[发明专利]一种基于ADABOOST集成算法的深部爆破破坏区形状预测方法

说明书

本发明公开的一种基于ADABOOST集成算法的深部爆破破坏区形状预测方法，包括如下步骤，步骤一：收集实验室模拟真实场景记录数据做关联性分析找到主要影响因素，步骤二：切分数据，步骤三：再处理数据，步骤四：数据分割，步骤五：训练数据，步骤六：利用训练好数据与真实数据进行对比，步骤七：评价结果。本发明属于金属采矿的工程爆破技术领域，本发明提供了一种基于ADABOOST集成算法的深部爆破破坏区形状预测方法，有效解决了以往进行爆破破坏区形状预测需要大量的开发成本且需要大量资金购买相应的服务，性价比较低的问题，体现了机器学习的方法在工程爆破领域的应用具有实际的参考价值，预测的结果具有理论的意义，是一种减少开发成本的预测方法。

技术领域

本发明属于金属采矿的工程爆破技术领域，尤其涉及一种基于ADABOOST集成算法的深部爆破破坏区形状预测方法。

背景技术

能源是长期以来人类得以生存的重要因素，由于社会对于能源的需求扩大，同时地球浅部的资源处于日益稀少的阶段，一些矿体的开采工作逐渐向地球深部过渡，国内外矿山的开采工作都已相继进入深部资源开采状态，以往国内外对于矿体爆破的研究大多处于使用模拟软件进行分析阶段，使数值模拟能计算出爆孔周围岩体中的速度、应变、应力和能量场等，可以定量的描述岩石的破坏及流动状态继而预测破坏的范围，由于先前的数值分析软件或者一些计算机程序需要大量的开发成本，并且需要大量的资金进行购买相应的服务，因而其性价比较低。

发明内容

针对上述情况，为克服现有技术的缺陷，本发明的目的在于提供一种基于ADABOOST集成算法的深部爆破破坏区形状预测方法，有效解决了以往进行爆破破坏区形状预测需要大量的开发成本且需要大量资金购买相应的服务，性价比较低的问题，是一种减少开发成本的预测方法。

本发明采用的技术方案如下：一种基于ADABOOST集成算法的深部爆破破坏区形状预测方法，包括如下步骤：

步骤一：收集实验室模拟真实场景记录数据，得原始数据，对原始数据做关联性分析，找到影响爆破破坏区形状变化的主要影响因素，得主要因素；

步骤二：对原始数据进行切分，找到具有对比可行性的数据，得切分数据；

步骤三：对切分数据进行缺失值处理、异常值检测和归一化处理，得再处理数据；

步骤四：将再处理数据进行分割，得训练数据集和测试数据集；

步骤五：利用训练数据集训练AdaBoost集成算法模型和Logistic算法模型，得训练好的训练AdaBoost集成算法模型和训练好的Logistic算法模型；

步骤六：利用训练好的AdaBoost算法模型和训练好的Logistic算法模型进行工程爆破破坏区形状的预测，并且与测试数据集中的真实数据进行对比；

步骤七：根据测试数据集进行预测得到的预测成功率进行训练好的AdaBoost算法模型和训练好的Logistic算法模型对比。

进一步地，一种基于ADABOOST集成算法的深部爆破破坏区形状预测方法，所述步骤一具体为：

步骤1：本发明使用的数据为某学校矿业学院同学进行模拟真实爆破采集的数据，数据集总共含有87个数据，12个特征，包括试件类型、应力强度，载荷1的应力和压强，载荷2的应力和压强、药高、孔深和抵抗线；

步骤2：通过数据分析得出数据特征中应力强度和载荷对于模型的结果的影响最关键的特征。

进一步地，一种基于ADABOOST集成算法的深部爆破破坏区形状预测方法，所述步骤二具体为：

步骤1：对原始数据进行切分操作，得切分数据；

步骤2：对切分数据进行分析找到具有可以进行相互对比的数据。