爆破振動速度是用來衡量爆破振動強度的重要參數(shù)。因此，對爆破振動速度進行精準預測具有重要意義。國內(nèi)外學者采用機器學習方法在爆破振動峰值速度預測方面取得了一定的效果，但是還存在著選取數(shù)據(jù)較少、包含因素少、模型預測精度有限、容易過擬合等問題。武漢理工大學任高峰團隊通過基于決策樹的特征重要性分析，選取了爆心距、炸藥爆速、孔距、堵塞長度、孔深、單段藥量6個變量作為輸入特征，利用粒子群優(yōu)化算法(PSO)對XGBoost模型的決策樹數(shù)目、決策樹最大深度、學習率3個參數(shù)進行尋優(yōu)，構(gòu)建了PSO-XGBoost爆破振動峰值速度預測模型與BPNN、AdaBoost、GBDT、RF、SVR模型的預測結(jié)果進行對比，PSO-XGBoost模型的預測性能最佳，預測結(jié)果最優(yōu)。為了進一步推廣應用預測成果，開發(fā)設(shè)計了一套爆破振動峰值速度預測系統(tǒng)

特征重要性分析

基于決策樹的特征重要性分析是一種用于理解數(shù)據(jù)集中哪些特征對于預測目標變量最為重要的方法。決策樹算法通過遞歸地選擇最佳屬性來分割數(shù)據(jù)集，從而構(gòu)建一棵樹結(jié)構(gòu)模型。在這個過程中，每個內(nèi)部節(jié)點代表一個屬性上的測試，每個分支代表一個測試結(jié)果，而每個葉節(jié)點代表一個輸出值。在隨機森林模型中，特征的重要性通常是通過衡量該特征在所有樹中的貢獻來計算。

本研究獲取某爆破工程97組實測數(shù)據(jù)，收集了巖石普氏系數(shù)、單段藥量、孔距、抵抗線、孔深、堵塞長度、炮孔直徑、藥卷直徑、炸藥密度、炸藥爆速、爆心距11個指標作為爆破振動峰值速度的影響因子，對這些變量進行歸一化處理，而后通過特征重要性分析重要影響因素。結(jié)果表明，爆心距對于模型最為重要，其余特征中炸藥爆速、孔距、堵塞長度、孔深、單段藥量、炸藥密度對于模型較為重要，抵抗線、普式系數(shù)、藥卷直徑、炮孔直徑對模型影響較小。

圖1 特征重要性

為探究不同輸入變量對PSO-XGBoost的影響，通過減少輸入變量的數(shù)量分析3種指標的變化情況來進行敏感性分析前6種特征數(shù)量中，MSE、RMSE呈減小的趨勢，R2呈增大的趨勢；在特征數(shù)量為6時，MSE、RMSE均為最小，R2最大；繼續(xù)增加特征的數(shù)量，MSE和RMSE開始增大，而后穩(wěn)定，R2開始減小而后穩(wěn)定。由此可知，在特征數(shù)量為6，即輸入特征為爆心距、炸藥爆速、孔距、堵塞長度、孔深、單段藥量時，模型的擬合能力最佳，誤差最小，炸藥密度、抵抗線、普式系數(shù)、藥卷直徑、炮孔直徑不應作為特征變量進行輸入。

圖2 不同特征數(shù)量的影響

預測模型構(gòu)建

PSO-XGBoost預測模型的構(gòu)建流程如下：

（1）將收集到的97組數(shù)據(jù)進行篩選。選取爆心距、炸藥爆速、孔距、堵塞長度、孔深、單段藥量為輸入變量，爆破振動峰值速度作為模型輸出變量。進一步進行標準化，然后將數(shù)據(jù)的70%作為訓練集，15%作為驗證集，15%作為測試集。

（2）設(shè)置粒子的最大迭代次數(shù)、種群的數(shù)量、慣性權(quán)重、學習因子、搜索范圍并隨機初始化一群粒子。

（3）根據(jù)初始化的粒子建立XGBoost模型。以訓練集樣本進行訓練然后對驗證集進行預測，計算驗證集中爆破振動峰值速度預測值與實際值間MSE，以此為粒子群優(yōu)化算法的適應度值。

（4）依據(jù)速度更新公式和位置更新公式迭代更新粒子的速度和坐標，更新超參數(shù)組合。然后計算相應的適應度值，并比較更新個體和整體的最優(yōu)適應度值。

（5）當粒子的適應度趨于穩(wěn)定或迭代次數(shù)達到最大時，終止迭代循環(huán)，獲取最優(yōu)參數(shù)組合。

（6）根據(jù)粒子群優(yōu)化算法獲得的最優(yōu)參數(shù)組合訓練最優(yōu)預測模型，使用測試集進行預測，最后得到峰值速度的預測結(jié)果并輸出預測結(jié)果評價指標。

