露天臺階爆破塊度參數的RBF-SVM預測模型

江國華

（江西銅業集團公司 德興銅礦，江西 德興 334224）

露天臺階爆破塊度參數的RBF-SVM預測模型

江國華

（江西銅業集團公司 德興銅礦，江西 德興 334224）

為了分析德興銅礦臺階爆破塊度參數，利用核函數為Gauss徑向基核函數的支持向量回歸算法（RBF-SVM）對9組樣本的爆后的塊度參數進行了模型構造，并對2組測試樣本進行了預測。從預測結果可以看出，預測結果的平均相對誤差僅為3.03%，說明該模型的可靠性，模型具有很好的預測精度，具有一定的推廣價值。

露天采礦；臺階爆破；塊度參數；徑向基向量函數；支持向量機

1 引言

目前，隨著露天采礦技術的發展，露天臺階爆破技術也不斷進步［1］。爆破塊度參數是評價爆破質量的一個重要指標，爆破塊度參數包括的均勻性指標、特征塊度Xe、K50、K80和大塊率等。為提高爆破質量，塊度參數的預測和控制成了相關學者研究的熱點［2］。爆破工程受到多因素的綜合影響，露天礦山臺階塊度參數不能僅以某一兩個因素來確定，需要綜合多因素考慮。近年來，許多學者常用人工神經網絡算法對塊度參數進行預測［2-3］，但這類算法常出現重復學習、依賴經驗數據、主觀性強等固有的缺陷，影響了預測數據的可靠性。支持向量機算法（Support Vector Machine， SVM）有望幫助解決這類問題。支持向量機從觀測數據（樣本）出發尋找規律，利用這些規律對未來數據或無法預測的數據進行預測。筆者利用支持向量機對爆破破碎過程進行建模，對德興銅礦臺階爆破塊度參數進行預測。

1995年，Vapink提出了統計學構設下的數據預測算法，該方法通過適當的核函數進行數據推測，具有較強的適用性和靈活性［5］。其中RBF-SVM算法的核函數為Gauss徑向基核函數。

支持向量機模型可從少數數據中挖掘樣本之間的函數關系，并能得到泛化最優解［6］。支持向量機作為一種新的通用方法、非常有發展前景的技術，是統計學習理論中最實用的部分，近年來，關于SVM方法的研究和應用得到了推廣［7］。

2 RBF-SVM算法

SVM回歸算法，它要解決的問題是：根據給定的樣本數據集為｛（xi，yi）|i=1，…，k｝，xi與yi分別為預測因子值及其值，而 是這些數據的最優關系函數。

求解最優化問題：

RBF-SVM的核函數為RBF核函數，即Gauss徑向基核函數：

3 基于RBF-SVM的露天臺階爆破塊度參數預測系統

3.1 臺階爆破塊度參數的RBF-SVM模型的建立

該模型以RBF-SVM為理論依據，兼顧爆破方法、爆破工藝、炸藥與巖石波阻抗等。輸出變量主要包括：礦巖性質（巖石波阻抗、抗壓強度、抗拉強度）、炸藥參數（炸藥波阻抗、炸藥爆速）、爆破參數（炸藥單耗、孔距、炮孔密集系數、孔邊距、充填高度）；輸出變量主要是描述爆后效果的參數：均勻性指標n、特征塊度Xe、K50、K80和大塊率。

和模糊數學理論和BP神經網絡計算的區別在于，該模型輸出變量是唯一的確定值，因此在模型建立時，必須把輸出輸入變量進行聯合，成為獨立的訓練樣本。其建立過程如下：

建模方法為 —支持向量回歸機，其算法如下：（1）給定訓練集

（2）選擇適當的參數C和ε，選擇RBF核函數；

（3）利用式（2）、式（3）求解最優化問題；

（4）構造決策函數式（4）。

本次試驗進行9組爆破試驗，根據測試記錄進行換算，取得9組數據（見表1）。其中前七組為訓練樣本，剩余的為推測樣本，檢驗模型的可靠性。

本次試驗中，只有一種炸藥，故每組試驗的炸藥爆速和炸藥波阻抗相同，若選擇不同的炸藥試驗，更能很好的體現出炸藥對塊度參數的影響。故該模型中輸入參數中的炸藥參數項可忽略不予考慮，不會影響到塊度參數的預測。

