[發明專利]一種基于神經網絡優化遺傳算法的爆破方案選擇方法

在審

• 申請號: 201310023238.1
• 申請日: 2013-01-23
• 公開（公告）號: CN103778469A
• 公開（公告）日: 2014-05-07
• 發明（設計）人: 張洋;王雨虹;劉濤
• 申請（專利權）人: 遼寧工程技術大學
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06N3/12
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域

本發明涉及露天開采爆破方案選擇，特別是涉及基于神經網絡優化遺傳算法的爆破方案選擇方法。

背景技術

爆破方案的制定是采礦工作中的重要內容。方案中的參數選擇受很多因素影響。不同的礦區使用的爆破方案都有差異，主要是考慮產量、地質條件、巖石的物理力學性能和地下水環境等。

爆破參數的確定應該滿足安全、技術和經濟方面的要求。否者將產生嚴重的事故，其中超爆深度(BB)和飛石距離(FR)（下文簡稱超爆和飛石）是最為常見和危險的事故之一。超爆是由于不恰當的參數設置導致的爆破深度超過預定深度的現象，其對巖體的破壞將超過事先的預測，導致巖石的滑坡及崩塌等事故；飛石(FR)同樣是由于參數的不當導致爆炸能量使破壞后的巖石飛出事先設定的安全范圍，給周圍人機造成破壞的事故。

國內外對超爆和飛石及其相關因素已做了一些研究。但是基于經驗公式的超爆和飛石研究的效果并不好，這是由于經驗公式只是簡單的符合實驗數據，可能根本沒什么理論基礎。

使用ANN將爆破方案中的炮眼深(HL)、間距(S)、裝藥深度(B)、阻塞深度(ST)、單位炸藥消耗量(PF)和鉆孔率(SD)作為其輸入值，將超爆(BB)和飛石(FR)作為輸出值進行訓練和預測，并做了網絡誤差分析。使用訓練后的神經網絡（下文簡稱ANN）作為遺傳算法（下文簡稱GA）的適應度函數，通過GA對爆破參數進行優化，最后使用Pareto圖得到最優參數。

發明內容

針對露天開采過程中，爆破方案存在的問題，本發明提出一種基于神經網絡優化遺傳算法的爆破方案選擇方法。

1.選取的數據：收集數據用于訓練和驗證模型，炮眼深(HL)、間距(S)、裝藥深度(B)、阻塞深度(ST)、單位炸藥消耗量(PF)和鉆孔率(SD)作為其輸入值，將超爆(BB)和飛石(FR)作為輸出值。數據(HL,S,B,ST,PF,SD,BB,FR)一共為100組,隨機分成訓練集（80%）和測試集（20%）。

2.?基于ANN的GA適函數的構造：ANN訓練的主要任務是選擇隱含層數、隱含成內神經元數、傳遞函數和權重。這個自適應過程就是網絡誤差達到最小閥值時,確定上述參數的過程。網絡誤差通常是通過均方誤差（MSE）和決定系數（r²）作為評價指標來判定的，MSE如式（1）所示

???????????????????????????????????????????????????????????????????????????????（1）

?式中：O_i和T_i分別代表預測和實測的輸出值，N表示數據對數。

為了提高訓練的效率和泛化性，ANN的輸入值和輸出值應進行規格化，即這些值按照相應的算法落在

[-1,1]內。使用線性規格化公式（2）使值落在上述范圍內。

??????（2）

以前饋式神經網絡（FFNN）進行預測。對FFNN的有效利用首先要確定隱含網絡層數和計算神經元的數量。如果隱含層有足夠的隱含神經元，那么使用雙曲線正切Ｓ傳遞函數和線性傳輸函數組成的兩層神經網絡是較為合適的結構。神經元的數量是避免超適應問題的關鍵，即如果一些ANN適應訓練數據的性能相同，那么最簡單的ANN最好。根據目前研究的經驗，確定隱含層中的神經元數量不能通過準確計算得到，一般情況下只能在訓練和預測后才能對其調整以便增加其適應性，但是可以通過一些相關的參數對其進行估計，如表1所示。

表1?數據的單隱含層中神經元的估計數量

注：n_i、n₀和n_t分別是輸入神經元數量、輸出神經元數量和訓練樣本數量，本例中n_i?=2、n₀?=1、n_t?=35（50×70%，50是最小的實驗次數）；k是噪聲系數，k=4;；是越界常量，=1.25。