CN112541392A - 一种基于深度神经网络的露天台阶***预测方法 - Google Patents
一种基于深度神经网络的露天台阶***预测方法 Download PDFInfo
- Publication number
- CN112541392A CN112541392A CN202011240654.3A CN202011240654A CN112541392A CN 112541392 A CN112541392 A CN 112541392A CN 202011240654 A CN202011240654 A CN 202011240654A CN 112541392 A CN112541392 A CN 112541392A
- Authority
- CN
- China
- Prior art keywords
- blasting
- deep neural
- neural network
- scale
- parameters
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000005422 blasting Methods 0.000 title claims abstract description 75
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000005065 mining Methods 0.000 claims abstract description 7
- 238000005553 drilling Methods 0.000 claims description 10
- 239000002360 explosive Substances 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 5
- 239000011435 rock Substances 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 8
- 238000005474 detonation Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000004880 explosion Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- PAWQVTBBRAZDMG-UHFFFAOYSA-N 2-(3-bromo-2-fluorophenyl)acetic acid Chemical compound OC(=O)CC1=CC=CC(Br)=C1F PAWQVTBBRAZDMG-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000839 emulsion Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明一种基于深度神经网络的露天台阶***预测方法涉及露天矿山***的预测领域。包括将拟***区域划分出矿区***台阶；获取已***区域的外部参数；计算出N组***参数并分别与外部参数组合形成N组待测样本；建立由特征提取器和度量学习器组成的多尺度关系网络结构，得到一个多尺度关系网络元学习深度神经网络；将N组待测测样本分别使用所述的多尺度关系网络元学习深度神经网络进行预测，得到N组预测结果。根据当前***需要，对所有预测结果进行综合计算得到总评分；选出总评分最合适的样本i；选取i样本的***参数，即为预测结果。可用于指导矿山***实际施工操作。
Description
技术领域
本发明涉及露天矿山***的预测领域。
背景技术
***中有大量数据要进行计算，但是由于***参数(影响因素)的取值具有不确定性，数学上很难用一个函数等式来准确表示***参数(影响因素)和矿岩破碎块度分布与***振动(目标函数)之间的关系。相关的经验公式有很多，但是都不很准确。相同参数计算经常有多条公式可供选择。对于同一条公式，也常包括几个参数也可在很大范围内取值，没有清晰的描述参数如何取值才更准确。这些公式一般都是在实际试验中根据***结果总结的，但一次***包含大量外部条件难以加到公式系数中，导致公式适应性不强，针对不同实际需求难以抉择使用哪个公式，并使用哪种参数设置。
以往的***效果评价多针对一种单一变量进行分析，例如矿岩块度分布、***震动情况、爆堆集中情况等，缺少对影响***效果多种因素的综合评价方法。同时矿山开采所获取的样本数据量相对于其他领域的数据样本属于少样本情况，进一步增加了准确评价的难度。
发明内容
为了解决现有技术的问题，本发明实施例提供了一种基于深度神经网络的露天台阶***预测方法。所述技术方案如下：
一种基于深度神经网络的露天台阶***预测方法，包括：
一、将拟***区域划分出矿区***台阶；
二、获取已***区域的外部参数；
三、利用不同的***经典理论公式计算出多组***参数，假设为N组，每组***参数分别与外部参数组合，形成一个待预测样本，得到N组待测样本；
四、建立由特征提取器和度量学习器组成的多尺度关系网络结构，得到一个多尺度关系网络元学习深度神经网络；
