基于支持向量回归的边坡爆破效果预测模型及其建立方法

技术领域

本发明属于边坡爆破施工技术领域，具体涉及基于支持向量回归的边坡爆破效果预测模型及其建立方法。

背景技术

钻爆法是当前岩体开挖工程中应用最有效、最广泛的破岩手段，同时钻爆法也是边坡爆破施工常用的开挖方式。随着光面爆破技术及爆破振动控制技术的发展，越来越多的岩质路堑边坡也将钻爆法作为主要的施工方法。然而在岩质路堑边坡施工过程中，爆破设计方案的优劣，将会直接影响爆破施工质量和成本控制效果，影响针对爆源所采取降震措施的实施效能。合理的爆破参数的选取，可主动控制爆破负面效应对既有结构的影响，减少超欠挖量和围岩的累计损伤，减少边坡支护材料消耗和钻爆施工成本。因此，寻求一种高效的边坡爆破效果预测方法具有重要的现实意义。如专利号CN105719026B公开的一种露天矿滑坡预测方法，该方法建立了作用学滑坡运动新理论，给出了滑坡与爆破及其它作用与滑坡之间的定量关系函数，但由于该方法并未引入新的评价指标，未有效的解决数据的分类、回归等问题，因此并不适用于边坡爆破效果预测。

支持向量回归机(Support Vactor Regression)是将无法在常规空间模式下回归的复杂问题非线性地映射到高维特征空间，只要特征空间向量足够高，之前的空间模式就能转变成一个新的高维特征空间，使得原向量集在新的高维特征空间中进行线性回归；布谷鸟搜索算法有两种搜索能力：局部搜索和全局搜索，由切换/发现概率控制。局部搜索非常密集，大约占搜索时间的1/4，而全局搜索大约占总搜索时间的3/4；这使得搜索空间可以在全局范围内得到更有效的探索，从而以更高的概率找到全局最优性。

因此，如何有效的将支持向量回归机和布谷鸟搜索算法理论应用于边坡爆破效果预测中，对边坡爆破进行精准预测，成为了本领域急需解决的主要问题；针对以上问题，亟需设计一种基于支持向量回归的边坡爆破效果预测模型及其建立方法，以解决上述现有技术存在的问题。

发明内容

针对上述存在的问题，本发明旨在提供基于支持向量回归的边坡爆破效果预测模型及其建立方法，本方法通过提出一种CS规则和SVR相结合的估算模型，利用CS规则的信息提取能力，提取并融合数据中的证据信息获取融合信度矩阵，将其输入经布谷鸟搜索(Cuckoo Search，CS)优化的SVR模型，能有有效提高输出估算结果，提升估算精度，具有估算精度高、鲁棒性好和预测效果好的特点。

