[發(fā)明專利]一種爆破塊度預(yù)測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202111054833.2
• 申請(qǐng)日: 2021-09-09
• 公開（公告）號(hào): CN113762394A
• 公開（公告）日: 2021-12-07
• 發(fā)明（設(shè)計(jì)）人: 李祥龍;趙品喆;姚永鑫;方程;武永博
• 申請(qǐng)（專利權(quán)）人: 昆明理工大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06Q10/04;G06Q50/02
• 代理公司: 昆明明潤知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 53215
• 代理人: 馬海紅

本發(fā)明涉及一種爆破塊度預(yù)測(cè)方法，屬于爆破塊度預(yù)測(cè)技術(shù)領(lǐng)域。本發(fā)明首先構(gòu)建CART決策樹模型；然后進(jìn)行訓(xùn)練樣本集重抽樣；利用MATLAB腳本語言編寫代碼計(jì)算不同決策樹樹棵樹(Ntree)與模型均方誤差(MSE)之間關(guān)系；然后對(duì)決策樹采用GINI系數(shù)作為屬性分裂的標(biāo)準(zhǔn)，并基于這個(gè)標(biāo)準(zhǔn)選擇節(jié)點(diǎn)；基于節(jié)點(diǎn)的訓(xùn)練集，得到不同的決策樹，并最終生成第一層隨機(jī)森林；依據(jù)第一層隨機(jī)森林的訓(xùn)練殘差，作為第二層隨機(jī)森林的訓(xùn)練樣本集，生成第二層隨機(jī)森林；第一層隨機(jī)森林模型與第二層隨機(jī)森林模型的輸出依次疊加，即可得到雙層隨機(jī)森林預(yù)測(cè)模型的最終輸出，并依此預(yù)測(cè)爆破塊度。本發(fā)明相比于傳統(tǒng)預(yù)測(cè)方法具有更高的可靠性以及穩(wěn)定性。

技術(shù)領(lǐng)域

本發(fā)明涉及一種爆破塊度預(yù)測(cè)方法，屬于爆破塊度預(yù)測(cè)技術(shù)領(lǐng)域。

背景技術(shù)

鉆爆法是礦山開采和隧道修建經(jīng)常采用的破巖方法之一，爆破作用在完成破巖的同時(shí)也帶來了很多負(fù)面效應(yīng)，如爆破震動(dòng)、空氣沖擊波、飛石、噪音、粉塵等，其中爆破震動(dòng)危害尤為顯著。我國爆破規(guī)程采用速度來衡量震動(dòng)強(qiáng)度，準(zhǔn)確地預(yù)測(cè)爆破引起的質(zhì)點(diǎn)振動(dòng)速度能有效控制爆破震動(dòng)的危害。

現(xiàn)有技術(shù)中爆破塊度預(yù)測(cè)方法的準(zhǔn)確性和可靠性都較低。

發(fā)明內(nèi)容

本發(fā)明要解決的技術(shù)問題是：提供了一種爆破塊度預(yù)測(cè)方法，研究解決了需要同時(shí)考慮許多因素和條件的、不精確和模糊的信息處理問題，提高了爆破塊度預(yù)測(cè)的準(zhǔn)確性和可靠性。

本發(fā)明采用的技術(shù)方案是：一種爆破塊度預(yù)測(cè)方法，包括如下步驟：

1)形成訓(xùn)練數(shù)據(jù)集；

2)選擇分裂節(jié)點(diǎn)；

3)生成第一層隨機(jī)森林；

4)生成第二層隨機(jī)森林；

5)第一層隨機(jī)森林與第二層隨機(jī)森林的輸出依次疊加，得到雙層隨機(jī)森林預(yù)測(cè)模型的最終輸出。

具體地，所述步驟1)包括如下步驟：

Step1.1：將爆破試驗(yàn)實(shí)際測(cè)得的爆破平均塊度值作為模型的輸出變量(標(biāo)簽值)，相應(yīng)爆破試驗(yàn)場(chǎng)次采集到抵抗線距(B)、鉆孔排間距(S)、臺(tái)階高度(H)、鉆孔直徑(d)、堵塞長度(L)、巖體彈性模量(E)、原位巖石塊度(x)、爆破單耗(q)指標(biāo)作為模型的輸入變量(屬性值)，輸出變量及輸入變量組成訓(xùn)練數(shù)據(jù)集

Step1.2：使用Step1.1得來的數(shù)據(jù)集采用Bootstrap方法進(jìn)行訓(xùn)練樣本集重抽樣，抽取m個(gè)數(shù)據(jù)樣本，隨機(jī)產(chǎn)生n個(gè)訓(xùn)練數(shù)據(jù)集的子集D，D＝{x_i1,x_i2,…,x_in,y_i}(i∈[1,m])。

在Bootstrap數(shù)據(jù)集基礎(chǔ)上采用Bagging方法進(jìn)行隨機(jī)有放回的選擇訓(xùn)練數(shù)據(jù)，然后構(gòu)造分類器，最后在通過組合學(xué)習(xí)后的模型來增加整體的采集效果。

Step1.3：在各子集中使用決策樹算法，根據(jù)“基尼系數(shù)最小準(zhǔn)則”，選擇最優(yōu)方式進(jìn)行節(jié)點(diǎn)分裂，分裂過程中不剪枝，設(shè)單棵決策樹預(yù)測(cè)器f(x，θ_k)的預(yù)測(cè)結(jié)果為f_i(x)，則隨機(jī)森林回歸模型的最終預(yù)測(cè)結(jié)果表示為:式(1)定義了隨機(jī)森林回歸算法建模過程參數(shù)集RFP；式(2)用于進(jìn)行基于隨機(jī)森林回歸的爆破塊度預(yù)測(cè)。

RFP＝{Ntree,Mtry} (1)