基于MIV-BAS-Elman模型的爆破振動速度預測

蔡晨，錢謙，資昊

摘 要：針對標準神經網絡預測爆破振動易陷入局部極值且預測精度低的問題，采用平均影響值法（MIV）對輸入變量進行篩選和約簡來提高建模精度，采用天牛須搜索算法（BAS）對Elman神經網絡進行初始權值閾值的優化，在此基礎上建立了MIV-BAS-Elman算法模型。基于某露天煤礦爆破振動速度峰值數據樣本對模型進行了驗證，并與其他多種算法模型進行了比較分析，結果表明基于MIV-BAS-Elman的爆破振動速度預測模型具有運算速度快、預測精度高的優點，對爆破振動預測具有普適性和一定的實用價值。

關鍵詞：爆破振動速度;Elman神經網絡;MIV;天牛須搜索算法（BAS）

中圖分類號：TP183 ? ? ? ? ? ?文獻標識碼：A ? ? ? ? ? ?文章編號：1006—7973（2019）12-0110-03

1 引言

隨著我國采礦、水利及交通建設的快速發展，建設中的爆破工程日益增多。爆破引起的振動將會對周邊巖土體及臨近結構產生不利影響甚至造成破壞，因此，控制爆破振動是爆破工程領域的重要問題，而實現有效的振動控制需建立在準確預測爆破振動的基礎上。爆破振動的強度常采用振動速度來描述，為此，國內外學者針對爆破振動速度預測開展了一些工作。其中，應用較多的是結合振動實測數據擬合得到的薩道夫斯基公式。由于爆破振動受多種因素影響，各因素間存在高度非線性，采用傳統方法很難進行準確預測[1]。

近些年來，一些學者通過引入神經網絡開展了爆破振動速度預測并取得了較好的效果[2-5]。如王建國等[4]使用BP神經網絡對某煤礦爆破振動速度進行預測，精度較薩道夫斯基公式提升約10%。蒲傳金等[5]以水平距離、雷管段數、總裝藥量、最大單段裝藥量、樁基深度和爆心距作為主要因素，建立了樁基爆破振動BP神經網絡預測模型，預測精度分別比薩氏公式和高程修正公式提高了71.4%和67.5%。針對神經網絡存在收斂速度慢，易陷入局部極值的問題，孫文彬等[6]基于MIV對拋擲爆破影響因子進行權重分析，為優化設計提供了參考。張士科[7]等使用遺傳算法（GA）改進BP神經網絡進行了煤礦爆破振動特征參量預測，結果顯示經過優化后的神經網絡模型不僅會提高預測精度高，也會加快計算速度。

現階段爆破振動工程中較多使用BP神經網絡進行預測，而已有研究發現，Elman神經網絡對于小幅變化數據和大數據的預測較BP神經網絡具有優越性，Elman神經網絡對于歷史數據具有敏感性[8]。此外，Elman相比BP等單向神經網絡對非線性系統動態預測效果更佳，適用于強非線性系統[9]。基于現有使用靜態前饋神經網絡進行爆破振動速度預測存在的不足，考慮到Elman神經網絡的優勢，本文首先采用MIV算法進行影響因素的約簡，然后使用BAS算法進行初始權值閾值的優化，最終構建了基于MIV-BAS-Elman模型的爆破振動速度峰值預測方法，并與其他方法預測結果進行對比分析，結果表明本文模型提升了預測精度和迭代速度，可為爆破振動速度預測提供技術參考。

2 MIV-BAS-Elman模型的建立

2.1 Elman神經網絡

Elman神經網絡在BP神經網絡的基礎上增加承接層，隱含層的輸出通過反饋層中的承接層單元自聯到隱含層的輸入，增強了網絡本身處理動態信息的能力，使得Elman神經網絡對歷史數據具有敏感性和動態性。

2.2 BAS原理

天牛須搜索（Beetle Antennae Search，BAS）算法[10]是一種仿生智能搜索算法。其仿生原理為天牛在覓食過程中，比較左右觸角接收到的氣味強度進行移動。據此過程進行建模，即為自變量根據適應度函數大小進行迭代的過程。

2.3 MIV-BAS-Elman模型的建立

平均影響值法（Mean of Impact Value，MIV）可用來評價神經網絡中的變量對輸出的影響，其絕對值大小代表了輸入特征影響網絡輸出的相對重要性。原始數據樣本經過MIV處理后得到新的數據樣本。以MIV數據樣本為基礎建立MIV-BAS-Elman預測模型的流程見圖1。

3 實例分析

3.1 數據樣本和MIV數據集處理

基于文獻[7]中某露天煤礦工程爆破實測數據進行預測，選取數據樣本中5個樣本為測試集，其余20個樣本為訓練集。在樣本數據中，影響爆破振動速度的8個因素依次為孔深L，孔距W，排距l，抵抗線d，堵塞H，最大段藥量Q，高程差h，爆心距S，分別用序號1～8表示。圖2為原始數據樣本的MIV值比較，從圖2可知影響因素序號5在本樣本中對爆破速度的影響可以忽略不計，根據末位淘汰規則，選取淘汰率為15%，可將因素5剔除，由此確定處理后數據樣本的輸入變量為7個。

3.2 模型參數的設定

根據上述7個輸入變量，即可建立Elman網絡輸入層，選擇MSE值最低即預測精度最高的隱含層神經元數目，得到7-15-1的Elman網絡結構。設置網絡迭代次數為1000次，學習速率為0.01。隱含層傳遞函數為tansig，輸出層訓練函數為purelin，反向傳播神經網絡訓練函數為trainlm。反向傳播神經網絡權值/閾值學習函數為learngdm，進行反復試驗后選取天牛須初始步長= 3，步長因子eta = 0.95，迭代次數t = 100。

3.3 模型性能指標的選取

本文選取測試集的相對誤差均值E、判定系數R2以及訓練所需時間作為模型性能指標，使用訓練好的模型對數據測試集的預測值進行計算，計算公式如下：

其中為測試樣本個數， 為模型對第個樣本的預測值， 為測試集中第個樣本的真實值。以相對誤差均值大小評價模型預測精度，誤差越小模型精度越高;判定系數能說明模型中所有輸入變量對輸出變量的聯合影響程度，越靠近1說明模型的擬合優度越高[11]。

3.4 預測結果及對比分析

本文選取了BP、Elman和MIV-GA-Elman作為MIV-BAS-Elman的對比算法模型。圖3為GA算法與BAS算法在優化神經網絡初始權值閾值時的迭代過程對比，可看出BAS算法迭代速度更快。圖4、圖5分別為各算法模型預測效果和相對誤差對比圖。各模型預測性能對比結果見表1。從圖表中可知，Elman神經網絡相對BP神經網絡精度高，MIV算法和智能算法都能夠在一定程度上提高神經網絡預測精度，二者結合的MIV-BAS-Elman預測精度最高、相對誤差最為平穩。

圖3 ? 權值閾值優化過程的適應度曲線對比

4結論

（1）采用MIV算法對于Elman神經網絡數據樣本輸入變量進行篩選，并在變量篩選基礎上加入BAS智能算法對模型的初始權值閾值進行優化，能有效提高模型的預測精度。

（2）結合Elman神經網絡、MIV算法和BAS算法的優點，提出了MIV-BAS-Elman爆破振動速度峰值預測模型，測試結果顯示該模型計算速度快、預測精度高，對于多因素小規模樣本的爆破振動速度預測具有一定的普適性，能較好地用于工程爆破振速的預測。

參考文獻 ：

[1]易長平， 馮林， 王剛等. 爆破振動預測研究綜述[J]. 現代礦業， 2011， （5）：1-5.

[2]馬晨陽， 張漢斌， 袁青等. 基于人工智能方法的地下洞室群爆破振動速度預測[J]. 爆破， 2017（04）：16-20.

[3]何理， 鐘冬望， 陳晨， 等. 巖質高邊坡開挖施工的爆破振動監測與分析[J]. 金屬礦山， 2017（1）.

[4]王建國， 黃永輝， 周建明. 露天煤礦爆破振動的BP神經網絡預測[J]. 河南理工大學學報（自然科學版）， 2016， 35（3）：322-328.

[5]蒲傳金，郭王林，秦曉星， 等.基于BP神經網絡的樁基爆破振動速度預測[J].爆破，2018，35（2）：177-181.

[6]孫文彬， 劉希亮， 王洪斌，等. 基于MIV的拋擲爆破影響因子權重分析[J]. 中國礦業大學學報， 2012， 41（6）：993-998.

[7]張士科，方宏遠， 耿勇強 .基于遺傳BP神經網絡的煤礦爆破振動特征參量預測[J].煤炭科學技術，2018，46（9）：133-139.

[8]賈哲， 郭慶軍， 郝倩雯. 基于Elman-馬爾科夫模型的深基坑變形預測[J]. 人民長江， 2019， （1）：202-206，219.

[9]Wang Y， Zhang， Fujun， Cui， Tao， et al. Fault diagnosis for manifold absolute pressure sensor（MAP） of diesel engine based on Elman neural network observer[J]. Chinese Journal of Mechanical Engineering， 2016， 29（2）：386-395.

[10]JIANG Xiang-yuan， Li Shuai， BAS： Beetle Antennae Search Algorithm for Optimization Problems， international journal of robotics and control.

[11]黃超，龔惠群.基于判定系數和趨勢變動的時間序列逐段線性回歸[J].統計與決策，2006（24）：23-24.