神经元和1个输出层神经元。