CN113569487A - 一种基于bp神经网络预测台阶***抛掷效果的方法 - Google Patents
一种基于bp神经网络预测台阶***抛掷效果的方法 Download PDFInfo
- Publication number
- CN113569487A CN113569487A CN202110881576.3A CN202110881576A CN113569487A CN 113569487 A CN113569487 A CN 113569487A CN 202110881576 A CN202110881576 A CN 202110881576A CN 113569487 A CN113569487 A CN 113569487A
- Authority
- CN
- China
- Prior art keywords
- neural network
- blasting
- throwing
- network model
- training
- 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.)
- Granted
Links
- 238000005422 blasting Methods 0.000 title claims abstract description 72
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000000694 effects Effects 0.000 title claims abstract description 22
- 238000012360 testing method Methods 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000003062 neural network model Methods 0.000 claims abstract description 27
- 239000003245 coal Substances 0.000 claims abstract description 17
- 239000002360 explosive Substances 0.000 claims abstract description 7
- 238000009825 accumulation Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 239000011435 rock Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Computer Hardware Design (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于BP神经网络预测台阶***抛掷效果的方法，属于***工程领域。该方法包括：根据实际工况设计模型试验，开展不同组别下试验，并记录试验数据。应用BP神经网络模型，以台阶高度、煤层厚度、采空区上口宽度、最小抵抗线、孔距、排距、孔间微差时间、煤层坡角、作为输入参数，以抛掷率、爆堆松散系数、最远抛距作为输出参数，将试验数据导入神经网络模型进行训练；训练完成后的神经网络模型可以预测台阶***抛掷效果。本发明提出了一种基于BP神经网络预测台阶***抛掷效果的方法，可准确预测特定工况下台阶***抛掷效果，并对***方案可行性进行判断。为矿山台阶***提供参考，提高抛掷***的可靠性。
Description
技术领域
本发明涉及一种基于BP神经网络预测台阶***抛掷效果的方法，属于***工程领域。
背景技术
露天煤矿抛掷***技术，通常采用大孔径、深孔高台阶、大装药量、不耦合装药等措施，利用******产生的能量将部分岩石抛掷到采空区而无需采装设备移运。这部分被抛掷到采空区的岩石称为有效抛掷量，其与总***岩石量之比称为有效抛掷率，是衡量抛掷***效果的重要指标之一。另一方面，抛掷***技术仅是生产工艺环节的一部分，必须与其他剥采设备配合作业，抛掷***后爆堆形态是影响后续设备作业效率的重要因素，提高有效抛掷率和控制抛掷***爆堆形态是节约生产成本和提高后续设备作业效率的关键途径。显然，台阶抛掷***参数对有效抛掷率和抛掷***爆堆形态起重要作用，需要对台阶抛掷***参数进行优化研究。
抛掷***中，需要根据爆堆形态确定有效抛掷率，进而确定***的倒堆作业量；拉斗铲作业时站立于平整后的爆堆之上，爆堆形态影响了倒堆工作面参数的设计以及构筑拓展平台的工程量，因此，爆堆形态特征研究是抛掷***工艺优化设计中最为重要的基础工作，迫切的需要一种方法实现对抛掷***后抛掷效果的预测。
发明内容
本发明目的旨在提供一种基于BP神经网络预测台阶***抛掷效果的方法，经测试合格后的神经网络模型可以利用其泛化能力对预定工况下台阶***抛掷情况进行预测，判断***方案可行性，并决定是否满足抛掷要求；为矿山台阶***提供参考，提高抛掷***的可靠性。
本发明采用的技术方案是：一种基于BP神经网络预测台阶***抛掷效果的方法，包括如下步骤：
步骤一：根据实际工况设计多组试验模型，开展不同组别下试验，并记录试验数据；
步骤二：构建BP神经网络模型：以台阶高度、煤层厚度、采空区上口宽度、最小抵抗线、孔距、排距、孔间微差时间、煤层坡角作为输入参数，以抛掷率、爆堆松散系数、最远抛距作为输出参数，并其进行归一化处理；
步骤三、确定BP神经网络的结构参数：对归一化处理后的输入参数、输出参数进行预处理，然后把预处理后的输入参数、输出参数分为训练样本集和测试样本集；用训练样本集中的数据对BP神经网络模型进行训练，并调整BP神经网络模型的网络参数，训练成功后，用测试数据集中的数据对训练后的BP神经网络模型进行测试，以验证神经网络模型的正确性；
步骤四、使用训练完成的BP神经网络模型对指定工况下台阶***抛掷情况进行预测，判断***方案可行性，并决定是否满足抛掷要求。
具体地，步骤一中，每组试验模型都包括抛掷***台阶1、采空区2、倒堆堆积体3、背景格子板4，抛掷***台阶1上布置下向炮孔1.2，模拟煤层1.1位于抛掷***台阶1正下方，的背景格子板4竖立于抛掷***台阶1、采空区上口2、倒堆堆积体3后方。
具体地，步骤一中，不同组别下试验为：通过调整最小抵抗线、孔距、排距、主控排孔间微差时间、煤层坡角、***单耗中的一个或两个以上的值，进行多组试验。
具体地，选用的BP神经网络类型为单隐层BP神经网络，用训练样本集中的数据对其进行训练，每次训练都对训练样本集中的数据重新排序，达到误差容限或训练次数上限就停止训练。
具体地，步骤三中，对训练后的BP神经网络模型进行测试时，利用仿真函数来获得网络输出进行网络模型测试，然后检查输出和真实值之间的误差是否满足要求。
本发明的有益效果：
1该程序可实现对高台阶抛掷***效果BP神经网络预测模型原始数据的训练，动态显示网络训练过程，给出训练结果。
2能对训练好的网络进行性能检验，给出表征网络性能的相对误差曲线图。
3在给出***设计参数时，可实现对***效果的预测，显示预测数值结果。
4在取得实测***效果时，可实现误差分析。
5可实现网络的自更新，在取得新的***设计和对应可信***效果测量值时，可将参数对应添加到原模型数据库中，随着该程序使用次数的增加，样本数据库将增大，程序预测精度将逐步提高。
6操作简单，预测结果较可靠。
附图说明
图1为本发明实施的总流程示意图；
图2为试验模型图；
图3为神经网络模型构建流程示意图；
图4为BP网络训练过程误差下降曲线图；
图5为真实与预测值相对误差图；
图6爆堆形态预测图；
图中：1-抛掷***台阶、2-采空区、3-倒堆堆积体、4-背景格子板、1.1-模拟煤层、1.2下向炮孔。
具体实施方式
下面结合附图和具体实施例，对本发明作进一步说明。
实施例1：如图1-6所示，一种基于BP神经网络预测台阶***抛掷效果的方法，包括如下步骤：
步骤一：根据实际工况设计多组试验模型(根据现场工程地质条件及参数按比例计算得到模型如图2所示，实验模型由混凝土建造，模型数据为矿山真实数据按比例计算所得)，本实施例中根据扫描仪扫描数据得知黑岱沟露天煤矿采场中西部(西二区)抛掷***前台阶面和采空区的空间几何参数，根据现场工程地质条件及生产要求开展不同组别下试验，并记录试验数据；
步骤二：构建BP神经网络模型(其实施过程如图1所示)：具体实施步骤如下：以台阶高度、煤层厚度、采空区上口宽度、最小抵抗线、孔距、排距、孔间微差时间、煤层坡角作为输入参数，以抛掷率、爆堆松散系数、最远抛距作为输出参数，并其进行归一化处理；
步骤三、确定BP神经网络的结构参数：对归一化处理后的输入参数、输出参数进行预处理，然后把预处理后的输入参数、输出参数分为训练样本集和测试样本集；用训练样本集中的数据对BP神经网络模型进行训练(如图3、4所示)，并调整BP神经网络模型的网络参数，训练成功后，用测试数据集中的数据对训练后的BP神经网络模型进行测试，以验证神经网络模型的正确性；
步骤四、使用训练完成的BP神经网络模型对指定工况下台阶***抛掷情况进行预测(并与实际情况比较得出相对误差如图5)，判断***方案可行性，并决定是否满足抛掷要求。得出爆堆形态预测图6。
神经网络预测值相对误差如图5所示。从图5中预测值的相对误差可以看出，BP网络得到的预测值与试验值基本一致，其相对误差在0.3％以内。
进一步地，步骤一中，每组试验模型都包括抛掷***台阶1、采空区2、倒堆堆积体3、背景格子板4，抛掷***台阶1上布置下向炮孔1.2，模拟煤层1.1位于抛掷***台阶1正下方，的背景格子板4竖立于抛掷***台阶1、采空区2、倒堆堆积体3后方。
进一步地，步骤一中，不同组别下试验为：通过调整最小抵抗线、孔距、排距、主控排孔间微差时间、煤层坡角、***单耗中的一个或两个以上的值，进行多组试验。
进一步地，选用的BP神经网络类型为单隐层BP神经网络，用训练样本集中的数据对其进行训练，为了得到良好的学习效果，每次训练都对训练样本集中的数据重新排序，达到误差容限或训练次数上限就停止训练(如图4所示)。
进一步地，步骤三中，对训练后的BP神经网络模型进行测试时，利用仿真函数来获得网络输出进行网络模型测试，然后检查输出和真实值之间的误差是否满足要求。
从上述的实施例中可以看出，只要提前测得相应矿区空间几何参数等，然后选择合适的神经网络类型用试验数据对其进行训练，神经网络就能很好地学习其内部蕴含规律，对未经测试的工况做出正确的预测。
上面结合附图对本发明的具体实施例作了详细说明，但是本发明并不限于上述实施例，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (5)
1.一种基于BP神经网络预测台阶***抛掷效果的方法，其特征在于：包括如下步骤：
步骤一：根据实际工况设计多组试验模型，开展不同组别下试验，并记录试验数据；