3.2 模型參數的選擇及塊度參數預測

學習樣本集確定后，塊度模型的建立，先要選合理的核函數，然后尋找適當的SVM參數：ε、C和σ。高斯徑向基核函數精度高，所以此次模型選擇高斯函數作核函數。參數C和ε以及基函數域寬σ采用試驗法確定。

調整敏感性參數，選擇具有較強適應性的C，ε和核函數參數σ。推算結果顯示，RBF-SVM模型具有最佳的預測能力，其參數的選擇為： σ=0.001，C=1.56，ε=4.11。

表1 訓練和檢驗樣本

相應的方法，得到均勻性指標n、特征塊度Xe、K50和K80的SVM預測模型參數，見表2。

表2 參數表

采用Matlab計算并生成預測模型。為了評估臺階塊度參數RBF-SVM預測模型的可靠性，對檢驗樣本進行檢驗，模型的預測結果見表3所示。從預測結果可以看出，測試結果與預測結果的平均相對誤差僅為3.03%，說明該模型的可靠性，模型具有很好的預測精度，有一定的借鑒價值。

4 總結

（1）利用核函數為Gauss徑向基核函數的支持向量回歸算法（RBF-SVM）建立了德興銅礦臺階爆破塊度模型，該模型以RBF-SVM為理論依據，兼顧爆破方法、爆破工藝、炸藥與巖石波阻抗等。

（2）對9組樣本的進行了模型構造，并對2組測試樣本進行了預測。結果表明，測試結果與預測結果的平均相對誤差僅為3.03%，說明該模型是可靠對，且精度高，可以進行類似礦山的推廣應用。

［1］余圣華. 逐孔爆破技術在銅山口礦露天臺階爆破中的應用［J］. 采礦技術， 2015， 15（4）：91-93.

［2］林建章， 陳慶凱， 黃國泉， 等. 露天礦山爆破效果對開采成本的影響研究［J］. 銅業工程， 2013， 121（3）：33-37.

［3］朱必勇， 楊偉. 基于安全經濟評價體系的爆破參數優化［J］. 礦業研究與開發， 2015， 35（10）：18-19.

［4］楊偉， 楊珊， 張欽禮， 等. 基于RBF神經網絡的采場回采工藝改進試驗［J］. 東北大學學報（自然科學版）， 2014， 35（11）：1 641-1 645.

［5］趙國彥， 吳浩. 松動圈厚度預測的支持向量機模型［J］. 廣西大學學報， 2013， 38（2）：444-449.

［6］黃海峰， 宋琨， 易慶林， 等. 滑坡位移預測的支持向量機模型參數選擇研究［J］. 地下空間與工程學報 ， 2015， 11（4）：1 053-1 058.

［7］何小二， 王德禹. 支持向量機近似模型的參數選取及其在結構優化中的應用［J］. 上海交通大學學報， 2014， 48（4）：464-468.

The RBF-SVM Prediction Model of Bench Blasting Fragmentation Parameters

JIANG Guo-hua
（Dexing Copper Mine， Jiangxi Copper Corporation， Dexing 334224， Jiangxi， China）

In order to analysis the fragmentation parameters of bench blasting in Dexing copper mine， made the model structure basic on 9 samples blasting parameters by using Gauss radial basis kernel function of support vector machine （RBF-SVM）， and predicted 2 sets of test samples. The prediction results showed the average relative error was 3.03% between the measurements of the test samples and the prediction. And it was proved RBF - SVM model had reliable predicted values and good accuracy measured value， which had an certain value for promotion.

open-pit mining；bench blasting；fragmentation parameters；the radial basis vector function；support vector machine （SVM）

TD854+.2

A

1009-3842（2016）05-0027-04

2016-04-24

江國華（1983-），男，江西貴溪人，采礦工程師，主要從事采礦管理工作。E-mail：117528813@qq.com