基于多源信息融合的矿岩可爆性评价模型_第1页
基于多源信息融合的矿岩可爆性评价模型_第2页
基于多源信息融合的矿岩可爆性评价模型_第3页
基于多源信息融合的矿岩可爆性评价模型_第4页
基于多源信息融合的矿岩可爆性评价模型_第5页
全文预览已结束

付费下载

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

基于多源信息融合的矿岩可爆性评价模型

岩流的可爆性也称为岩流,是岩流阻力和爆炸困难的指标。矿岩可爆性分级是一项应用性很强的基础理论课题,它是进行爆破参数优化研究的基础。近几十年来,国内外学者进行了大量的研究工作。总的来说,取得了以下两方面的进展:(1)矿岩可爆性分级从只考虑单因素向综合考虑多因素发展。(2)采用数学建模或者人工智能方法对矿岩可爆性进行分级,比如采用灰色理论、神经网络、遗传算法、模糊综合评判、蚁群算法、熵权属性识别、加权聚类分析方法、博弈论-物元可拓模型等。由于现场试验费时、费力,而从公开发表的文献来看,采用数学建模或者人工智能方法进行矿岩可爆性研究大多只是与其他文献进行比较,与实际工程相结合的较少。本文在东北大学钮强等人建立的“岩石爆破指数”分级方法的基础上,采用多源信息融合中的粗糙集和BP神经网络理论,建立了新的矿岩可爆性评价模型,对评价模型的准确性进行了验证,并在云南某地下矿山的采场深孔爆破中进行了实际应用。1对常用方法的综合信息处理多源信息融合技术起源于美国,它是关于如何协同利用多源信息,以获得对同一事物或目标更客观、更本质认识的综合信息处理技术。多源信息融合的常用方法分为传统数学方法和人工智能两大类。前者有加权平均法、卡尔曼滤波法、多贝叶斯估计法和Dempster-Shafer(D-S)证据推理等;后者有模糊逻辑理论、神经网络、粗糙集理论和专家系统等。1.1企业主义属性粗糙集理论首先由波兰的Pawlak教授于1982年提出,可以有效解决属性冗余的问题。在该理论中,知识的表达通过信息系统来实现,以四元组S=(U,A,V,f)的形式存在。其中S为知识表达系统;U={x1,x2,…,xn},称为论域;A={a1,a2,…,am},A中的每个aj(j≤m)称为一个属性;Va∈∪AVa,Va为属性a的值域;f:U×A→V为一信息函数,表示对每一个a∈A,x∈U,f(x,a)∈Va。1.1.1属性集集dx式中a(x)是对象x在属性a上的值;d(x)是记录x在D上的值;C和D分别表示条件属性集和决策属性集。其中表示mij包含属性的个数。1.1.3属性约为简单属性约简指的是在保持知识库分类能力不变的情况下,去掉其中不重要或者不相关的冗余属性,可以采用计算机编程或者相关软件来实现。1.2隐蔽层节点个数BP神经网络是一种基于误差反馈的人工神经网络,典型的网络结构由一个输入层,一个隐含层和一个输出层构成。神经网络的预测结果与隐含层节点的数目关系密切,隐含层节点的个数L可以由以下2个公式来确定:式中s,w分别表示输入节点和输出节点的个数;a为1~10之间的常数。1.3信息融合的级别根据多源信息融合中的数据抽象层次,信息融合可以划分为3个级别,即:数据级融合、特征级融合和决策级融合。本文主要采用数据级融合和特征级融合。1.3.1矿岩可爆性数据级融合过程用Ci(i=1,2,…,6)表示由漏斗体积、大块率、小块率、平均合格率、岩体声波速度和波阻抗组成的属性集,则矿岩可爆性数据级融合过程如图1所示。1.3.2基于bp网络特征的整合用Cj(j≤5)表示粗糙集约简后的属性集,则矿岩可爆性特征级融合过程如图2所示。2数据来源和处理2.1爆破漏斗体积及密度钮强等人曾对我国10余个金属矿山的51种典型矿岩进行了可爆性分级试验,得到56组数据,并建立了一个可爆性指数N值的计算公式:式中N为矿岩可爆性指数;V为爆破漏斗的体积,m3;K1为大块率,%;K2为小块率,%;K3为平均合格率,%;ρ为矿岩密度,g/cm3;cp为矿岩弹性纵波的速度,m/s;ρcp为矿岩弹性波阻抗,MPa/s。由于篇幅限制,部分数据见表1,详细数据请查阅文献,为了与信息融合中的相关表述方法一致,对上述参数重新用相关字母表述,即:C1,C2,C3,C4,C5,C6和N分别表示漏斗体积、大块率、小块率、平均合格率、岩体声波速度、波阻抗和矿岩可爆性指数。2.2基于矿岩可爆性指数的确定RSES软件需要对输入的数据进行离散归一化处理,通常采用的计算公式为:式中max表示每一列的最大值,min表示每一列的最小值。首先通过式(6)把每一列的属性值分为3个等级,即:“高”∈[min+2step,max),用“2”表示;“中”∈[min+step,min+2step),用“1”表示;“低”∈[min,min+step),用“0”表示。然后得出各指标属性及其归一化值域,决策属性D表示目标参数,本文中代表矿岩可爆性指数。表2为离散归一化处理后的分级数据。3数据的简要解释和分析3.1爆破强度及爆破属性的定义属性约简要求在保证知识库分类和决策能力不变的条件下,删除不相关或不重要的冗余属性。