圖3 PSO-XGBoost預測模型流程

預測結(jié)果

將訓練集輸入6個不同模型進行訓練后，再將測試集輸入至模型進行預測，最后得到每個模型的預測值與3個評價指標。與其他模型相比，PSO-XGBoost模型預測精度高，誤差最小，擬合效果好，用于預測爆破振動峰值速度能夠取得較好效果。其原因在于PSO-XGBoost模型巧妙融合了PSO與XGBoost的優(yōu)勢，PSO以其強大的全局搜索能力，自動搜索XGBoost模型超參數(shù)的最優(yōu)配置，有效避免陷入局部最優(yōu)，顯著提升了模型泛化能力。同時，通過動態(tài)調(diào)整XGBoost的參數(shù)，增強了模型對數(shù)據(jù)噪聲的魯棒性，降低了過擬合風險，保證了預測結(jié)果的可靠性與穩(wěn)定性。

預測系統(tǒng)

為了使提出的PSO-XGBoost模型直接適用于爆破工程，本研究利用Python的PyQt5外置工具設(shè)計開發(fā)了一個爆破振動峰值速度預測系統(tǒng)，實現(xiàn)了系統(tǒng)界面與預測模型的結(jié)合。在登錄界面，用戶可以使用賬號和密碼登錄系統(tǒng)，或者使用QQ、微信快捷登錄。在預測界面，用戶可以選擇一個預測模型，輸入爆心距、炸藥爆速、孔距、堵塞長度、孔深、單段藥量，然后點擊預測按鈕，即可得到對應的爆破振動峰值速度預測結(jié)果。該系統(tǒng)界面簡潔、操作簡單，可應用于實際爆破工程中。

圖5 爆破振動峰值速度預測系統(tǒng)

原文下載

作者簡介

任高峰

教授，博士生導師，澳大利亞西澳大學訪問學者，湖北產(chǎn)業(yè)教授，武漢理工大學青年拔尖人才，武漢理工大學青年教學名師，國家精品課程與湖北省優(yōu)秀教學團隊主要成員。2010年畢業(yè)于武漢理工大學采礦工程專業(yè)，獲博士學位。長期從事采礦工程、安全工程與巖土工程方向的教學與科研工作，先后主持國家自然科學基金3項、國家重點研發(fā)計劃課題和子課題各1項、湖北省自然科學基金1項、山東省重點研發(fā)計劃子課題1項、企業(yè)科技攻關(guān)課題60余項。獲省部級科技進步一等獎3項、二等獎10項。授權(quán)發(fā)明、實用新型專利20余項，出版教材及專著4部。在行業(yè)權(quán)威期刊發(fā)表學術(shù)論文100余篇。兼任國家自然科學基金評審專家、湖北省應急管理廳專家、湖北省自然資源廳專家等。

《金屬礦山》簡介

《金屬礦山》由中鋼集團馬鞍山礦山研究總院股份有限公司和中國金屬學會主辦，主編為中國工程院王運敏院士，現(xiàn)為北大中文核心期刊、中國科技論文統(tǒng)計源期刊（中國科技核心期刊）、中國精品科技期刊（F5000頂尖學術(shù)論文來源期刊）、中國百強報刊、RCCSE中國核心學術(shù)期刊（A）、中國期刊方陣雙百期刊、國家百種重點期刊、華東地區(qū)優(yōu)秀期刊，被美國化學文摘（CA）、美國劍橋科學文摘（CSA）、波蘭哥白尼索引（IC）、日本科學技術(shù)振興機構(gòu)數(shù)據(jù)庫（JST）等世界著名數(shù)據(jù)庫收錄。主要刊登金屬礦山采礦、礦物加工、機電與自動化、安全環(huán)保、礦山測量、地質(zhì)勘探等領(lǐng)域具有重大學術(shù)價值或工程推廣價值的研究成果，優(yōu)先報道受到國家重大科研項目資助的高水平研究成果。根據(jù)科技部中國科技信息研究所發(fā)布的《2024中國科技期刊引證報告（核心版）》，《金屬礦山》核心總被引頻次位列26種礦業(yè)工程技術(shù)學科核心期刊第1位；根據(jù)中國知網(wǎng)發(fā)布的《中國學術(shù)期刊影響因子年報》（2024版），《金屬礦山》學科影響力位居73種礦業(yè)期刊第9位。

礦業(yè)科學技術(shù)大會參會報名鏈接

供稿：曾文旭

編排：余思晨

審核：王小兵

利用提供參考依據(jù)。

供稿：曾文旭

編排：余思晨

審核：王小兵

聲明：本文系轉(zhuǎn)載自互聯(lián)網(wǎng)，請讀者僅作參考，并自行核實相關(guān)內(nèi)容。若對該稿件內(nèi)容有任何疑問或質(zhì)疑，請立即與鐵甲網(wǎng)聯(lián)系，本網(wǎng)將迅速給您回應并做處理，再次感謝您的閱讀與關(guān)注。