五、将N组待测测样本分别使用所述的多尺度关系网络元学习深度神经网络进行预测，得到N组预测结果。
六、根据当前***需要，对所有预测结果进行综合计算得到总评分；选出总评分最合适的样本i；
七、选取i样本的***参数，即为预测结果。可用于指导矿山***实际施工操作。
其中，所述的***经典理论公式是指***理论手册中用于技术孔距、排距的方法，比如根据孔径确定排拒，孔距B＝30D炮孔直径，也可以根据抵抗线进行确定B＝1.5W。
所述的最合适的样本i是指最满足待预测工程***需要的样本i。
优选地，所述的拟***区域与已***区域位于同一座矿山中。
在一个更优选的实施例中，步骤四中所述的建立多尺度关系网络结构是先利用特征提取器提取支持集和目标集的特征，然后利用度量学习器计算支持集和目标集中图片之间相似度。
所述的支持集指已***区域的爆后效果。目标集指的是待***区域的***效果。
每次***完毕后记录***结果，并把这次***作为一个新样本加入支持集中，继续训练元学习深度神经网络，优化今后***结果。
在一个更进一步优选的实施例中，步骤四中所述的建立多尺度关系网络结构可以优选地设置为先利用特征提取器分别提取支持集和目标集的多尺度特征，然后将这些多尺度特征拼接成关系特征，最后度量学习器学习这些关系特征后计算出关系分数(表示图片之间相似度)，即一次少样本图像分类任务的结果，得到一个多尺度关系网络元学习深度神经网络。
所述的拼结可以优选地设置为对支持集的每个类别的样本特征求均值，然后再将其与目标集的样本特征进行结合。其中求均值的方式相当于原型网络中对支持集每种类型的样本提取他们的中心点作为原型一样。
所述的特征提取器可以优选地设置为是去掉全连接层的CNN，它由四个卷积模块组成，每个卷积模块即为一卷积层。
所述的特征提取器优选是从每个卷积层中提取支持集和目标集的多尺度特征。
在上述或者更优选的实施例中，所述的***参数是岩体描述、***图样尺寸、钻模、***量、***类型、炮孔水状况、炮孔长度、台阶高度和***。
所述的钻模是指钻机信息，钻机的类型、钻孔直径和钻孔效率，炮孔水状况是指炮孔内是否有水，***是指***的延期时间和***的类型，如导爆管***、数码电子***。
或者在上述或者更优选的实施例中，每组***参数是孔距排距、钻孔信息、装药信息和起爆网路信息。
所述的装药信息指炮孔***的类型，乳化还是铵油，装药的密度、重量。起爆网路信息指的起爆网络的类型，V型起爆网路等，网路的延期时间设定方式。
本发明实施例提供的技术方案带来的有益效果是：
通过多尺度关系网络元学习深度神经网络模型对***效果进行预测及评价，可对待***的露天台阶区域的块度分布、松散系数、根底率、后裂距离、爆堆尺寸、***振动、飞石距离、冲击波、噪声进行预测，使***效果满足工程需要，以便对***设计参数进行合理修正，建立矿区的合理***参数。通过建立多尺度关系网络元学习深度神经网络，可以有效的解决***数据样本量小，引起的预测误差和精度低问题，建立了一种适用于小样本深度学习的预测方法。
分别在8个不同的矿区，使用本发明所述的基于深度神经网络的露天台阶***预测方法，共计预测352次***。最后得到平均误差为4.63％，最大误差不超过10％。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明实施方式作进一步地详细描述。
实施例一
一种基于深度神经网络的露天台阶***预测方法，包括：
一、将拟***区域划分出矿区***台阶；
二、获取同矿山中已***区域的外部参数：岩体描述、***图样尺寸、钻模、***量、***类型、炮孔水状况、炮孔长度、台阶高度和***；
三、利用不同的***经典理论公式计算出多组***参数：孔距排距、钻孔信息、装药信息和起爆网路信息。假设为N组，每组***参数分别与外部参数组合，形成一个待预测样本，得到N组待测样本；
四、建立由特征提取器和度量学习器组成的多尺度关系网络结构，得到一个多尺度关系网络元学习深度神经网络；其中特征提取器为去掉全连接层的CNN，它由四个卷积模块组成，每个卷积模块即为一卷积层。
具体包括：先利用特征提取器分别从每个卷积层中提取支持集(即已***区域的爆后效果)和目标集(即待***区域的***效果)的多尺度特征，然后对支持集的每个类别的样本特征求均值，然后再将其与目标集的样本特征进行结合，将这些多尺度特征拼接成关系特征，最后度量学习器学习这些关系特征后计算出关系分数(表示图片之间相似度)，即一次少样本图像分类任务的结果，得到一个多尺度关系网络元学习深度神经网络。
五、将N组待测测样本分别使用所述的多尺度关系网络元学习深度神经网络进行预测，得到N组预测结果。
六、根据当前***需要，对所有预测结果进行综合计算得到总评分；选出总评分最合适的样本i；如以下表三个样本为例，综合得分最高为最优：0.43*90+0.05*50+……+0.04*48，每项指标权重乘每项指标的分数并想加后得到总分数。
七、选取i样本的***参数，即为预测结果。可用于指导矿山***实际施工操作。
八、***完毕后记录***结果，并把这次***作为一个新样本加入支持集中，继续训练元学习深度神经网络，优化今后***结果。
九、比对预测结果与实际结果，误差为3.32％。
分别在8个不同的矿区，使用实施例一相同的方法预测352次***。最后得到平均误差为4.63％，最大误差不超过10％。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于深度神经网络的露天台阶***预测方法，其特征在于，所述方法包括：
一、将拟***区域划分出矿区***台阶；
二、获取已***区域的外部参数；
三、利用不同的***经典理论公式计算出多组***参数，假设为N组，每组***参数分别与外部参数组合，形成一个待预测样本，得到N组待测样本；
四、建立由特征提取器和度量学习器组成的多尺度关系网络结构，得到一个多尺度关系网络元学习深度神经网络；
五、将N组待测测样本分别使用所述的多尺度关系网络元学习深度神经网络进行预测，得到N组预测结果。
六、根据当前***需要，对所有预测结果进行综合计算得到总评分；选出总评分最合适的样本i；
七、选取i样本的***参数，即为预测结果。
2.如权利要求1所述的一种基于深度神经网络的露天台阶***预测方法，其特征在于所述的拟***区域与已***区域位于同一座矿山中。
3.如权利要求1或2所述的一种基于深度神经网络的露天台阶***预测方法，其特征在于步骤四中所述的建立多尺度关系网络结构是先利用特征提取器提取支持集和目标集的特征，然后利用度量学习器计算支持集和目标集中图片之间相似度。
4.如权利要求3所述的一种基于深度神经网络的露天台阶***预测方法，其特征在于步骤四中所述的建立多尺度关系网络结构是先利用特征提取器分别提取支持集和目标集的多尺度特征，然后将这些多尺度特征拼接成关系特征，最后度量学习器学习这些关系特征后计算出关系分数，即一次少样本图像分类任务的结果，得到一个多尺度关系网络元学习深度神经网络。
5.如权利要求4所述的一种基于深度神经网络的露天台阶***预测方法，其特征在于所述的拼结是对支持集的每个类别的样本特征求均值，然后再将其与目标集的样本特征进行结合。
6.如权利要求5所述的一种基于深度神经网络的露天台阶***预测方法，其特征在于所述的特征提取器是去掉全连接层的CNN，它由四个卷积模块组成，每个卷积模块即为一卷积层。
7.如权利要求6所述的一种基于深度神经网络的露天台阶***预测方法，其特征在于所述的特征提取器是从每个卷积层中提取支持集和目标集的多尺度特征。
8.如权利要求1或2或4或5或6或7所述的一种基于深度神经网络的露天台阶***预测方法，其特征在于所述的外部参数是岩体描述、***图样尺寸、钻模、***量、***类型、炮孔水状况、炮孔长度、台阶高度和***。
9.如权利要求1或2或4或5或6或7所述的一种基于深度神经网络的露天台阶***预测方法，其特征在于每组***参数是孔距排距、钻孔信息、装药信息和起爆网路信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011240654.3A CN112541392A (zh) | 2020-11-09 | 2020-11-09 | 一种基于深度神经网络的露天台阶***预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011240654.3A CN112541392A (zh) | 2020-11-09 | 2020-11-09 | 一种基于深度神经网络的露天台阶***预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112541392A true CN112541392A (zh) | 2021-03-23 |
Family
ID=75014120
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011240654.3A Pending CN112541392A (zh) | 2020-11-09 | 2020-11-09 | 一种基于深度神经网络的露天台阶***预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112541392A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113569487A (zh) * | 2021-08-02 | 2021-10-29 | 昆明理工大学 | 一种基于bp神经网络预测台阶***抛掷效果的方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106650052A (zh) * | 2016-12-06 | 2017-05-10 | 武汉长江仪器自动化研究所有限公司 | 一种基于人工神经网络的配料***参数智能设计方法 |
| CN109685135A (zh) * | 2018-12-21 | 2019-04-26 | 电子科技大学 | 一种基于改进型度量学习的少样本图像分类方法 |
| CN111259601A (zh) * | 2020-01-16 | 2020-06-09 | 南华大学 | 基于随机ga-bp神经网络群的***块度预测方法、装置及介质 |
-
2020