RSES软件给出了2种进行属性约简的方法,即穷举算法和遗传算法。应用这2种方法对表2进行约简,结果分别见图3和图4。由图3~4可知,采用穷举算法和遗传算法对表2中的数据进行约简得到的约简集都只有1个,即:R={C1,C2,C3,C5,C6},通过计算,5个属性的重要性排序为:C1>C2=C6>C3=C5。“岩石爆破指数”分级法以能量守恒原理为依据,当炸药能量及其他条件一定时,爆破漏斗体积的大小和爆破块度的粒径组成,均直接反应了能量的消耗状态和爆破效果,从而表征岩石的爆破特征。通过数据级融合发现,爆破漏斗体积(C1)、大块率(C2)和小块率(C3)用于表征影响岩石吸收爆破能量的程度和形式,而块度平均合格率(C4)被证明是冗余属性,应予以剔除;岩体声波速度(C5)和波阻抗(C6)反映了岩体的节理、裂隙情况及岩石的弹性模量、泊松比、密度等物理力学特性。3.2不同种类的测试为了检验上述约简规则的准确性,对两种方法得到的约简规则进行了测试,结果见图5~6。由图5~6可知,两种方法生成规则测试分类准确度相同,均为92.9%,数据总的覆盖率都为100%,表明这两种分类计算方法是可靠的。4基于多源信息的矿岩爆炸分析和评价4.1bp神经网络的模拟BP神经网络模型的拓扑结构包括输入层(Input)、隐含层(HideLayer)和输出层(OutputLayer),一个3层的BP网络可以完成任意的n维到m维的映射,单隐含层BP神经网络可以获得令人满意的精度。BP神经网络预测模型中的输入层采用6个指标:即爆破漏斗体积、大块率、小块率、平均合格率、岩体声波速度、波阻抗,模型的输出层目标值为矿岩的可爆性指数,根据式(3)和式(4)进行计算,最佳的隐含层节点个数为6个。采用56组数据样本对网络进行学习和训练,其中50个样本作为训练样本,其余6个样本(表1中的4、14、24、34、44和54号数据)作为检测样本,预测结果如图7所示。4.2神经网络训练样本按照约简后的属性集,在表1的基础上删除平均合格率(C4)这一列,并去掉4号、14号、24号、34号、44号和54号数据便得到约简后的神经网络训练样本,把4号、14号、24号、34号、44号和54号数据作为检测样本。同样采用3层BP神经网络结构,取最佳的隐含层节点个数为7个,预测结果见图7。4.3粗模拟-bp神经网络预测结果从图7可以看出,粗糙集-BP神经网络预测结果相比单纯的BP神经网络更为接近实际值。进一步分析得到,BP神经网络预测的平均误差为8.33%;而粗糙集-BP神经网络预测的平均误差为6.75%,且最大误差不超过20%,满足工程要求。因此,应优先采用粗糙集-BP神经网络模型对矿岩可爆性指数进行预测和评价。5试验结果的统计与分析云南某地下矿山为了扩大生产能力,采用“采矿环境再造连续采矿嗣后充填采矿法”。在采场深孔爆破试验前,为了事先获取炸药单耗,采用了两种方法,一种是先在与采场岩性相似的巷道中进行爆破漏斗试验,然后反演炸药单耗;另外一种就是先获得矿岩的可爆性指数,再通过公式计算得到炸药单耗。通过数据挖掘和文献检索获得了试验采场矿岩的可爆性分级基础数据,详见表3。根据表3中的基础数据,采用建立的粗糙集-BP神经网络模型预测得到试验矿山矽卡岩的可爆性指数N=78.43,矿岩可爆性等级为Ⅳ级,属于“难爆”级别。根据王明林等人的研究,炸药单耗与矿岩可爆性指数有如下关系:其中q为炸药单耗,kg/m3;N为矿岩可爆性指数。将粗糙集-BP神经网络模型预测得到的矿岩可爆性指数代入式(6),计算得到炸药单耗为0.65kg/m3,这与爆破漏斗试验得出的结论“炸药单耗略高于0.57kg/m3”是吻合的。在云南某矿山进行现场试验,总的装药量为3811.3kg,矿房的爆破体积约为2560m3,实测的炸药单耗为0.67kg/m3。因此,由基于多源信息融合得到炸药单耗与实测值基本一致,进一步验证了该模型的有效性和正确性。6矿岩可爆性研究1)矿岩可爆性的评价和分级受多种因素的影响,而且可爆性分级标准目前还不统一。本文引入多源信息融合理论,在前人研究的基础上,建立了矿岩可爆性评价的粗糙集-BP神经网络预测与评价模型,为研究矿岩可爆性提供了新的思路和方法。2)研究过程中选取爆破漏斗体积、大块率、小块率、平均合格率、岩体声波速度、波阻抗等6项影响矿岩可爆性的指标,对收集整理的数据进行了离散归一化处理,然后采用粗糙集对数据进行了属性约简,从而实现了矿岩可爆性的数据级融合。进一步分析认为,爆破漏斗体积、大块率和小块率等3项指标用于表征岩石的爆破特征;而岩体声波速度和波阻抗等2项指标反映了岩体的节理、裂隙情况及岩石的弹性模量、泊松比、密度等物理力学特性。3)研究认为,在属性约简的基础上,粗糙集-BP神经网络的预测精度比BP神经网络更高。在多源信息融合模型的基础上,研究了某矿山的矿岩可爆性,通过矿岩的可爆性指数,计算得到了矿房深孔爆破

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论