CN117390973B - 基于多层感知机模型的矿山***炮孔利用率预测方法 - Google Patents
基于多层感知机模型的矿山***炮孔利用率预测方法 Download PDFInfo
- Publication number
- CN117390973B CN117390973B CN202311696938.7A CN202311696938A CN117390973B CN 117390973 B CN117390973 B CN 117390973B CN 202311696938 A CN202311696938 A CN 202311696938A CN 117390973 B CN117390973 B CN 117390973B
- Authority
- CN
- China
- Prior art keywords
- utilization rate
- layer
- blasting
- model
- prediction model
- 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.)
- Active
Links
- 238000005422 blasting Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 37
- 239000011435 rock Substances 0.000 claims abstract description 29
- 238000013461 design Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 16
- 210000002569 neuron Anatomy 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 238000010200 validation analysis Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 6
- 239000002360 explosive Substances 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000005641 tunneling Effects 0.000 description 4
- 238000005553 drilling Methods 0.000 description 3
- 230000003213 activating effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012669 compression test Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Algebra (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及矿山***预测方法,提供一种基于多层感知机模型的矿山***炮孔利用率预测方法,包括获取矿岩的物理力学参数、***设计参数;基于***设计参数进行***试验,获取***之后的炮孔利用率,并结合物理力学参数、***设计参数建立原始数据库;应用主成分分析法对原始数据库进行预处理,从而获取目标数据库;基于目标数据库训练多层感知机预测模型,遍历目标数据库中的样本集,计算损失,不断优化模型参数获取炮孔利用率预测模型,评估炮孔利用率预测模型的泛化性能并获取高性能炮孔利用率预测模型,从而获取炮孔利用率的预测结果。本发明基于多层感知机模型的矿山***炮孔利用率预测方法能够安全、精准、高效地获取炮孔利用率的预测结果。
Description
技术领域
本发明涉及矿山***预测方法,具体地,涉及一种基于多层感知机模型的矿山***炮孔利用率预测方法。
背景技术
目前对于矿山深部硬岩金属矿产资源的开采,由于其复杂的地质环境、恶劣的开采条件,主要采用***法破岩掘进,且针对不同的矿山环境,如何合理的开展凿岩***技术,是当前矿山企业、科研人员致力解决的问题,也是矿山安全、高效、稳定生产的关键。凿岩***作为一个重要的环节,其***效果的好坏直接影响着采矿成本、损失贫化指标、生产安全、出矿效率等等,而炮孔利用率是衡量***质量的关键指标之一,它表示为巷道单次掘进进尺的深度与钻孔深度之比。炮孔的利用率越高意味着***的能量利用率就越高,***的能量利用率越高,则单次***进尺越好,单次掘进***出矿量高,生产成本低,生产效率越高。因此,提高***炮孔的利用率具有重要的理论和实践意义。
在巷道围岩***掘进过程中,合理的***参数是提高***孔利用率的前提。而现有技术中,由于******过程的瞬时性、岩性的差异和巷道地质条件的多变性,难以准确预测***炮孔利用率,此外,影响炮孔利用率的因素很多很复杂,很难合理确定影响***利用率的关键指标,而且缺乏可靠有效的方法在不进行现场工业***试验的情况下准确预测巷道内的***炮孔利用率。
有鉴于此,需要提供一种炮孔利用率的预测方法,以解决和克服上述技术难题。
发明内容
本发明所要解决的技术问题是提供一种基于多层感知机模型的矿山***炮孔利用率预测方法,该方法预测精度高、实用性强,避免了工作人员现场采集***数据,安全、高效。
为了解决上述技术问题,本发明提供了一种基于多层感知机模型的矿山***炮孔利用率预测方法,包括如下步骤:
S1.获取矿岩的物理力学参数、***设计参数;
S2.基于所述***设计参数进行***试验,获取***之后的炮孔利用率,并结合所述物理力学参数、所述***设计参数建立原始数据库;
S3.应用主成分分析法对所述原始数据库进行预处理,从而获取目标数据库;
S4.基于所述目标数据库训练多层感知机预测模型,遍历所述目标数据库中的样本集,计算损失,从而不断优化模型参数获取炮孔利用率预测模型,评估所述炮孔利用率预测模型的泛化性能并获取高性能炮孔利用率预测模型;
S5.将数据输入至所述炮孔利用率预测模型中,得到所述炮孔利用率的预测结果。
具体地,在步骤S1中,所述物理力学参数包括岩石普式系数,所述岩石普式系数的计算步骤包括:
a.获取岩石的单轴抗压强度:
b.基于岩石的所述单轴抗压强度,计算得到所述岩石普式系数:
其中,为单轴抗压强度,/>为破坏载荷,/>为岩样的受荷面积。
优选地,所述***设计参数包括巷道断面面积、巷道形状、孔深、全断面炮孔数量、***类型、掏槽眼布置形式、掏槽眼最小底盘抵抗线、掏槽眼数量、掏槽眼间距、装药结构、掏槽眼装药量、辅助眼装药量以及周边眼装药量。
具体地,在步骤S3包括如下步骤:
a.标准化原始参数变量,得到标准化矩阵数据
其中为每个样本变量对应的均值,/>为每个样本变量对应的标准差;
b.计算所述标准化矩阵数据的相关矩阵R
c.对所述相关矩阵R进行特征值分解,获取特征值和对应的特征向量/>,其中特征值/>向量的长度与原始参数变量一致为M,特征向量/>是/>×M的向量,取特征值/>向量前m个值,使得前m个特征值之和占总方差的比例大于90%,获得对应/>×m的特征向量P;
d.计算主成分,得到变换后的新的所述目标数据库
。
具体地,步骤S4包括构建所述多层感知机预测模型,所述构建所述多层感知机预测模型包括构建第j层隐藏层,所述第j层隐藏层设置有i个神经元,所述第j层隐藏层的输出结果的计算步骤为:
其中,表示第j层第i个神经元的加权输入值,/>表示第j层第i个神经元的权重参数,T表示转置,/>表示第j层第i个神经元的偏置参数,j=1时,x表示所述目标数据库中的特征变量,j>1时,x表示第j-1层的输出结果/>;
,/>
其中,表示第j层第i个神经元的输出值,/>表示激活函数。
优选地,激活函数包括ReLU函数、Sigmoid函数以及tanh函数中的一种。
具体地,所述构建所述多层感知机预测模型还包括构建输出层,所述输出层的计算公式为:
其中,表示所述输出层的权重参数,/>表示所述输出层的偏置参数。
具体地,在步骤S4中,所述计算所有样本损失包括采用均方根误差作为损失函数,式子如下:
其中,N表示训练数据样本总量,表示第k个样本数据的炮孔利用率的真实值,表示预测模型预测的第k个样本数据的炮孔利用率预测值。
具体地,步骤S4包括设置验证集对所述预测模型的预测结果验证,所述设置验证集对预测模型的预测结果验证包括将所述样本集划分为K个不重叠的子集;遍历K个子集,当前子集设置为所述验证集,其余子集设置为训练集训练所述预测模型;取K次评估指标的平均值作为最终的评估指标。
具体地,所述损失函数中设置有惩罚项限制所述预测模型的的复杂度,所述惩罚项为,其中/>表示常数,/>表示输出层的权重参数。
通过上述方案,本发明的有益效果如下:
本发明基于多层感知机模型的矿山***炮孔利用率预测方法首先将影响***炮孔利用率的各个变量作为原始参数输入原始数据库中,并采用主成分分析法对原始数据库中的变量进行分析,将多个相关变量转换为少数独立的主成分,从而能够提高后续计算的效率;通过在损失函数中设置有惩罚项以能够限制预测模型的复杂度,从而能够避免过拟合的现象出现;通过计算多层感知机预测模型在各样本中的损失以及准确率,从而不断优化多层感知机模型参数,以能够获取高精度、高稳定性的预测模型,能够对不同地质条件下岩石巷道***的炮孔利用率的动态预测,减少了现场的工作量以及物力、人力的支出,且不需要工作人员到***现场采集数据,极大地保障了一线工作人员的安全,能够定量的对每次***进行有效精准的评估。
本发明的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明,但并不构成对本发明的限制。在附图中:
图1是本发明基于多层感知机模型的矿山***炮孔利用率预测方法的步骤图;
图2是本发明基于多层感知机模型的矿山***炮孔利用率预测方法的一个具体实施方式流程图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明,应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,本发明的保护范围并不局限于下述的具体实施方式。
本发明提供了一种基于多层感知机模型的矿山***炮孔利用率预测方法,参见图1,该方法包括如下步骤:
S1.获取矿岩的物理力学参数、***设计参数;
S2.基于所述***设计参数进行***试验,获取***之后的炮孔利用率,并结合所述物理力学参数、所述***设计参数建立原始数据库;
S3.应用主成分分析法对所述原始数据库进行预处理,从而获取目标数据库;
S4.基于所述目标数据库训练多层感知机预测模型,遍历所述目标数据库中的样本集,计算损失,从而不断优化模型参数获取炮孔利用率预测模型,评估所述炮孔利用率预测模型的泛化性能并获取高性能炮孔利用率预测模型;
S5.将数据输入至所述炮孔利用率预测模型中,得到所述炮孔利用率的预测结果。
具体地,在步骤S1中,获取矿岩的物理力学参数包括岩石普式系数,且矿岩的岩石普式系数/>的计算步骤为:/>
其中,为矿岩的单轴抗压强度,可通过室内的单轴压缩试验获取矿岩的单轴抗压强度,且单轴抗压强度/>的计算步骤为:
其中,P为破坏载荷,S为岩样的受荷面积。
在步骤S1中,可根据***设计方案获取巷道断面面积、巷道形状、孔深、全断面炮孔数量、***类型、掏槽眼布置形式、掏槽眼最小底盘抵抗线、掏槽眼数量、掏槽眼间距、装药结构、掏槽眼装药量、辅助眼装药量以及周边眼装药量参数,然而影响炮孔利用率的的参数不仅仅局限于上述的参数,还可包括掏槽眼间距、炮孔最小抵抗线、炮孔直径、炮孔间距等其他参数变量。
在步骤S2中,根据***设计方案现场开展***试验,从而获取***之后的炮孔利用率,将步骤S1中获取的物理力学参数、***设计参数以及步骤S2中的炮孔利用率均记录至原始数据库中。此外,用户还可将以往***工程中的历史数据库中有关参数数据记录至原始数据库中,从而避免为获取大量的训练样本参数进行大量的***试验。
在步骤S3中,由于相关参数变量数量较多,为提高后续计算的效率以及避免参数变量在后续的回归算法中产生共线性的问题,需对原始参数变量进行简化,本实施例中,采用了主成分分析法处理原始数据库中的原始参数变量,其计算步骤为:
a.标准化原始参数变量,得到标准化矩阵数据
其中为每个样本变量对应的均值,/>为每个样本变量对应的标准差,通过步骤a,可将每个原始参数变量标准化,使得各原始参数变量的均值为0,标准差为1;
b.计算所述标准化矩阵数据的相关矩阵R
其中,N表示原始数据库中总样本数;
c.对所述相关矩阵R进行特征值分解,获取特征值和对应的特征向量/>,其中特征值/>向量的长度与原始参数变量一致为M,特征向量/>是/>×M的向量,取特征值/>向量前m个值,使得前m个特征值之和占总方差的比例大于90%,获得对应/>×m的特征向量P;
d.计算主成分,得到变换后的新的所述目标数据库
。
此外,本申请还可采用熵权法对原始参数变量进行简化,计算步骤包括:
a.归一化原始参数变量,得到归一化矩阵T=;
b.获取第j项参数指标下第i个样本值占该参数指标的比重:
c.获取第j项参数指标的熵值:
其中,
d.获取第j项参数指标的差异系数:
e.获取第j项参数指标的权重:
f.基于各项参数指标的权重值,排序筛选出权重值最高的参数指标组成新的所述目标数据库。
参见图2,在步骤S4中,多层感知机由输入层、隐藏层和输出层组成,步骤S3中获取的新目标数据库的样本集作为多层感知机预测模型的输入层,且作为本发明的一个具体实施方式,所构建的多层感知机预测模型的隐藏层有两个,隐藏层1中包含有5个神经元,隐藏层1的输出结果为/>,隐藏层1的权重参数/>,偏置/>,隐藏层2中包含有4个神经元,隐藏层2的输出结果为,隐藏层2的权重参数/>,偏置/>,定义输出层的权重/>以及偏置/>。
基于上述模型参数设置,隐藏层1中各神经元的计算过程为:
其中,表示所有的参数变量,/>和/>的长度与/>一致,/>符号表示转置,/>为激活函数,本实施例中,本发明采用的是Sigmoid激活函数,且/>。
隐藏层2的各神经元计算过程为:
其中,为隐藏层1的输出结果,且/>和/>的长度与/>一致,/>为激活函数,本实施例中,本发明采用的是Sigmoid激活函数,且/>。
多层感知机预测模型输出层的计算结果为:
其中,为隐藏层2的输出结果,且/>。
本发明还可采用ReLU函数以及tanh函数作为本发明的激活函数,其中,,/>。
为了使得预测模型后期的预测结果更精准,本发明设置有损失函数以优化多层感知机预测模型中隐藏层和输出层的权重参数,当预测值越接近目标值时,损失函数值越小,设置训练迭代次数,保存损失函数值最小时所对应的参数作为最终的炮孔利用率预测模型,本发明的实施例中采用了均方根误差作为损失函数,其计算公式为:
其中,N表示训练数据样本总量,表示第k个样本数据的炮孔利用率的真实值,表示预测模型预测的第k个样本数据的炮孔利用率预测值。此外,本发明还可采用均方误差(MSE)以及平均绝对误差(MAE)作为损失函数。
为了避免预测模型在减少训练误差的同时导致泛化误差过高的情况发生,即避免预测模型过度拟合训练数据集,本实施例中可在训练过程中设置验证集对预测模型的预测结果进行验证,主要采用K折交叉验证法,其主要步骤为将样本集划分为K个不重叠的子集;遍历K个子集,将当前子集设置为所述验证集,其余子集设置为训练集训练所述预测模型;取K次评估指标的平均值作为最终的评估指标。上述评估指标包括损失函数值。
此外,本实施例还可在损失函数中设置惩罚项进行权重衰减,来限制参数的大小,使得模型更加平滑和简单,以此降低预测模型对训练数据集的过拟合程度,上述惩罚项表示为,当/>=0时,权重衰减不起作用,与之相应的,优化算法中的梯度计算公式为:
迭代梯度为:
其中,t表示迭代次数,W表示权重参数,表示常数,/>表示学习率,通常/>。
多层感知机训练模型建立完成后,对多层感知机预测模型进行训练以获得最优参数模型的炮孔利用率预测模型。训练步骤包括设定迭代次数、学习率;每轮迭代中逐批次地遍历训练集,清零梯度,进行前向传播,获取预测模型的预测值,计算各批次损失,执行反向传播,计算梯度,并做随机梯度下降对模型参数进行优化;训练完成一轮迭代后,整合计算该次迭代的总损失,以评估该预测模型在训练集上的准确性;重复上述步骤完成所设迭代次数的训练后,获取最优模型参数的炮孔利用率预测模型,将验证集导入炮孔利用率预测模型中,验证模型的泛化性能,并获取泛化性能最优的炮孔利用率预测模型。用户在实际使用中,只需通过输入***设计方案中的相关设计参数以及矿石的岩石普式系数即可获取该***设计方案的炮孔利用率,从而获取最优的***设计方案,以提高生产效率,降低生产成本。
此外,本发明不仅仅局限于上述实施例中的多层感知机算法预测模型,还可采用多种机器学***均值作为炮孔利用率的最终预测结果,上述多种机器学习算法包括但不仅限于随机森林回归算法、Adaboost回归算法以及梯度增强回归算法。
本发明的基于多层感知机模型的矿山***炮孔利用率预测方法不仅能够对每个***设计方案的***效果进行精准有效的评估,而且无需在***现场采集数据,保障了一线工作人员的安全,减少了现场的工作量以及物力、人力的支出。
以上结合附图详细描述了本发明的优选实施方式,但是,本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种简单变型,这些简单变型均属于本发明的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本发明对各种可能的组合方式不再另行说明。
此外,本发明的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明的思想,其同样应当视为本发明所公开的内容。
Claims (7)
1.一种基于多层感知机模型的矿山***炮孔利用率预测方法,其特征在于,包括如下步骤:
S1.获取矿岩的物理力学参数、***设计参数;
S2.基于所述***设计参数进行***试验,获取***之后的炮孔利用率,并结合所述物理力学参数、所述***设计参数建立原始数据库;
S3.应用主成分分析法对所述原始数据库进行预处理,从而获取目标数据库;
S4.构建多层感知机预测模型并基于所述目标数据库训练所述多层感知机预测模型,遍历所述目标数据库中的样本集,计算损失,从而不断优化模型参数获取炮孔利用率预测模型,评估所述炮孔利用率预测模型的泛化性能并获取高性能炮孔利用率预测模型,其中,所述构建多层感知机预测模型包括构建第j层隐藏层,所述第j层隐藏层设置有i个神经元,所述第j层隐藏层的输出结果的计算步骤为:
其中,表示第j层第i个神经元的加权输入值,/>表示第j层第i个神经元的权重参数,T表示转置,/>表示第j层第i个神经元的偏置参数,j=1时,x表示所述目标数据库中的特征变量,j>1时,x表示第j-1层的输出结果/>;
,/>
其中,表示第j层第i个神经元的输出值,/>表示激活函数,/>表示第j层隐藏层的输出结果,
所述计算损失包括采用均方根误差作为损失函数,且所述损失函数中设置有惩罚项限制所述炮孔利用率预测模型的复杂度,所述惩罚项为,所述不断优化模型参数获取炮孔利用率预测模型包括采用随机梯度下降对模型参数进行优化,式子如下:
其中,t表示迭代次数,W表示权重参数,表示常数,/>表示学习率,RMSE表示均方根误差损失函数;
S5.将数据输入至所述炮孔利用率预测模型中,得到所述炮孔利用率的预测结果。
2.根据权利要求1所述的基于多层感知机模型的矿山***炮孔利用率预测方法,其特征在于,在步骤S1中,所述物理力学参数包括岩石普式系数,所述岩石普式系数/>的计算步骤包括:
a.获取岩石的单轴抗压强度:
b.基于岩石的所述单轴抗压强度,计算得到所述岩石普式系数:
其中,为单轴抗压强度,/>为破坏载荷,/>为岩样的受荷面积。
3.根据权利要求2所述的基于多层感知机模型的矿山***炮孔利用率预测方法,其特征在于,所述***设计参数包括巷道断面面积、巷道形状、孔深、全断面炮孔数量、***类型、掏槽眼布置形式、掏槽眼最小底盘抵抗线、掏槽眼数量、掏槽眼间距、装药结构、掏槽眼装药量、辅助眼装药量以及周边眼装药量。
4.根据权利要求1所述的基于多层感知机模型的矿山***炮孔利用率预测方法,其特征在于,步骤S3包括如下步骤:
a.标准化原始参数变量,得到标准化矩阵数据:
其中为每个样本变量对应的均值,/>为每个样本变量对应的标准差;
b.计算所述标准化矩阵数据的相关矩阵R:
其中,N表示原始数据库中总样本数;
c.对所述相关矩阵R进行特征值分解,获取特征值和对应的特征向量/>,其中特征值/>向量的长度与原始参数变量一致为M,特征向量/>是/>×M的向量,取特征值/>向量前m个值,使得前m个特征值之和占总方差的比例大于90%,获得对应/>×m的特征向量P;
d.计算主成分,得到变换后的新的所述目标数据库:
。
5.根据权利要求1所述的基于多层感知机模型的矿山***炮孔利用率预测方法,其特征在于,激活函数包括ReLU函数、Sigmoid函数以及tanh函数中的一种。
6.根据权利要求1所述的基于多层感知机模型的矿山***炮孔利用率预测方法,其特征在于,所述构建所述多层感知机预测模型还包括构建输出层,所述输出层的计算公式为:
其中,表示所述输出层的权重参数,/>表示所述输出层的偏置参数。
7.根据权利要求1所述的基于多层感知机模型的矿山***炮孔利用率预测方法,其特征在于,步骤S4包括设置验证集对所述预测模型的预测结果验证,所述设置验证集对预测模型的预测结果验证包括将所述样本集划分为K个不重叠的子集;遍历K个子集,将当前子集设置为所述验证集,其余子集设置为训练集训练所述预测模型;取K次评估指标的平均值作为最终的评估指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311696938.7A CN117390973B (zh) | 2023-12-12 | 2023-12-12 | 基于多层感知机模型的矿山***炮孔利用率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311696938.7A CN117390973B (zh) | 2023-12-12 | 2023-12-12 | 基于多层感知机模型的矿山***炮孔利用率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117390973A CN117390973A (zh) | 2024-01-12 |
CN117390973B true CN117390973B (zh) | 2024-03-22 |
Family
ID=89470632
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311696938.7A Active CN117390973B (zh) | 2023-12-12 | 2023-12-12 | 基于多层感知机模型的矿山***炮孔利用率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117390973B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104390534A (zh) * | 2014-10-11 | 2015-03-04 | 同济大学 | 一种隧道光面***质量控制方法 |
CN108304875A (zh) * | 2018-01-31 | 2018-07-20 | 中国科学院武汉岩土力学研究所 | 一种基于统计判别分类的***块度预测方法 |
CN109614992A (zh) * | 2018-11-26 | 2019-04-12 | 北京工业大学 | 一种基于dssae的间歇过程故障诊断方法 |
CN114218872A (zh) * | 2021-12-28 | 2022-03-22 | 浙江大学 | 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法 |
CN114547721A (zh) * | 2021-12-21 | 2022-05-27 | 沈阳工业大学 | 深埋隧道局部区域差异定向断裂控制***方法 |
CN115455804A (zh) * | 2022-08-02 | 2022-12-09 | 辽宁科技大学 | 一种基于矿岩破碎机理的***块度预测方法 |
CN115630257A (zh) * | 2022-12-19 | 2023-01-20 | 中南大学 | ***漏斗体积预测方法 |
CN115860134A (zh) * | 2022-11-14 | 2023-03-28 | 中南大学 | 基于机器学习和极限学习机混合模型的***块度预测方法 |
CN117195371A (zh) * | 2023-09-21 | 2023-12-08 | 中建三局集团有限公司 | 一种隧道***施工超欠挖优化方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CO2021015534A1 (es) * | 2021-11-18 | 2023-05-19 | Hochschild Mining Holdings Ltd | Método y sistema de clasificación automática de rocas según sus minerales |
US20230351576A9 (en) * | 2021-11-24 | 2023-11-02 | Huaqiao University | Half-cast mark identification and damaged flatness evaluation and classification method for blastholes in tunnel blasting |
-
2023
- 2023-12-12 CN CN202311696938.7A patent/CN117390973B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104390534A (zh) * | 2014-10-11 | 2015-03-04 | 同济大学 | 一种隧道光面***质量控制方法 |
CN108304875A (zh) * | 2018-01-31 | 2018-07-20 | 中国科学院武汉岩土力学研究所 | 一种基于统计判别分类的***块度预测方法 |
CN109614992A (zh) * | 2018-11-26 | 2019-04-12 | 北京工业大学 | 一种基于dssae的间歇过程故障诊断方法 |
CN114547721A (zh) * | 2021-12-21 | 2022-05-27 | 沈阳工业大学 | 深埋隧道局部区域差异定向断裂控制***方法 |
CN114218872A (zh) * | 2021-12-28 | 2022-03-22 | 浙江大学 | 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法 |
CN115455804A (zh) * | 2022-08-02 | 2022-12-09 | 辽宁科技大学 | 一种基于矿岩破碎机理的***块度预测方法 |
CN115860134A (zh) * | 2022-11-14 | 2023-03-28 | 中南大学 | 基于机器学习和极限学习机混合模型的***块度预测方法 |
CN115630257A (zh) * | 2022-12-19 | 2023-01-20 | 中南大学 | ***漏斗体积预测方法 |
CN117195371A (zh) * | 2023-09-21 | 2023-12-08 | 中建三局集团有限公司 | 一种隧道***施工超欠挖优化方法 |
Non-Patent Citations (8)
Title |
---|
A Combination of Fuzzy Delphi Method and ANN-based Models to Investigate Factors of Flyrock Induced by Mine Blasting;Diyuan Li等;Natural Resources Research;20210105;1905–1924 * |
Application of PCA, SVR, and ANFIS for modeling of rock fragmentation;Mohammad Esmaeili等;Arabian Journal of Geosciences;20141025;6881–6893 * |
一种基于深度神经网络模型的测井曲线生成方法;张宝录;罗丹婷;胡鹏;樊举;景超;;电子测量技术;20200608(11);113-117 * |
基于GA-SVM的煤矿岩巷***效果智能预测;马鑫民;范皓宇;林天舒;杨立云;;煤炭工程;20190520(05);158-163 * |
基于LM算法的MLP模型及其应用;李南星;盛益强;倪宏;;网络新媒体技术;20180115(01);63-67 * |
基于栈式自编码器模型的汇率时间序列预测;寇茜茜;何希平;;计算机应用与软件;20170315(03);218-221 * |
深度学习优化算法研究;仝卫国;李敏霞;张一可;;计算机科学;20181115(S2);155-159 * |
采矿诱发断层滑移失稳机制与能量释放规律研究;方旭刚 等;金属矿山;20230913;1-16 * |
Also Published As
Publication number | Publication date |
---|---|
CN117390973A (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ebrahimi et al. | Prediction and optimization of back-break and rock fragmentation using an artificial neural network and a bee colony algorithm | |
Shirani Faradonbeh et al. | Long-term prediction of rockburst hazard in deep underground openings using three robust data mining techniques | |
CN107122861B (zh) | 一种基于pca-pso-elm的瓦斯涌出量预测方法 | |
CN106407649B (zh) | 基于时间递归神经网络的微震信号到时自动拾取方法 | |
WO2020125668A1 (zh) | 一种应用随钻参数来自动识别围岩级别的方法和*** | |
Dehghan et al. | Prediction of uniaxial compressive strength and modulus of elasticity for Travertine samples using regression and artificial neural networks | |
CN110889440A (zh) | 基于主成分分析和bp神经网络的岩爆等级预测方法及*** | |
Faramarzi et al. | EPR-based material modelling of soils considering volume changes | |
CN113486570A (zh) | 一种基于随机ida和机器学习预测隧道地震易损性的方法 | |
Tian et al. | The effect of ICA and PSO on ANN results in approximating elasticity modulus of rock material | |
CN115130375A (zh) | 一种岩爆烈度预测方法 | |
Bakhtavar et al. | Toward predicting blast-induced flyrock: a hybrid dimensional analysis fuzzy inference system | |
Wang et al. | Application of various nonlinear models to predict the uniaxial compressive strength of weakly cemented Jurassic rocks | |
Lawal et al. | Prediction of mechanical properties of coal from non-destructive properties: a comparative application of MARS, ANN, and GA | |
Zhai et al. | Stochastic inversion method for dynamic constitutive model of rock materials based on improved DREAM | |
CN112926267B (zh) | 一种基于掘进参数反演的tbm隧道岩爆等级预测方法及*** | |
Gong et al. | Prediction and evaluation of coal mine coal bump based on improved deep neural network | |
CN117390973B (zh) | 基于多层感知机模型的矿山***炮孔利用率预测方法 | |
CN112052977A (zh) | 一种基于深度时空注意力网络的油藏储量预测方法 | |
CN113283173B (zh) | 地下工程能量与参数综合反分析***及其方法 | |
Ma et al. | Intelligent decision system for vertical shaft blasting scheme based on knowledge base and its application | |
CN113946790A (zh) | 一种导水裂隙带高度预测方法、***、设备及终端 | |
Zhang et al. | BPNN-GA-based intelligence information approach to characterize deep fractured strata | |
Mohebi et al. | Adaptive-neuro fuzzy inference system (ANFIS) model for prediction of blast-induced ground vibration | |
Wang et al. | Strength prediction and drillability identification for rock based on measurement while drilling parameters |
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 |