步骤二：构建BP神经网络模型：以台阶高度、煤层厚度、采空区上口宽度、最小抵抗线、孔距、排距、孔间微差时间、煤层坡角作为输入参数，以抛掷率、爆堆松散系数、最远抛距作为输出参数，并其进行归一化处理；
步骤三、确定BP神经网络的结构参数：对归一化处理后的输入参数、输出参数进行预处理，然后把预处理后的输入参数、输出参数分为训练样本集和测试样本集；用训练样本集中的数据对BP神经网络模型进行训练，并调整BP神经网络模型的网络参数，训练成功后，用测试数据集中的数据对训练后的BP神经网络模型进行测试，以验证神经网络模型的正确性；
步骤四、使用训练完成的BP神经网络模型对指定工况下台阶***抛掷情况进行预测，判断***方案可行性，并决定是否满足抛掷要求。
2.根据权利要求1所述的一种基于BP神经网络预测台阶***抛掷效果的方法，其特征在于：步骤一中，每组试验模型都包括抛掷***台阶(1)、采空区(2)、倒堆堆积体(3)、背景格子板(4)，抛掷***台阶(1)上布置下向炮孔(1.2)，模拟煤层(1.1)位于抛掷***台阶(1)正下方，的背景格子板(4)竖立于抛掷***台阶(1)、采空区上口(2)、倒堆堆积体(3)后方。
3.根据权利要求1所述的一种基于BP神经网络预测台阶***抛掷效果的方法，其特征在于：步骤一中，不同组别下试验为：通过调整最小抵抗线、孔距、排距、主控排孔间微差时间、煤层坡角、***单耗中的一个或两个以上的值，进行多组试验。
4.根据权利要求1所述的一种基于BP神经网络预测台阶***抛掷效果的方法，其特征在于：选用的BP神经网络类型为单隐层BP神经网络，用训练样本集中的数据对其进行训练，每次训练都对训练样本集中的数据重新排序，达到误差容限或训练次数上限就停止训练。
5.根据权利要求1所述的一种基于BP神经网络预测台阶***抛掷效果的方法，其特征在于：步骤三中，对训练后的BP神经网络模型进行测试时，利用仿真函数来获得网络输出进行网络模型测试，然后检查输出和真实值之间的误差是否满足要求。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110881576.3A CN113569487B (zh) | 2021-08-02 | 2021-08-02 | 一种基于bp神经网络预测台阶***抛掷效果的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110881576.3A CN113569487B (zh) | 2021-08-02 | 2021-08-02 | 一种基于bp神经网络预测台阶***抛掷效果的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113569487A true CN113569487A (zh) | 2021-10-29 |
| CN113569487B CN113569487B (zh) | 2023-08-08 |
Family
ID=78169935
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110881576.3A Active CN113569487B (zh) | 2021-08-02 | 2021-08-02 | 一种基于bp神经网络预测台阶***抛掷效果的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113569487B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115046447A (zh) * | 2022-07-19 | 2022-09-13 | 河南省公路工程局集团有限公司 | 一种多排微差路基深孔***施工方法 |
| CN115630257A (zh) * | 2022-12-19 | 2023-01-20 | 中南大学 | ***漏斗体积预测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104074543A (zh) * | 2014-06-16 | 2014-10-01 | 太原钢铁(集团)有限公司 | 一种处理大型地下采空区的方法 |
| CN109102109A (zh) * | 2018-07-16 | 2018-12-28 | 四川大学 | 一种块石料开采***级配预测方法 |
| 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 |
| US20200250355A1 (en) * | 2019-02-05 | 2020-08-06 | Dyno Nobel Inc. | Systems for automated blast design planning and methods related thereto |
| CN112541392A (zh) * | 2020-11-09 | 2021-03-23 | 北方***科技有限公司 | 一种基于深度神经网络的露天台阶***预测方法 |
-
2021
- 2021-08-02 CN CN202110881576.3A patent/CN113569487B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104074543A (zh) * | 2014-06-16 | 2014-10-01 | 太原钢铁(集团)有限公司 | 一种处理大型地下采空区的方法 |
| CN109102109A (zh) * | 2018-07-16 | 2018-12-28 | 四川大学 | 一种块石料开采***级配预测方法 |
| US20200250355A1 (en) * | 2019-02-05 | 2020-08-06 | Dyno Nobel Inc. | Systems for automated blast design planning and methods related thereto |
| 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 |
| CN112541392A (zh) * | 2020-11-09 | 2021-03-23 | 北方***科技有限公司 | 一种基于深度神经网络的露天台阶***预测方法 |
Non-Patent Citations (4)
| Title |
|---|
| 孙文彬等: "基于ＭＩＶ的抛掷***影响因子权重分析", 《中国矿业大学学报》, vol. 41, no. 6, pages 1 - 2 * |
| 欧阳天云等: "基于三维激光扫描技术的台阶***自动设计研究", 《矿业研究与开发》, vol. 38, no. 10, pages 11 - 15 * |
| 许龙星等: "ＩＭＩＮＥ软件在露天矿山采空区处理中的应用分析", 《有色金属》, vol. 73, no. 3, pages 56 - 60 * |
| 郝全明等: "BP 神经网络在岩层***参数优化中的应用", 《煤炭技术》, vol. 33, no. 12, pages 2 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115046447A (zh) * | 2022-07-19 | 2022-09-13 | 河南省公路工程局集团有限公司 | 一种多排微差路基深孔***施工方法 |
| CN115630257A (zh) * | 2022-12-19 | 2023-01-20 | 中南大学 | ***漏斗体积预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113569487B (zh) | 2023-08-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109271738B (zh) | 一种用于获取巷道围岩Weibull分布参数的数值反演方法 | |
| CN111291934B (zh) | 一种隧道施工过程中围岩实时分级预测及自检方法 | |
| CN111860952B (zh) | 一种突出煤层关键开采参数快速优选方法 | |
| CN101770038B (zh) | 矿山微震源智能定位方法 | |
| CN113569487A (zh) | 一种基于bp神经网络预测台阶***抛掷效果的方法 | |
| CN110298107B (zh) | 一种基于增量叠加的工作面冲击危险性评价方法 | |
| CN111291997B (zh) | 基于随钻测量技术的煤层冲击危险性实时评估方法 | |
| CN111325461B (zh) | 基于振动监测技术的煤层冲击危险性实时评估方法 | |
| CN104989456A (zh) | 一种大跨度地下工程开挖围岩稳定性监测预警方法 | |
| CN111814372A (zh) | 一种联合数值计算和块度筛分的***块度控制方法 | |
| CN103065051A (zh) | 一种对岩体自动进行分级分区的方法 | |
| CN106952003A (zh) | 高地应力区层状岩体地下洞室围岩破坏类型预测方法 | |
| CN112364422A (zh) | 基于mic-lstm的盾构施工地表变形动态预测方法 | |
| CN114357750A (zh) | 一种采空区充水状态评估方法 | |
| Chi et al. | Research on prediction model of mining subsidence in thick unconsolidated layer mining area | |
| CN111538071A (zh) | 陡倾层状岩体洞室群高边墙位移定量预测方法 | |
| CN110705168A (zh) | 构造应力场的模拟方法 | |
| CN109711063A (zh) | 一种适用于上软下硬地层的车站暗挖进尺调整方法与装置 | |
| CN111340275B (zh) | 基于随钻探测技术的隧道支护模式选型实时预测方法 | |
| CN117540476A (zh) | 极硬岩隧道结构面及其不利组合空间分布预测方法及*** | |
| CN117517061A (zh) | 隧道掌子面全域岩石强度特性精细智能感知方法及*** | |
| CN106548022A (zh) | 盾构隧道施工碳排放量的预测方法及预测*** | |
| Andersson et al. | Site investigations: Strategy for rock mechanics site descriptive model | |
| CN112241594B (zh) | 一种边坡勘察钻孔布置方案快速优化方法 | |
| CN116011268A (zh) | 一种优势渗流通道的定量描述方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |