申请/专利权人：北方矿业有限责任公司

申请日：2024-03-13

公开（公告）日：2024-06-07

公开（公告）号：CN118153434A

主分类号：G06F30/27

分类号：G06F30/27;G06N3/006;G06N3/088

优先权：

专利状态码：在审-公开

法律状态：2024.06.07#公开

摘要：本发明涉及一种地表爆破振动预测方法SONN‑MRFO，旨在提供一种爆破诱发地表质点峰值振动速度预测方法，可以在全域中寻找最优，避免算法陷入局部极值，本发明利用自组织神经网络SONN和蝠鲼觅食优化MRFO算法两者各自优点，建立杂交模型SONN‑MRFO，放弃了传统SONN中的梯度降算法，而采用蝠鲼觅食优化MRFO算法来训练SONN模型的第二阶段，生成和优化各种权重集，然后将它们导入SONN模型的第二阶段，并使用适应度函数来计算模型的误差值。通过多次迭代重复此过程，最终获得全域内最优值，提高质点峰值振动速度PPV预测结果的准确性。在提高预测结果准确性、保障采坑边坡和人员设备安全的同时，降低对预测人员的专业性要求，并提高预测效率。

主权项：1.一种地表爆破振动预测方法，其特征是：SONN模型在网络训练期间的两个阶段中，第一阶段通过免疫算法进行优化，采用蝠鲼觅食优化即MRFO算法来训练SONN模型的第二阶段，建立杂交模型SONN-MRFO，具体包括以下步骤：S1：建立爆破数据库收集历史爆破数据，形成该矿山专用爆破数据库，该历史爆破数据包括条件参数以及结果参数：所述条件参数包括爆破的抵抗线、测点距离、孔间微差时间、炮孔数量、孔距、排距、最大孔深、总药量以及最大一段药量；所述结果参数包括目标质点在XYZ三个方向的振动速度PPV；S2：参数归一化处理对所述条件参数进行归一化处理，作为输入数据；对所述结果参数进行归一化处理，作为期望输出数据；S3：建立数据集每一组输入数据和对应期望输出数据组合形成一个数据组，所有数据组作为一个数据集；将数据集中随机60-90％的数据组分配为训练数据，用于对SONN-MRFO模型进行训练和优化，剩余10％-40％的数据组则作为测试数据，用于测试SONN-MRFO模型在实际工程中的性能，以验证其有效性；S4：训练模型将上述训练数据输入SONN-MRFO模型，第一阶段采用自组织神经网络即SONN的免疫算法计算输入层和隐藏层之间的权值，第二阶段采用蝠鲼觅食算法优化隐藏层和输出层之间的权值；模型运行种群规模NP个和迭代次数T次，获得该模型的适应度值，进而选择最佳参数，选定模型最佳参数后，对预测模型进行再训练，获得各模型的PPV预测结果；S5：验证模型将上述预测结果与上述测试数据相对比，验证模型的预测结果是否满足实际需求，若不满足，可通过增加数据集数量、种群规模和迭代次数，做进一步训练，直到模型输出预测结果满足实际需求。

全文数据：

权利要求：

百度查询： 北方矿业有限责任公司 一种地表爆破振动预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD