基于小波神经网络爆破振动速度预测与分析

1、基于小波神经网络爆破振动速度预测与分析摘 要为提高爆破振动速度的预测精度，进而为防治爆破作业中爆破振动危害提供有效而更加有效的依据，本文提出了 基于小波神经网络的预测方法，将各个爆破监测数据进行正负相关的转换，来统一爆破影响因素与爆破振动速度之间的关系， 并把处理后的数据输入到小波神经网络中对爆破振动速度进行预测，相比传统的BP神经网络预测模型，本文提出的预测模型 对爆破振动速度预测精度将近提高了 10%，进而为爆破方案的优化提供强有力的理论根据。关键词爆破振动速度；爆破振动危害；小波神经网络；BP神经网络上式中：上式中：a为尺度因子，b为伸缩因子，在本文中使用的1引言随着各种各样的新型炸药和

2、爆破器械的出现，爆破技术在 经济发展和建设中发挥着越来越重要的作用，在爆破技术的 运用越来越广泛，其所带来的副作用也得到人民的广泛关注， 爆破带来的副作用主要有爆破振动、飞石以及灰尘等，其中 危害最大的就是爆破振动危害，指在爆破作业中，对周围环境、 建筑物或构筑物以及居民的生活所造成的不利影响，严重时 会造成周围建筑物或构筑物发生开裂或破坏1o衡量爆破振动 危害的物理量为爆破振动速度、爆破振动主频和爆破持续时 间2，钱七虎、陈士海3通过比较爆破地震与天然地震的区别， 指出：建筑结构和岩土工程的爆破振动安全判据是爆破振动 地面运动的最大速度，因而在爆破方案中对爆破振动速度进 行预测可事先清楚此次

3、爆破方案对周围环境的影响程度的大 小并事先采取措施对爆破振动危害进行控制和防治。目前已 有许多研究人员分别从理论模型、测试仪器、波形信号分析、 计算机数值模拟、结构的有限元分析方法以及目前运用最广 泛的神经网络对爆破振动速度进行预测4。本文通过分析各个 影响爆破振动速度因素之间的关系并不是十分明确而是十分 复杂的，既不属于线性关系也不属于非线性关系，对数据进 行正负相关转换以及无量纲化处理，将分析处理的数据输入 到小波神经网络中，对爆破振动速度进行预测，得到的预测 精度与其他常用的预测模型：BP神经网络的预测模型预测精 度比较，本文提出的预测模型的预测精度比BP神经网络预测 精度有很大提高，因

4、而可以为爆破方案提供更加准确而有效 的优化方案。2数据处理本文的数据来自于山东省青岛市某地下车库爆破开挖的 监测数据，共选择其中14组数据，通过分析在本文中选择影 响爆破振动因素的有：总药量、最大齐爆药量、爆心距以及 高差，爆破振动速度的监测包括三个方向(水平切向、水平 径向与垂直方向)，因此要对三个方向的速度都要进行预测。 在进行预测之前，要首先对数据进行相关的处理，进而消除 一些不必要的预测误差。在本文中特征因素为爆破振动速度，相关因素变量为： 总药量、最大齐爆药量、爆心距以及高差，各个因素的监测 数据来源于山东省青岛市某地下车库爆破检测数据，由于场 地与爆破器械的限制使得总药量与最大齐爆

5、药量在数量上一 致，因此只考虑两者中的一项。2.1计算步骤2.1.1数据的无量纲化处理研究系统中各个影响因素之间的单位并不一致，即为数据 的量纲不同，所以进行数据的分析与比较时比较困难，使得 无法得到比较准确的结论，因此在进行灰色关联度分析之前, 先对各组数据进行无量纲化的处理，将各个影响因素化为无 量纲的数据，无量纲化后的各组数据具有相同的定义，进而 各组数据之间才有了可比性。相对常用的无量纲化方法有均 值化法、初值化法以及区间化法，本文采用均值化法对监测 数据(表1)进行无量纲化分析。表1监测数据序号爆心距高差最大袜药量(kg)总装药量(kg)水平径向最大戴(CO/S)垂宜方向最大戴(函)

6、水平切向最趟度(cn/s)1132.30.630.631.17190.000064450.6038213.6562.30.550.550.37670.000028650.4585313.962.10.490.490.14530.1490.00004198412.3032.10.520.520.72620.000028650.3068510.672.30.630.631.31610.9310.000007021610.9872.30.550.551.43641.18480.000007021710.882.10.40.40.59330.43320.000007021810.3212.10.420

7、.420,65350.4290.000007021910.12.10.40.40.44150.36370.000007021109.972.10.520.520.96690.7310.000007021x.y.均值化公式：弓=w，力=y对表1中的数据进行均值化xy计算，计算结果如表2。表2均值化后序号总装药量最大齐爆药量爆心距高差水平径向最戏度垂直方向最大速度水平切向最大速度11.2331.2331.1231.0551.4880.00015274.409921.0781.0781.1721.0550.48130.00068043.3186730.9590.9591.2060.9630.1856

8、30.3530.000306641.0181.0180.9220.9630.927810.000067872.2407251.2331.2330.9221.0551.681382.20532.2370761.0781.0780.9491.0551.83512.80690.00004149570.7830.7830.940.9630.7581.02630.00004149580.8220.8220.8920.9630.834871.016350.0004149590.7830.7830.8720.9630.564030.861640.000041495101.0181.0180.8620.963

