(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111349702.7 (22)申请日 2021.11.15 (71)申请人 北京奥信化工科技发展 有限责任公 司 地址 100040 北京市石景山区政达路6号院 3号楼北方国际大厦5层 申请人 武汉科技大 学 (72)发明人 银开州　董镇林　孙继林　蔡远松　 翟小鹏　叶健　伍世虔　 (74)专利代理 机构 北京远大卓悦知识产权代理 有限公司 1 1369 代理人 吴朝阳 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 基于RBF神经网络的爆破块度预测方法 (57)摘要 本发明公开了一种基于RBF神经网络的爆破 块度预测方法， 包括： 步骤一、 基于历史爆 破数据 构建包括爆破设计参数、 岩石系数、 平均块度的 训练数据集， 其中， 岩石系数基于反映岩石性质 的多组数据计算得到； 步骤二、 构建RBF神经网 络， 以训练数据集的爆破设计参数、 岩石系数为 输入层， 以平均块度为输出层， 训练RBF神经网 络， 以确定RBF神经网络的隐层， 隐层与输出层之 间的权重系数， 即得训练完成的RBF神经网络； 步 骤三、 输入爆 破设计参数和待爆 破位置处的岩石 系数至训练完成的RBF神经网络， 输出得到平均 块度。 本发明具有RBF神经网络契合爆破数据的 分布特征， 输入数据维度少， 且预测准确度高的 有益效果。 权利要求书2页 说明书6页 附图3页 CN 114186478 A 2022.03.15 CN 114186478 A 1.基于RBF神经网络的爆破块度预测方法， 其特 征在于， 包括以下步骤： 步骤一、 基于历史爆破数据构建包括爆破设计参数、 岩石系数、 平均块度的训练数据 集， 其中， 岩石系数基于反映岩石性质的多组数据计算得到； 步骤二、 构 建RBF神经网络， 以训练数据集的爆破设计参数、 岩石系数为RB F神经网络的 输入层， 以训练数据集的平均块度为输出层， 训练RBF神经网络， 以确定RBF神经网络的 隐层 结构， 以及隐层与输出层之间的权 重系数， 即得训练完成的RBF神经网络； 步骤三、 输入爆破设计参数和待爆破位置处的岩石系数至步骤二中训练完成的RBF神 经网络， 输出 得到的平均块度即为预测平均块度。 2.如权利要求1所述的基于RBF神经网络的爆破块度预测方法， 其特征在于， 爆破设计 参数包括： 排距、 孔距、 台阶高度、 孔径、 堵塞长度、 单孔装药量、 炸药系数。 3.如权利要求1所述的基于RBF神经网络的爆破块度预测方法， 其特征在于， 岩石系数 采用公式1计算： A＝0.06×(RMD+SDI+HF)    公式1 其中， RMD代表岩体描述、 岩石节理对应的取值， SDI代表密度影响对应的取值， HF代表 硬度系数； 当岩体是粉状岩或者 易碎岩时， RMD＝10； 当岩体为 块状岩时， RMD＝5 0； 当岩体为垂直节理岩时， RMD＝JF＝(JCF ×JPS)+JPA； JCF表示节理面状况对应的取值， 当节理面状况为紧密时， JCF＝1， 当节理面状况为松 弛时， JCF＝1.5， 当节理面状况为泥层时， JCF＝2； JPS表示节理面间距对应的取值， 当节理面间距< 0.1m时， JP S＝10； 当节理面间距0.1～0.3m之间时， JP S＝20； 当节理面间距0.3～P之间时， JP S＝80， P＝(孔距 ×排距)0.5； 当节理面间距≥P时， JP S＝50； JPA表示节理面角对应的取值， 当节理面角为水平时， JPA＝10； 当节理面角为同向时， JPA＝20； 当节理面角为垂直时， JPA＝3 0； 当节理面角为逆向时， JPA＝ 40； SDI＝25×RD‑50， 其中， RD为岩石密度； 当杨氏模量E ≤50时， 当杨氏模量E>5 0时， 其中， UCS表示单轴抗压强度。 4.如权利要求1所述的基于RBF神经网络的爆破块度预测方法， 其特征在于， 还包括训 练RBF神经网络前， 采用公式2标准 化处理训练数据集： 其中， data′为标准化处理后的数据， data为训练数据 集的原始数据， avr为训练数据集权　利　要　求　书 1/2 页 2 CN 114186478 A 2内同一类参数 数据的平均值， std为同一类参数 数据的标准差 。 5.如权利要求1所述的基于RBF神经网络的爆破块度预测方法， 其特征在于， 采用高斯 函数作为径向基函数， 采用正交最小二乘法选取确 定RBF神经网络的神经元， 以确定RBF神 经网络的隐层， 具体方法为： (1)以所有的训练集数据作为RBF神经 元， 获取经RBF神经 元处理后的回归向量； (2)计算每个回归向量对训练误差的影响， 选 取影响最大的一个回归向量v1对应的原始 数据作为第一个RBF神经 元； (3)分别将剩余回归向量v2～vk与之前选择的回归向量进行正 交化， 从正 交化之后的回 归向量中， 选择对降低训练误差影响最大一个回归向量对应的原始数据作为一个新的RBF 神经元； (4)重复步骤(3)k ‑1次， 即获得k个RBF神 经元， 该k个RBF神 经元即构成当前RBF神 经网 络的隐层。 6.如权利要求5所述的基于RBF神经网络的爆破块度预测方法， 其特征在于， 采用LM算 法确定隐层与输出层之间的权 重系数， 具体方法为： (1)采用随机数初始化RBF神经网络的隐层和输出层之间的参数， 并计算当前参数下的 RBF神经网络的平均块度的输出值； (2)采用BP算法得到平均块度的输出值对每个权重系数的梯度， 进而计算出雅可比矩 阵矩阵J； (3)计算当前参数的误差梯度： g＝J'*residual 其中， J′为雅可比矩阵的转置， residual为训练数据集中的平均块度的真实值减去步 骤(1)中当前神经网络下的平均块度的输出值， g为 误差下降的速度， 即误差梯度； (4)计算步长： Δ＝(J*J'+ μI)‑1*g 其中， Δ为每次迭代参数 更新的步长， I 为一个单位矩阵， μ为人为设定的系数； (5)更新RBF神经网络隐层和输出层之间权 重参数： weight′＝weight‑Δ 其中， weight ′为当前迭代后的权 重参数， weight为当前迭代前的权 重参数； (6)重复步骤(2)～(5)， 直到 达到预设的迭代次数。 7.电子设备， 其特征在于， 包括： 至少一个处理器， 以及与所述至少一个处理器通信连 接的存储器， 其中， 所述存储器存储有 可被所述至少一个处理器执行的指 令， 所述指 令被所 述至少一个处理器执行， 以使所述至少一个处理器执行权利要求1～6中任一项所述的方 法。 8.存储介质， 其上存储有计算机程序， 其特征在于， 该程序被处理器执行时， 实现权利 要求1～6中任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 114186478 A 3