为了实现上述目的，本发明所采用的技术方案如下：

基于支持向量回归的边坡爆破效果预测模型的建立方法，包括

步骤S1.在爆破前根据工程背景，选择CS-SVR模型的工程输入参数；

步骤S2.初始化工程参数和鸟巢；

步骤S3.寻找最优鸟巢位置

以均方误差作为适应度函数，计算适应度值，找出当前最小适应度值和对应的鸟巢位置；

步骤S4.更新鸟巢位置；

步骤S5.判断新鸟巢适应度值与上一代适应度值，如果新鸟巢适应度值更优，就更新鸟巢位置，否则保持上次位置；

步骤S6.以随机步长改变其他鸟巢位置，判断新鸟巢与原鸟巢的适应度值，如新鸟巢值更优，则替换原鸟巢位置，否则保留原鸟巢位置；

步骤S7.根据最优鸟巢位置，比较是否到达设置迭代次数，到达设置迭代次数，则该位置为最优位置，否则从S3重新执行；

步骤S8.根据最优参数结果建立爆破效果预测模型。

优选的，步骤S1所述的选择CS-SVR模型的工程输入参数的过程包括

步骤S11.根据工程背景，将爆破方案设计指标划分为振动控制设计参数、质量控制设计参数、经济性控制设计参数三个部分；

步骤S12.在轻型梯度提升机模型中，利用决策树对工程输入参数进行迭代训练：

式中：x为自变量，为爆破参数；f

步骤S13.设本次迭代所获得的累加模型为F

Obj

式中：y为因变量；N为样本数量；Ω(f

优选的，利用轻型梯度提升机模型对影响因素进行分析，得到抗拉强度、爆破抵抗线、台阶破面角以及炸药单耗4个影响因素，选择这4个影响因素作为指标；

采用综合考虑岩石性质、风化程度、施工条件、炸药性能动态因素的“五步法”确定合理炸药单耗，具体表示为：

q＝k

式中：q为炸药单耗；q

优选的，步骤S2所述的初始化工程参数和鸟巢的过程包括

步骤S21.设置迭代次数T、鸟巢数量n、被宿主发现的概率P

其中，所述的迭代次数T、鸟巢数量n、被宿主发现的概率P

步骤S22.随机生成N个鸟巢的位置，所有鸟巢的位置均由参数(C，g)组成。

优选的，步骤S4所述的更新鸟巢位置的过程包括

用Levy飞行算法更新N个鸟巢的位置，通过Levy飞行算法实现对全局探索性的随机游走：

其中，α＞0是步长比例因子。

优选的，步骤S5所述的判断新鸟巢适应度值与上一代适应度值，如果新鸟巢适应度值更优，就更新鸟巢位置，否则保持上次位置的具体过程包括

步骤S51.设置鸟巢的个数为n，搜索空间的维数为d，初始化鸟巢的位置

步骤S52.进入循环体：

步骤S53.找出上一步中最后得到的p

优选的，步骤S52所述的进入循环体的循环过程包括

(1)保留上代最优鸟巢的位置，为整数，并利用局部游走公式更新其他鸟巢的位置，局部随机游走写成：

其中，

(2)利用Levy飞行算法得到一组新的鸟巢的位置

(3)与上一组产生的鸟巢位置

(4)通过位置更新后，用随机数γ＝[0,1]与宿主鸟发现外来鸟蛋的概率是p

优选的，步骤S6所述的以随机步长改变其他鸟巢位置的过程包括

S601.通过位置更新后，用随机数γ＝[0,1]与宿主鸟发现外来鸟蛋的概率是p

S602.保留g

S603.找出S602中最后得到的p

本发明的有益效果是：本发明公开了基于支持向量回归的边坡爆破效果预测模型及其建立方法，与现有技术相比，本发明的改进之处在于：

1.本发明提供了一种基于支持向量回归的边坡爆破效果预测方法，本方法通过将支持向量机回归和布谷鸟算法理论应用于边坡爆破设计合理性的分析与评价中，联合布谷鸟算法及支持向量回归模型以提升模型的优化效果，建立精度较高的CS-SVR预测模型；能够对爆破方案进行合理的优化，实现边坡工程的高效施工，具有估算精度高、鲁棒性好和预测效果好的优点；

2.本发明建立了爆破方案评价指标体系；在边坡爆破中，矿岩对爆破作用的抵抗能力与其岩体物理力学性质及地质条件有关。其中，在矿岩的物理力学性质中与爆破作用有关的主要参数一般来说有密度、孔隙率、岩石的风化程度、岩石的波阻抗、岩石的抗冻性、岩石的变形特征、单轴抗压强度、单轴抗拉强度、抗剪强度等参数。通过轻型梯度提升机模型选择了评价指标，使方案评价结果更能体现爆破设计的综合效果。支持向量机回归方法可以有效地解决分类、回归等问题，使方案的评价过程更为合理、可靠。

附图说明

图1为本发明基于支持向量回归的边坡爆破效果预测模型的建立路线图。

图2为本发明爆破效果影响因素重要性对比图。

图3为本发明支持向量机回归原理图。

图4为本发明布谷鸟算法原理图。

具体实施方式

为了使本领域的普通技术人员能更好的理解本发明的技术方案，下面结合附图和实施例对本发明的技术方案做进一步的描述。

实施例1：参照附图1-4所示的基于支持向量回归的边坡爆破效果预测模型的建立方法，包括

步骤S1.在爆破前根据工程背景，利用轻型梯度提升机模型(LightGBM)选择CS-SVR模型的工程输入参数

步骤S11.根据工程背景，将爆破方案设计指标划分为振动控制设计参数、质量控制设计参数、经济性控制设计参数三个部分；

步骤S12.在轻型梯度提升机模型(LightGBM)中，轻型梯度提升机模型(LightGBM)的主要思想是利用决策树对工程输入参数进行迭代训练，以得到最优模型：

式中：x为自变量，在本实施例中为爆破参数；f

所述爆破参数包括单耗、单段最大药量、工作面宽以及爆破抵抗线4个相对重要的影响因素，选择这4个影响因素作为指标，其中

(1)作为爆破减震最直接有效的方式，单段最大药量具有随着邻近结构特点及爆心距的改变临界药量评判标准亦随之改变的特性；基于萨道夫斯基经验公式，结合现场振动监测数据回归分析得到受控对象与爆源之间的地形、地质条件有关系数K和衰减系数；将其转化为Q的函数，在爆心距已知时即可得到单段药量允许值：

Q＝R

式中：V为质点振速(cm/s)；Q为单段药量(kg)；R为爆心距(m)；

(2)炸药单耗的确定中，采用综合考虑岩石性质、风化程度、施工条件、炸药性能等动态因素的“五步法”确定合理炸药单耗，具体表示为：

q＝k

式中：q为炸药单耗；q

步骤S13.设本次迭代所获得的累加模型为F

Obj

式(2)-(4)中：y为因变量；N为样本数量；Ω(f

步骤S2.初始化工程参数和鸟巢；

步骤S21.设置迭代次数T、鸟巢数量n、被宿主发现的概率P

其中，所述的迭代次数T、鸟巢数量n、被宿主发现的概率P

(寻优参数即为C-惩罚因子，C越大，分类越严格，不能有错误，C越小，意味着有更大的错误容忍度；g-参数gamma主要是对低维的样本进行高度度映射，gamma值越大映射的维度越高，训练的结果越好，但是越容易引起过拟合，即泛化能力低)

步骤S22.随机生成N个鸟巢的位置，所有鸟巢的位置均由参数(C，g)组成；

步骤S3.寻找最优鸟巢位置

以均方误差作为适应度函数，计算适应度值，找出当前最小适应度值和对应的鸟巢位置；

步骤S4.更新鸟巢位置

用Levy飞行算法更新N个鸟巢的位置，其全局探索性随机游走通过Levy飞行算法实现：

而，

其中，这里α＞0是步长比例因子，它与感兴趣问题的规模相关；在大多数情况下，我们可以使用α＝O(L/10)，L是感兴趣问题的特征量表，而在某些情况下，α＝O(L/100)可以更有效，避免飞得太远；述方程本质上是随机行动的随机方程；一般来说，随机游走是一个马尔可夫链，其下一个状态/位置仅取决于当前位置(上述等式中的第一项)和转移概率(第二项)；

步骤S5.判断新鸟巢适应度值与上一代适应度值，如果新鸟巢适应度值更优，就更新鸟巢位置，否则保持上次位置，其具体过程包括

步骤S51.首先，设置鸟巢的个数为n，搜索空间的维数为d，初始化鸟巢的位置

步骤S52.然后进入循环体：

(1)保留上代最优鸟巢的位置，为整数，并利用局部游走公式更新其他鸟巢的位置，局部随机游走可以写成：

其中，

(2)利用Levy飞行算法得到一组新的鸟巢的位置

(3)与上一组产生的鸟巢位置

(4)通过位置更新后，用随机数γ＝[0,1]与宿主鸟发现外来鸟蛋的概率是p

步骤S53.最后，找出上一步中最后得到的p

步骤S6.以随机步长改变其他鸟巢位置，判断新鸟巢与原鸟巢的适应度值，如果新鸟巢值更优，则替换原鸟巢位置，否则保留原鸟巢位置，这样产生了最新的鸟巢位置；

步骤S7.根据最优鸟巢位置，比较是否到达设置迭代次数，到达设置迭代次数，则该位置为最优位置，否则从S3重新执行。最后得到的最优鸟巢位置为SVR中参数和参数的最优值；

步骤S8.根据最优参数结果建立爆破效果预测模型。

优选的，步骤S6所述的以随机步长改变其他鸟巢位置的过程包括

S601.通过位置更新后，用随机数γ＝[0,1]与宿主鸟发现外来鸟蛋的概率是p

S602.保留g

S603.找出S602中最后得到的p

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。