9、1.23531.73180.000414952.1.2正负相关的转换在研究的过程中，影响因素Xj (幻与爆破振动参数匕侬)的 关系若为负相关则要通过转化使其关系变为正相关，这样有 利于对于分析结果的分析，转化过程是通过算子4的作用，将 Xj(k)与D。相乘，进而为X/)。，其与匕(幻的关系为正相关。XjD0 = xy (l)rf0,xy(2)da,.,Xj (k)do,.,Xj (n)rf0其中，弓=20/)-弓(砂* = 1,2,.”，玖为对称化 算子，X/。为对称化像。表3正负相关转化后序号爆心距高差最大齐爆药量总装药量水平径向最大速度垂直方向最大速度水平切向最大速度11.2891.0S5

10、1.2331.2331.17190.000064450.603821.241.0551.3821.3820.37670.000028650.458531.2061.1471.S071.5070.14530.1490.0000419841.491.1471.4481.4480.72620.000028650.306851.491.0551.2331.2331.31610.9310.00000702161.4631.0551.3821.3821.43641.18480.00000702171.4721.1471.6831.6830.59330.43320.00000702181.521.1471.

11、6441.6440.65350.4290.00000702191.51.1471.6831.6830.44150.36370.000007021101.491.1471.4481.4480.96690.7310.0000070213小波神经网络预测模型小波神经网络是小波分析理论与神经网络相结合的产物, 小波分析具有时频局部特性和聚焦的特点，可以对信号进行 多尺度的分析，有效的提取信号的局部信息；神经网络是一 种具有自学习性、自适应性、鲁棒性以及容错性；因而小波 神经网络同时具有小波分析与神经网络的优点，网络结构是 依据小波分析理论来确定的，避免了 BP神经网络等结构设计 上的盲目性，具有很强的

12、学习能力。3.1模型的建立本文利用的是紧致结合型小波神经网络，直接有小波基 函数作为神经网络隐含层的激励函数，其中小波基函数表示1(x-a小波基函数为morlet小波函数。甲*。、。/?%#/，其中 c为常数。（上接第191页）设小波神经网络的输入层的神经元不以 及隐含层神经元儿的权重为M沁隐含层神经元队与输出层神 经元之间的权重为W隐含层的神经元个数为”，且神经 网络输出层的激励函数为常用的Sigmoid函数（其中e是自然 常数八/二土则小波神经晶模型可以表示为：?0=/| E W潮/（w*x,.），当输出层与期望输出值 1左=1|_ i=l ）62不等时，则存在误差E，其数学定义为:E =

13、 ?（d-y。），cr=l 根据误差E而进行反向传播训练。3.2模型的训练与预测模型建立后将表3中经过正负相关转化后的数据作为输入 函数输入到小波神经网络中，以用来对小波神经网络预测模 型进行训练，其中输出函数为爆破振动速度，因此输出层为 3。最后的四组数据作为预测样本数据，同时也要进行均值化 处理以及正负转化，然后根据真实值与预测值之间的误差来 判断预测精度，经过多次试验表明，当隐含层的个数为12时, 小波神经网络的预测效果最佳。与此同时建立普通的BP神经 网络对此次的监测数据进行后四组的预测，预测结果与小波 神经网络的预测结果统计在同意表中以用来比较两者对爆破 振动速度预测精度。预测结果如

14、下：表4预测结果巍旅瞄（时8）I I水椰瞅簸（磁翰制鼬幽皿鼬词颤EHQ22130244510J02479120.05130.04J43.790.06532734政fl.456823.432.10,49150.43611U70,647731.790.419m6方0.199552,03m524懒111J90.7W0,718313105791834D.4醐0373921541),124714.49O28,62帐3615水平径向最大速度（cm/s）实测值（cm/s）小波神经网络预测值（cm/s）预测误差（渤BP神经网络预测值（cm/s）预测误差（防）0.10210.10492.740.11411.67

15、1.15861.09295.671.05488.960.52190.455412.740.606816.270.66750.65561.790.899534.76平均误差5.7417.96从上表中可以清楚的看出，小波神经网络对爆破振动速度的预测精度要比普通的BP神经网络对其的预测精度平均要 高18%,相比而言小波神经网络的预测误差较小。而小波神经 网络对水平径向最大速度的预测误差仅仅为5.74%,进而预测 预测精度十分的高，对于预测垂直方向最大速度与水平切向 最大速度，预测误差在10%左右，相对于对水平径向最大速 度的预测误差略大，但与BP神经网络相比预测误差仍然很小， 可被爆破工程在预测爆破振动速度使用，进而来优化爆破方 案，防治爆破振动危害。4结论通过数据的分析与处理，得到各个影响爆破振动速度的 因素与爆破振动速度之间的关系是十分复杂，并不是简单的 线性获非线性关系，而神经网络对各种关系复杂的因素可以 进行“暗箱”操作，尽可能的考虑各个因素之间的关系，因 此利用神经网络对爆破振动速度进行预测减少了因处理数据 关系不当而产生的预测误差。本文在神经网络的基础上，利 用小波神经网络对爆破振动速度进行预测，模型利