基于bp神经网络的爆破参数优化研究.docxVIP

基于bp神经网络的爆破参数优化研究 矿岩爆炸过程是矿山生产过程中最重要的环节之一。合理的爆炸参数是确保安全且高效开采的必要前提。研究表明炮孔排距、孔底距及一次炸药单耗是矿岩最主要的爆破参数;而矿岩的固有属性,包括容重、弹性模量、抗拉强度、抗压强度、摩擦角及粘结力是影响矿岩爆破参数的最主要因素。因此,必须寻求与主要因素相匹配的爆破参数才能达到理想的爆破效果。然而,各爆破参数间及各影响因素间关系繁杂,爆破参数与影响因素间也具有不确定性和不精确性,呈非线性映射关系,难以实现优选。长期以来,国内外矿山大都采用简单工程类比法和现场爆破试验来选择参数,但前者往往考虑因素不全,容易受主观因素左右,而后者要花费大量的人力、财力、时间等,难以达到理想的效果。 为了克服上述传统方法的缺点,研究运用BP神经网络建立爆破参数与其主要影响因素参数间的非线性复杂关系模型,以国内爆破工艺类似、应用成功的矿山为学习、训练样本,对目标矿山的爆破参数进行预测,优选。BP神经网络具有通过学习逼近任意非线性、多层次映射的能力,应用于非线性系统的预测中,可以不受非线性模型的限制。将BP神经网络技术应用于凿岩爆破参数优选中,可以较好地解决少数据、贫信息、不确定性问题。本研究以唐钢矿业有限公司石人沟铁矿上向扇形中深孔爆破参数优选为例,优选出的爆破参数适用于矿山的矿岩条件,应用效果良好。 1 优选模型bp神经网络 1.1 各神经元自适应网络的方法 回归BP神经网络同时具有反馈和前馈机制,这就意味着在网络的一个训练周期中,网络的输出同时反馈给网络的输入神经元作为网络的外部输入。如图1所示为一个典型的三层回归BP网络。 在图1中,输入层有一个n维的输入向量和一个阈值结点,该结点的值是固定的,这个值的存在保证了网络的收敛特性。中间层有m个神经元和一个阈值结点。相邻两层的所有神经元采用全连接的方式相连。输入层的神经元输入-输出关系可以表示为: ΙiF=ΟiΙ=X(i=1,2,?,n)(1)ΟiF=f(ΙiF)=f(Xi)(2)IiF=OiI=X(i=1,2,?,n)(1)OiF=f(IiF)=f(Xi)(2) 其中,F表示输入层,输入神经元和隐含神经元之间实现加权连接。即如果信号从第i个神经元传递到第j个神经元,则信号需要乘上两个神经元之间的连接权值wij。令Oj表示第i个神经元的输出,第j个神经元的输入则为OjWij。对第j个神经元的输入进行求和,可得: Ιjh=n1∑i=1ΟiFWijF+θjΗ(j=1,2,?,m)(3)Ijh=∑i=1n1OiFWijF+θjH(j=1,2,?,m)(3) 式中θj为阈值项,H表示中间层。该法操作是通过中间层的处理器实现的,实现加法的过程就是激发神经元的过程。由于神经元的权值和输入可以取正值,也可以取负值,因此对神经元的激发有可能产生正值、负值和零值的任意数据。中间层的激发函数为: ΟjΗ=f(ΙjΗ)=f(n1∑i=1ΟiFWijF+θjΗ)(j=1,2,?,m)(4)OjH=f(IjH)=f(∑i=1n1OiFWijF+θjH)(j=1,2,?,m)(4) 对于输出层Y,它的第k个神经元接收了中间层的第j个神经元的输出信号,经过加权后,作为自己的输入信号,可以得到类似的结论。 ΙkY=m1∑j=1ΟjΗWjkΗ+θkY(k=1,2,?,g)(5)ΟkY=f(ΙkY)=f(m1∑j=1ΟjΗWjkΗ+θkY)(k=1,2,?,g)(6)IkY=∑j=1m1OjHWjkH+θkY(k=1,2,?,g)(5)OkY=f(IkY)=f(∑j=1m1OjHWjkH+θkY)(k=1,2,?,g)(6) 回归BP网络的传递函数见式(7)。这是一种非常典型的函数,具有很多优点。它是连续可导的,输出也是连续的并且位于区间中,β为函数的斜率。本研究即根据BP神经网络结构,以MATLAB为工具,自行编制程序,应用起来极其方便。 ΟkY=f(net)=11+exp(-β*net)(β>0)(7)OkY=f(net)=11+exp(?β*net)(β>0)(7) 1.2 基于kolmolov定理的网络隐含层神经元自适应识别 建立的BP神经网络以矿岩的容重、弹性模量、抗拉强度、抗压强度(用矿岩坚固性系数表示)、摩擦角及粘结力为输入因子,以炮孔排距、孔底距及一次炸药单耗为输出因子,并设置中间隐含层,构成典型的三层网络结构。训练样本集的规模极其重要,样本集太少学习意义不大,样本集太多影响训练速度,甚至导致不能收敛到预定精度,一般在6～25之间为宜。参照国内上向扇形中深孔的情况,针对石人沟的生产条件,选取了7个应用效果良好的矿山作为训练样本,如表1所示。 本研究的输入因子6个,输出因子3个,则由Kolmogorov定理可得隐含层神经元个数应该在13左右,建立模型时,选