基于CSSA-BPNN模型的胶结充填体动态抗压强度预测.pdf

第14卷第2 期2024年2 月doi:10.3969/j.issn.2095-1744.2024.02.013有色金属工程Nonferrous Metals EngineeringVol.14,No.2February2024基于CSSA-BPNN模型的胶结充填体动态抗压强度预测王小林1，梅佳伟1,郭进平1，卢才武1，王（1.西安建筑科技大学资源工程学院，西安7 10 0 55；2.西安智慧工业感知计算与决策重点实验室，西安7 10 0 55)摘要：充填采矿法二步骤回采时胶结充填体稳定性受爆破扰动而降低。为快速准确地获得充填体动态抗压强度，利用分离式霍普金森压杆（SHPB)进行了40 组不同应变率的单轴冲击实验，以灰砂比、充填体密度、养护龄期和平均应变率作为输人参数，充填体动态抗压强度作为输出参数，建立了一种基于Logistic混沌麻雀搜索算法（CSSA)优化BP神经网络（BPNN)的预测模型，并与传统BPNN和麻雀搜索算法优化的BPNN进行了对比分析。结果表明：CSSA-BPNN模型的平均相对误差为4.11%，预测值与实测值之间拟合的相关系数均在0.96 以上，模型预测精度高。CSSA-BPNN模型的均方根误差为0.3 950 MPa，平均绝对误差为0.3592MPa，决定系数为0.9952,均优于另外两种预测模型。实现了对充填体动态抗压强度的准确预测，可大幅减小物理实验量，为矿山胶结充填体的强度设计提供了一种新方法。关键词：混沌麻雀搜索算法（CSSA)；BP神经网络（BPNN)；胶结充填体；分离式霍普金森压杆（SHPB）；动态抗压强度中图分类号：TD853.34Prediction of Dynamic Compressive Strength of Cemented Backfill颂1,2，李泽峰1文献标志码：A文章编号：2 0 95-17 44（2 0 2 4)0 2-0 0 92-10Based on CSSA-BPNN ModelWANG Xiaolin,MEI Jiaweil-2,GUO Jinping,LU Caiwul-2,WANG Songl2,LI Zefeng(1 School of Resources Engineering,Xian University of Architecture and Technology,Xian 710055,China;2 Xian Key Laboratory for Intelligent Industrial Perception,Calculation and Decision,Xian University of Architecture and Technology,Xian 710055,China)Abstract:The stability of cemented backfill is compromised via blasting disturbances in the two-step stopingmethod.To obtain the dynamic compressive strength of the backfill quickly and accurately,4o sets of uniaxial impactexperiments with different strain rates were conducted using the separated Hopkinson pressure bar(SHPB).Inputparameters included the lime-sand ratio,backfill density,curing age,and average strain rate,while the dynamiccompressive strength of the backfill served as the output parameter.A prediction model,optimized using thebackpropagation neural network(BPNN)based on the logistic chaotic sparrow search algorithm(CSSA),wasestablished and compared with the BPNN optimized by the traditional BPNN and sparrow search algorithm.Theresults demonstrate that the average relative error of the CSSA-BPNN model is 4.11%,with fitting correlation收稿日期：2 0 2 3-0 9-0 6基金项目：国家自然科学基金面上项目（5197 42 2 3）Fund:Supported by General Program of National Natural Science Foundation of China(51974223)作者简介：王小林（1991一），男，博士，讲师，主要研究方向为膏体充填理论与技术。通信作者：郭进平（197 0 一），男，硕士，副教授，主要研究方向为采矿技术及矿山安全。引用格式：王小林，梅佳伟，郭进平，等，基于CSSA-BPNN模型的胶结充填体动态抗压强度预测 JJ.有色金属工程，2 0 2 4，14（2)：92-10 1.WANG Xiaolin,MEI Jiawei,GUO Jinping,et al.Prediction of Dynamic Compressive Strength of Cemented Backfill Based on CSSA-BPNN ModelJJ.Nonferrous Metals Engineering,2024,14(2):92-101.第2 期coefficients among the predicted and measured values exceeding 0.96,indicating high prediction accuracy.The root-mean-square error of the CSSA-BPNN model is 0.395 0 MPa,the average absolute error is 0.359 2 MPa,and thecoefficient of determination is 0.995 2,all of which outperform the other two prediction models.This enablesaccurate prediction of the dynamic compressive strength of the backfill,greatly reducing the need for physicalexperiments and providing a novel approach to the strength design of mine cemented backfill.Key words:chaotic sparrow search algorithm(CSSA);BP neural network(BPNN);cemented backfill;splithopkinson pressure bar(SHPB);dynamic compressive strength充填采矿法可有效提高矿石回收率、控制采区地压、减少尾砂等废料排放，符合矿山绿色、安全的发展理念，受到许多矿山的青 1-3。采场二步骤回采时，矿柱中进行的爆破作业使矿柱两侧邻近充填体承受着变化较快的动态载荷作用，造成充填体内部微裂隙及损伤，因此需充分了解充填体的动态抗压强度以保证相邻充填体及采场的稳定性 4-5。国内外众多学者研究了影响充填体强度的多种因素，如灰砂比、充填体密度、养护龄期等 6-8，这些影响因素之间具有复杂的非线性关系。充填体动态抗压强度区别于单轴抗压强度，应变速率是影响充填体动态抗压强度的重要因素之一，不同的应变速率作用下充填体的力学特性会产生显著的变化9。因此，研究充填体在不同应变速率条件下的抗压强度具有重要的理论和实践价值。目前主要通过室内实验研究充填体动态抗压强度 10-11，然而充填体动态抗压强度实验耗时费力，迫切需要一种快速、经济、高精度的方法来预测不同应变速率下充填体的动态抗压强度。随着人工智能在处理复杂多因素、非线性问题上的快速发展，国内外诸多学者针对人工智能算法在单轴抗压强度预测方面进行了广泛的研究。如QI等 12 1在广泛力学实验数据基础上，建立了一种粒子群优化与增强回归树相融合的预测模型，能够有效预测胶结充填体的强度。QI等 13 1将遗传规划(GP)与三种机器学习模型(DT、G BM 和RF)用于预测充填体的抗压强度，验证了GP的预测效果更好。王志会等 14为了预测一定法向压力下充填体-围岩界面的抗剪强度，建立了粒子群优化的神经网络预测模型。邓念东等 15采用主成分分析和神经网络模型预测风积砂充填体的强度，结果表明该模型预测精度高。马高等 16 将神经网络模型应用于预测碳纤维增强复合材料约束混凝土的抗压强度，研究了不同数据组合对神经网络预测能力和输出性能的影响。吴顺川等 17 基于7 种学习模型并结合Stacking集成算法建立了岩石单轴抗压强度预测集王小林等：基于CSSA-BPNN模型的胶结充填体动态抗压强度预测93成模型，结果表明，相较于其他集成模型，Stacking集成模型具有更好的预测效果。鉴于上述人工智能方法在预测单轴抗压强度问题中的成功应用，可以进一步将人工智能方法扩展到动力学特性研究中。国内外学者利用人工智能方法在岩石和混凝土材料动态抗压强度预测方面进行了一些研究，如WEI等 18 基于支持向量机、反向传播神经网络和随机森林算法训练3 个机器学习模型，确定了不同输入参数在岩石动态抗压强度预测中的重要性。ZHENG等 19利用堆叠集成学习和遗传算法对模型参数进行优化，高精度地预测了玄武岩纤维增强混凝土的动态抗压强度，结果表明应变率对动态增长因子的影响最显著，试样直径和抗压强度次之。LONG等 2 0 1将分离式霍普金森压杆(SHPB)实验仿真模拟与不同的机器学习模型相结合，高效准确地预测了高应变率下混凝土类材料应力-应变曲线。以上研究在应用人工智能方法预测充填体、岩石以及混凝土的单轴抗压强度取得了一些成果，也在岩石和混凝土材料动态抗压强度预测方面取得了一定进展。随着充填采矿技术在金属矿山内的广泛应用，矿山充填基础理论与应用技术也得到了迅速发展 2 11，目前主要基于有限实验数据和回归分析方法研究应变率与动态抗压强度之间的关系 2-2 3,利用人工智能方法对充填体动态抗压强度预测的研究较少。为此，本文利用SHPB单轴冲击实验得到的40组充填体动态抗压强度数据作为训练集和测试集，采用Logistic混沌映射优化后的麻雀搜索算法(CSSA)对BPNN的权值和阈值寻优，选择灰砂比、充填体密度、养护龄期及平均应变率作为预测胶结充填体动态抗压强度的输人参数，建立胶结充填体动态抗压强度CSSA-BPNN预测模型，以期实现对充填体动态抗压强度的高精度预测。这对优化相邻采场回采时间以及爆破参数，提高矿柱回采率，保证采场二步骤采矿作业的安全高效进行具有十分重要的意义，同时为以后此方面的研究提供一定的指导作用。941实验1.1实验材料与试件制备制作充填体的全尾砂取自某铁矿选矿厂，采用Mastersizer3000型激光粒度分析仪测试尾砂粒径，级配曲线如图1所示。尾砂粒度dio为2 3.48 m，dgo为6 3 2.6 5m，中值粒径为2 19.45m，颗粒较粗。尾砂化学成分如表1所示，其中二氧化硅含量达到6 7.7 2%，利于充填体强度形成。胶凝材料采用P.O42.5硅酸盐水泥，拌和水为普通自来水。实验选取的三种灰砂比分别为1：4、1：6 和1：8,充填料浆质量浓度为7 8%。按设定配比制备均质料浆后，倒入圆柱形亚克力模具(直径50 mm，高50 mm）中进行浇筑，初凝48 h后拆模并将试件放入2 0 和95%湿度的养护箱内分CompositionsContents1.2实验方案实验采用 50 mm分离式霍普金森压杆(SHPB)实验系统，如图2 所示，该SHPB系统中的人射杆长度为3 m，透射杆长度为2.5m，杆的直径为50 mm，杆件材料为合金钢，撞击杆（子弹）长度为有色金属工程别养护14、2 8 和6 0 d。对养护完成的充填体两端进行打磨处理，测量高度、直径并计算试件密度。8100Incremental907Cumulative654321Fig.1Particle size distribution of tailings表1全尾砂化学组成Table 1Chemical composition of whole tailing sandFe2O3SiO220.6567.72第14卷80706050403020101001000010Tailings grain size/m图1尾砂颗粒粒径分布MgOAl2033.162.050.4m，杆件弹性模量为2 0 6 GPa，密度为7.7 4g/cm，应变片灵敏度系数为2.0 2。子弹与压杆同轴，在充填体与杆件接触面的两端涂抹一层凡士林，保证充填体与杆件完全贴合，以满足一维应力波理论和应力平衡假设 2 40/10CaoOther4.661.76(a)SHPB experimental device system diagramStrikerParallel lightStraingaugeIncidentbarSampleTransmitted barStraingaugeAbsorptionbarDamperVelocimeterUltra dynamic strain gauge(b)SHPB experimental system schematic图2 SHPB实验系统Fig.2SHPB experimental systemData processing system第2 期1.3实验数据达到养护龄期后，对试件进行SHPB单轴冲击实验。由于该铁矿采用分段空场嗣后充填采矿法，二步骤回采时对邻近充填体产生的爆破荷载属于中等应变率(1X10-31X10 s-1)范围 2 5，因此本实Cement-sandDensity/Numbersratio14-4-21:414-6-21:614-8-21:828-4-21：428-6-21:628-8-21:860-4-21:460-6-21:660-8-21:82CSSA-BPNN理论模型2.1混沌优化的麻雀搜索算法(CSSA)麻雀搜索算法是一种元启发式优化算法，灵感来源于麻雀在觅食过程中的不同行为，通过模拟麻雀的觅食行为和逃避危险的行为，找寻问题的最优解。该算法优点是收敛速度较快，局部搜索能力也较强，但全局的搜索能力较弱，也容易陷入局部最优而无法跳出。因此，本文利用Logistic混沌映射对种群进行初始化处理，使得初始解呈均匀分布，从而达到增强算法全局搜索能力的目的。2.1.1SSA算法麻雀搜索算法（SSA）将麻雀个体分类为发现者、跟随者和侦察者，其身份在觅食过程中会随时改变。发现者在种群内充当全局搜索和寻找食物的角色，获取食物能力强，而自然状态下，鸟群中的个体间通常会相互监视，跟随者为了提高自身的捕食率，会依据发现者提供的线索觅食，部分跟随者则会转化成新的发现者。侦察者起到探视种群是否危险的作用,在觅食的过程中,种群中的所有个体均会对周围环境保持警惕。种群迭代中发现者的位置更新描述如下：Yi.;exp(Yu=(Yl.,+Q L,R2 ST式中，Yi,表示第i个麻雀在第i维中的位置信息；t表示当前的迭代次数；N为最大迭代次数；E（0,1为随机数;RE（0,1和STE 0.5,1王小林等：基于CSSA-BPNN模型的胶结充填体动态抗压强度预测Table 2 Partial experimental dataCuringAverageage/d(kg m-3)142143142123142077282226282191282117602260602136602108,R2ST(1)95验采用47 m/s的冲击速度对各组试件进行冲击，获取中等应变率下充填体的动态抗压强度。部分实验数据如表2 所示，编号含义为龄期一灰砂比一试件序号。表2 部分实验数据strain rate/(1 s-1)885354687780508482分别表示种群的预警值和安全值。Q是服从标准正态分布的随机数;L是一个1行d列且元素都为1的矩阵。当Rn/2时，表示第i个跟随者在当前区域未能得到食物，需前往其他区域进行觅食。当i取其他值时，表示第i个跟随者会在Y寸1附近随机寻找合适地方觅食。侦察者的位置更新描述如下：Yi+./Yi.,-Yi,c;+CYu1Y.,-YuYi.,+W.(,Ci=Cg(ci-c)+p)(3)式中，Y，表示当前全局最优位置；是服从标准正态分布的随机数；WE一1,1表示麻雀移动的方向的随机数；ci是第i个麻雀的适应度值；是防止分母为0 的极小常数；C和c分别表示当前全局最优和最差的适应度值。Cicg表示麻雀易被捕食；ci=Cg表示麻雀意识到危险，应该立即前往安Speed/(m s-l)6.7434.7674.9365.6035.4375.3604.6195.5865.338n2Dynamic compressivestrength/MPa14.126.354.5316.789.007.4116.428.806.2196全区域。2.1.2Logistic混沌映射混沌现象属于复杂的非线性动力系统行为之一，具有随机、遍历和规律性的特点，因此在优化搜索研究中应用广泛。混沌变量的引人可大幅提升全局搜索能力，减少局部最优解的发生。Logistic映射作为混沌映射的典型代表，其数学表达式如下：Xn+1=kX,(1-X,)(4)式中,Logistic映射控制参数k Eo,4，决定了Logistic映射的演变过程，X，E（O,1代表第n次迭代后Logistic 映射得到的函数值。2.1.3混沌优化的SSA算法CSSA算法表示在初始化种群时，应用Logistic映射生成的混沌序列对 SSA算法的参数进行初始化，使得初始解呈均匀分布，增加种群的多样性，能够有效缓解局部最优现象等问题，提高搜索算法的精度 2 6。其流程如图3 所示。StartRandom initialization ofchaotic.variablesUpdatechaotic variablesNoReaching chaosteration imesYesOutput chaotic sequence图3 CSSA算法流程图Fig.3Flowchart of CSSA algorithm2.2BPNN算法反向传播神经网络（BPNN)是一种由输入层、隐含层和输出层组成的多层前馈网络。BPNN基于梯度下降法，数据由输入层传递至隐含层，进行逐层处理，最后在输出层输出结果。如果输出值没有达到设定要求，则将误差反向传播至输入层，更新网络的权值和阈值，达到缩小BPNN输出值与期望值之间误差的目的。经过模型的反复学习训练，网络有色金属工程参数不断修正，误差值不断缩小，误差达到允许的范围或达到设定的训练次数时网络停止训练。初始时BPNN模型的权值以及阈值为随机选取，因此在进行非线性拟合时存在网络收敛速度慢和陷入局部极小值等问题。本文通过引人混沌麻雀搜索算法来改进传统BP神经网络算法，使最终输出结果更加接近期望值，以提高预测模型的精准度。2.3CSSA-BPNN模型的计算流程根据CSSA算法具有收敛速度更快、搜索寻优能力更强的特点，本文将CSSA与BPNN结合，对传统BPNN模型进行了优化。CSSA-BPNN模型的计算流程如图4所示。Data standardizationTraining setOutput optimized BPNN weightsand thresholdsSSA algorithm parameter initializationCalculate initial fitness valueCalculate the warning value and updatethelocation of thediscoverer based onthe warning value立Update fllower positionUpdate scout locationUpdate fitness values andoptimal locationwhetheror notreaching maximumYes1Output optimized BPNN weightsand thresholds第14卷StartTest setBPNN modelconstructionBPNN model predictionModel performanceevaluationEnd图4CSSA-BPNN模型计算流程Fig.4CSSA-BPNN model computational flowNo3月胶结充填体动态抗压强度预测3.1数据处理为了使模型有更好的预测效果和更强的泛化能力，将SHPB实验得到的40 组数据样本按3：1的比例随机划分为训练集和测试集。在网络训练之前，需要对不同量纲的样本数据进行归一化处理，以避免数据的奇异性导致网络无法收敛。采用Z-score方法进行数据归一化，计算公式如下：yiyiY=(5)第2 期式中，Y；为第i个属性的第i个样本值标准化后的值，y；为第i个属性的第个原始样本值，为第i个属性列的所有样本均值。3.2模型参数选择对于BPNN模型的各层神经元个数，输入层节点为样本特征数量，节点数取4；输出层节点为预测值数量，节点数取1。隐藏层节点的取值大多根据经验性规则，并运用试错法进行确定，如隐藏层节点ModelsBPNNCSSA3.3模型预测结果分析表4所示为采用CSSA-BPNN模型对充填体强度进行预测的预测值、绝对误差以及相对误差。由表4可以看出，CSSA-BPNN模型对强度的预测值与实测值之间的相对误差为0.7 8%9.97%，平均相对误差为4.11%，由于数据分布不平衡导致样本序号1的相对误差较大；绝对误差为0.152 2 Table 4 Comparison of predicted and measured values of CSSA-BPNN modelMeasuredSample numbervalue/MPa16.660026.2400316.9300419.480056.976.0619.6700716.020089.000093.9700108.5000王小林等：基于CSSA-BPNN模型的胶结充填体动态抗压强度预测表3 CSSA-BPNN模型参数取值Table 3CSSA-BPNN model parameter valuesParameterNumber of network training sessionsLearning rate learning rateMinimum error of training objectivesInput layernodeHide layer nodesOutput layer nodeInitial population sizeMaximumgenerationSafevalueThe proportion of discoverers PDThe proportion of scouts SDLogistic initializing population parameter using chaotic mapping表4CSSA-BPNN模型预测值与实测值对比CSSA-BP predictivevalue/MPa5.99576.605817.196 219.32786.801 719.079015.52668.655 14.28038.729297的取值经验公式：V（m+n）十6，m为输人层节点个数，n为输出层节点个数，6 为1，10 之间的整数 14。C通过建立不同网络，对比隐藏层节点取不同值时模型训练集的均方根误差，结合学习误差和收敛速度，最终选择性能最佳网络对应的隐层节点数为11。通过Matlab软件平台对模型进行多次训练，得到模型其他网络最优参数见表3。0.6643MPa，平均绝对误差为0.3 59 2 MPa，表明训练结果良好，预测精度较高。图5为CSSA-BPNN模型预测结果图，可以看出各个预测值和实测值之间的误差非常小，除了个别样本数据存在一定误差，整体上数据贴合得都比较好。以上结果均表明该模型有效避免了预测过程中陷入局部极值的问题，能够对充填体的动态抗压强度进行高精度预测。Absolute error/MPaRelativeerror/%0.66439.970.36585.860.26621.570.152 20.780.174 32.500.59103.000.49343.080.344 93.830.31037.820.22922.70Value1000.010.0001611130500.60.20.23982018161412108064201234567891011Samplenumber图5CSSA-BPNN模型预测结果Fig.5CSSA-BPNN model prediction resultsCSSA-BPNN回归状态曲线如图6 所示，训练集、验证集和测试集的输出与目标之间拟合的相关系数均在0.96 以上，全部数据的相关系数为0.99，数据点大部分都在拟合线附近，能准确描述各影响DataFittingz00-+0 960=1odxaY=T0.50-0.5有色金属工程因素和充填体动态抗压强度之间的非线性关系，表明CSSA-BPNN模型能够准确地预测不同应变率下胶结充填体的动态抗压强度。为了更好地验证本文提出模型的准确性，将样本数据分别代人原始BPNN、SSA-BPNN模型中，与本文提出的CSSA-BPNN模型进行对比，预测结果如图7 和图8 所示。对比三种模型可以发现，传统BPNN由于没有Measured value进行权值以及阈值的初始优化调整，因此预测效果CSSA-BP predictive value最差，预测值偏离实测值较大，在指导实际采场充填体强度预测时存在一定的安全隐患。SSA算法优化后的两种模型预测结果明显优于原始BPNN模型，且预测结果更加稳定，表明SSA算法能有效提高传统BPNN预测模型的性能；CSSA-BPNN模型相较于SSA-BPNN模型，预测结果和实测值贴合更加紧密，表明使用Logistic混沌映射可以进一步优化模型，有效降低预测误差。Training:R=0.99535Validation:R=0.99494DataFitting0.5Y=T8t0:0-+e08I=1odxa-0.5第14卷0-0.5DataFitting0.5Y=Te0801=odx-0.50GoalTest:R=0.962 730.5-11S100-+0.5eo8 66:0=odxa0-0.50.5DataFittingY=T0GoalAll:R=0.991 220.51-11-0.50GoalFig.6CSSA-BPNN regression state curves0.5图6CSSA-BPNN回归状态曲线1-10.50Goal0.51第2 期2018161412108642012345678910 11Samplenumber图7SSA-BPNN模型预测结果Fig.7SSA-BPNN model prediction results201816141080642012345678910 11Sample number图8 BPNN模型预测结果Fig.8BPNN model prediction results综上，CSSA-BPNN模型在充填体动态抗压强度预测值上与BPNN及SSA-BPNN两种模型相比预测结果更加接近实际，预测效果最优，有效提高了充填体动态抗压强度预测的精准性和稳定性。3.4模型预测性能评价为了进一步研究CSSA-BPNN模型对充填体动态抗压强度预测的学习能力和预测效果，选择均方根误差（RMSE）、平均绝对误差（MAE）和决定系数（R）对模型的性能进行定量评价。其中RMSE和MAE数值越接近于O表明模型拟合效果越好，R值越靠近1说明模型越能解释目标变量的变异性。各指标计算公式如下：(;-,)2RMSE:n1MAE=ni=1(;-;)2R2=1一=1(;一元,)2i1王小林等：基于CSSA-BPNN模型的胶结充填体动态抗压强度预测Measured value-SSA-BP predictive valueMeasuredvalueBP predictive value一99式中：n代表样本数量；aici；分别为实测值、预测值和实测值的平均值。三种模型的性能评价指标对比如图9 所示，可见CSSA-BPNN模型预测的MAE为0.3 592 MPa，RMSE为 0.3 9 5 0 MPa，均低于 BPNN 和 SSA-BPNN两种模型，且MAE分别降低了8 1.0 7%和54.94%,RMSE分别降低了8 0.55%和52.0 4%。CSSA-BPNN模型的R更加接近1,并且相对增加了0.12 2 7（提高14.0 6%）和0.0 16 2（提高1.65%），证实了CSSA算法有效提高了BPNN模型的全局搜索能力，有效降低了预测误差，CSSA-BPNN模型针对充填体动态抗压强度预测具有最高的整体预测精度。2.031321.8973110.79710.35920MAE图9模型的性能评价参数对比Fig.9 Comparison of performance evaluation parametersof the model4结论研究探讨了人工智能方法预测胶结充填体动态抗压强度的适用性。通过混沌映射改进麻雀搜索算法，并结合神经网络构建充填体动态抗压强度CSSA-BPNN预测模型，与BPNN、SSA-BPNN模型进行对比，得到以下结论：1)CSSA-BPNN预测模型能够准确地预测不同应变率下充填体的动态抗压强度，平均绝对误差为0.3592MPa，平均相对误差为4.11%，且偏离拟合(6)线的数据点较少，拓展了胶结充填体动态抗压强度预测的人工智能方法。(7)2)CSSA-BPNN预测模型测试集数据点的预测值与实测值基本吻合,R为0.9 9 52,预测能力强。该模型的MAE为0.3 592 MPa,RMSE为0.3 950 MPa,与(8)传统BPNN模型和SSA-BPNN模型相比，其性能参数R?更加接近于1，MAE和RMSE更小，表明BPNNSSA-BPNNICSSA-BPNN0.9790.99520.872.50.82360.395RMSER2100CSSA能够有效地优化BPNN模型，更适合于充填体动态抗压强度的预测，验证了CSSA-BPNN模型的可行性及准确性。3)CSSA-BPNN模型具有良好的泛化能力，预测结果可靠，可减少动态抗压强度实验工作量、时间和成本，还可以根据地下采场的实际需求，指导充填配比设计、矿房回采时间及爆破参数设计。4)提出的CSSA-BPNN模型成功实现了对不同应变率下充填体动态抗压强度的预测，为实际生产中充填体强度的快速确定提供了新的思路和方法，但在充填体动态抗压强度预测方面仍需要进行更加深入的研究。参考文献：1江飞飞，周辉，刘畅，等.地下金属矿山岩爆研究进展及预测与防治J.岩石力学与工程学报，2 0 19，3 8（5）：956-972.JIANG Feifei,ZHOU Hui,LIU Chang,et al.Progress,prediction and prevention of rockbursts in undergroundmetal mines JJ.Chinese Journal of Rock Mechanicsand Engineering,2019,38(5):956-972.2韩斌，王贤来，肖卫国.基于多元非线性回归的井下采场充填体强度预测及评价 J.采矿与安全工程学报，2012,29(5):714-718.HAN Bin,WANG Xianlai,XIAO Weiguo.Estimationand evaluation of backfill strength in undergroundstope based on multivariate nonlin-ear regressionanalysisJJ.Journal of Mining&.Safety Engineering,2012,29(5):714-718.3程海勇，吴爱祥，吴顺川，等.金属矿山固废充填研究现状与发展趋势J.工程科学学报，2 0 2 2，44（1)：11-2 5.CHENG Haiyong,WU Aixiang,WU Shunchuan,et al.Research status and development trend of solid wastefilling in metal mines JJ.Ch i n e s e Jo u r n a l o fEngineering,2022,44(1):11-25.4侯永强，尹升华，杨世兴，等.动态荷载下胶结充填体力学响应及能量损伤演化过程研究 J.岩土力学，2 0 2 2，43(增刊1):145-156.HOU Yongqiang,YIN Shenghua,YANG Shixing,et al.Mechanical response and energy damage evolutionprocess of cemented backfll under impact loadingLJJ.Rock and Soil Mechanics,2022,43(Sup.1):145-156.5刘志祥，李夕兵.爆破动载下高阶段充填体稳定性研究.矿冶工程，2 0 0 4，2 4（3）：2 1-2 4.LIU Zhixiang,LI Xibing.Research on stability of high-level backfill in blastingJJ.Mining and MetallurgicalEngineering,2004,24(3);21-24.有色金属工程6朱鹏瑞，宋卫东，徐琳慧，等.冲击荷载作用下胶结充填体的力学特性研究 J.振动与冲击，2 0 18，3 7（12）：131-137,166.ZHU Pengrui,SONG Weidong,XU Linhui,et al.Astudy on mechanical properties of cemented backfillsunder impact compressive loading J.Vibration andImpact,2018,37(12):131-137,166.7程爱平，董福松，张玉山，等.胶结充填体波速-密度双参数强度预测模型研究 J.金属矿山，2 0 19，48（7）：26-31.CHENG Aiping,DONG Fusong,ZHANG Yushan,et al.Study on the prediction model of the strength ofcemented backfill based on wave velocity and densityJ.Metal Mine,2019,48(7):26-31.8张国胜，张雄天.全尾砂胶结充填材料强度影响因素分析及配比预测研究J.金属矿山，2 0 2 1