- 2020-11-09 CN CN202011240654.3A patent/CN112541392A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106650052A (zh) * | 2016-12-06 | 2017-05-10 | 武汉长江仪器自动化研究所有限公司 | 一种基于人工神经网络的配料***参数智能设计方法 |
| CN109685135A (zh) * | 2018-12-21 | 2019-04-26 | 电子科技大学 | 一种基于改进型度量学习的少样本图像分类方法 |
| CN111259601A (zh) * | 2020-01-16 | 2020-06-09 | 南华大学 | 基于随机ga-bp神经网络群的***块度预测方法、装置及介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113569487A (zh) * | 2021-08-02 | 2021-10-29 | 昆明理工大学 | 一种基于bp神经网络预测台阶***抛掷效果的方法 |
| CN113569487B (zh) * | 2021-08-02 | 2023-08-08 | 昆明理工大学 | 一种基于bp神经网络预测台阶***抛掷效果的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Formation of explosively formed penetrator with fins and its flight characteristics | |
| CN109446601A (zh) | 一种弹丸起始扰动的不确定优化方法 | |
| CN112541392A (zh) | 一种基于深度神经网络的露天台阶***预测方法 | |
| CN108625828A (zh) | 预测射孔***载荷输出大小的方法及装置 | |
| CN110956004B (zh) | 多经验公式与bp神经网络模型融合的混凝土侵彻深度预测算法 | |
| US7334466B1 (en) | Method and apparatus for predicting and evaluating projectile performance | |
| CN104390534A (zh) | 一种隧道光面***质量控制方法 | |
| CN113343759A (zh) | 一种使用无人机的露天矿***飞石危害效应评价方法 | |
| CN108133240A (zh) | 一种基于烟花算法的多标签分类方法及*** | |
| CN109945751B (zh) | 一种基于磁探测的侵彻角度自主测量方法 | |
| CN117195371A (zh) | 一种隧道***施工超欠挖优化方法 | |
| Boltenkov et al. | Devising a method for improving the efficiency of artillery shooting based on the Markov model | |
| CN117763933A (zh) | 基于深度学习的固体火箭发动机时间序列参数预测方法和预测*** | |
| CN110823028B (zh) | 一种优化控制露天矿山台阶***爆堆宽度的方法 | |
| CN114996880A (zh) | 一种基于ansys二次开发的复合装甲结构优化方法 | |
| CN109740199B (zh) | 一种覆盖层中***地下工程内部***冲击波超压计算方法 | |
| Ahlers | Fragment hazard study | |
| Kong et al. | A firearm identification system based on neural network | |
| CN108960497B (zh) | 一种基于规则挖掘的军事方案优化方法 | |
| CN117592317B (zh) | 基于多元地质信息的隧道楔形掏槽***设计方法 | |
| RU2744208C1 (ru) | Способ расчета индивидуальной функции сопротивления воздуха неуправляемого артиллерийского снаряда по результатам табличных стрельб по местности | |
| Chew | Application of Peter Chew Triangle Diagram In Criminology (Bullet Trajectories of Leaning Tower) | |
| CN113065250B (zh) | 一种水下***音影响因素分析方法及装置 | |
| CN112379364B (zh) | 基于神经网络雷达组合高精度预测弹丸着靶速度的方法 | |
| Klimi | Exterior Ballistics |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |