基于IGWO-CatBoost模型的岩石爆破块度预测.pdf

:./.基于 模型的岩石爆破块度预测宋家威 郇宝乾 秦 涛 张宇庭 王雪松 徐振洋辽宁科技大学矿业工程学院(辽宁鞍山)沈阳工业大学建筑与土木学院(辽宁沈阳)摘 要 针对无法准确预测矿山岩石爆破后块度大小的问题提出一种基于改进灰狼算法()优化的 块度预测模型 采用一种新的非线性收敛因子引入动态权重策略改进已有的灰狼算法()通过 个测试函数和 种优化算法验证了 的寻优能力 对公开数据库和现场采集的 组数据进行预测分析 首先采用随机森林算法进行特征重要性筛选利用 对 进行参数寻优建立 爆破块度预测模型然后将预测结果与在相同条件下建立的、模型进行对比分析 经过 调参 模型的预测准确度得到有效提高 模型的预测准确度均优于其他 种预测模型 对比结果表明 模型具有很好的预测能力和适应性关键词 改进灰狼算法 模型随机森林块度预测分类号.()()().().引言岩石爆破块度是衡量爆破效果的重要指标一直是许多研究者关注的问题 早期对爆破块度的预测主要依靠经验公式、现场试验、岩体力学模型等方法 其中力学模型包括 模型、模型、模型等 然而 传统预测模型都做了一定的简化假设现场实施困难并且准确度不高难以用统一的公式解决多因素作用与块度之间的多维、非线性关系 人工智能技术不断发展并应用于矿山开采方面顾清华等对智能采矿方面做了系统分析指出机器学习方法正逐渐应用于爆破块度预测问题第 卷 第 期 爆 破 器 材 .年 月 .收稿日期:基金项目:辽宁兴辽英才项目()第一作者:宋家威()男硕士研究生主要从事工程爆破方面的研究:.通信作者:徐振洋()男教授主要从事工程爆破理论与技术的研究:.并逐渐向智能化方向发展 等采用人工神经元网络()方法预测岩石爆破块度通过与多元回归模型对比验证了神经元网络模型的可行性 唐跃等运用十折交叉验证方法证明了基于径向基核函数的矿岩爆破块度支持向量机()预测模型的性能要优于线性核函数、多项式核函数以及神经网络核函数 史秀志等构建了最小二乘支持向量机回归()预测模型并进行参数优化通过试验证明了该模型在小样本容量数据和正常容量数据下针对岩石爆破块度都有较高的预测精度 刘阳等依据弹性模量建立了随机森林分组模型和遗传算法优化反向传播神经网络()块度预测模型结果表明它们对岩石爆破块度的预测精度优于多元回归模型、神经网络模型以及未分组的 预测模型 柳小波等运用随机森林筛选影响爆破效果的参数建立径向基()神经网络爆破预测模型效果优于 神经网络预测模型 叶海旺等用留一法解决爆破数据利用率不足的问题建立 预测模型结果表明预测精度明显高于、神经网络、随机森林模型以及十折交叉验证下的 模型关富僳等采用灰色关联分析法筛选参数建立 预测模型发现该模型的预测效果优于 模型 刘翔等通过影响爆破块度因素重要度和皮尔逊相关系数筛选出特征变量建立了改进的随机森林块度预测模型相较于线性回归和 神经网络模型该模型有更好的预测效果综上所述机器学习方法正逐渐应用于岩石爆破块度的预测并取得了一定研究成果 但影响爆破块度的因素众多如何建立合适的爆破块度预测模型仍是当前重要的研究方向之一 通过分析爆破块度的影响因素进行特征重要性筛选以降低算法复杂度建立改进灰狼算法()优化的 模型即 模型进行块度预测 将矿山实际数据代入该模型进行岩石爆破块度预测并与多个模型预测结果进行对比分析验证模型的准确性 算法原理.算法 算法是 等提出的一种梯度提升算法由 和 组成 算法与传统的()算法类似由完全对称的决策树组成在决策树中采用 方法处理类别特征为避免条件偏移做了改进 公式如下:()式中:是先验值可以平滑噪声 是权重系数 用于判断当前样本 与样本 是否是同一类别相同则为 反之为 算法同样采用目标变量统计的方法处理离散特征 但采用 方法和 方法解决偏移问题 算法将有序增强作为一种新的梯度估计方法利用带有分类特征的无偏增强技术克服梯度偏移增强模型的泛化能力 相比 家族中的其他集成学习算法 算法能够很好地处理离散特征数据更适用于多个输入特征的问题 因此被广泛应用于预测、分类等多种机器学习任务中.灰狼优化算法()的超参数主要依靠经验自行设定难以使模型获得较好的性能但使用群优化算法可以很好地解决这一问题灰狼优化算法()具有收敛性强、参数较少、易于实现等优点目前已经在图像处理、电力系统优化、函数优化等领域广泛使用灰狼群体遵守金字塔结构的社会等级制度从高到底依次为、和 狼分别对应着最优解、次优解、第三优解和候补者灰狼群体捕猎分为以下 个阶段:)搜寻阶段狼群追踪包围猎物的行为表示为 ()()()()()()式中:代表灰狼与猎物之间的距离 代表当前迭代的次数()代表灰狼经过 次迭代后猎物的位置向量()为第 次迭代后灰狼的位置向量和是包围过程中的随机系数 ()()式中:和是 的随机数是 的随机数且随着迭代从 到 线性递减)狩猎阶段在群体包围猎物之后狼群会在、狼的领导下进行狩猎每次迭代过程会保存、狼的位置信息狼群则根据它们的位置信息来更新自身的 年 月 基于 模型的岩石爆破块度预测 宋家威等 位置狩猎的数学模型表示为 ()()()()()()()式中:、代表群体中其他个体与、狼之间的距离()、()、()分别表示第 次迭代后、狼的位置向量 ()()()()()()式()表示 狼朝 个潜在解、狼的步长和方向式()表示 狼的位置更新)攻击阶段狼群攻击猎物主要是通过迭代过程中收敛因子 从 到 的线性递减来实现在群体迭代结束后获取最优解 改进灰狼算法().非线性收敛因子在利用 对 模型进行参数优化时发现该算法和其他群智能算法类似都有后期收敛速度慢、容易陷入局部最优等问题 因此可通过对收敛因子和位置更新策略的改进弥补 的缺陷原始的收敛因子随着迭代次数的增加从 到 线性减小不能适应所有的优化情况容易陷入局部最优问题 因此采用一种新的非线性收敛因子对 进行改进该收敛因子()式中:为当前迭代次数 为最大迭代次数改进前、后收敛因子的对比如图 所示 从图 可以看出:改进后的收敛因子前期收敛速度缓慢有利于算法进行全局搜索后期收敛速度较快能够增强跳出局部最优解的能力 因此改进后的收敛因子具有更好的适应性.引入动态权重策略原始位置更新策略无法凸显出、狼之 间的重要性文献提出一种基于步长欧 图 改进前、后收敛因子的对比.氏距离的比例权重通过权重动态地调节全局搜索能力和局部搜索能力 采用文献提出的一种改进权重策略表达式如下:()()()式中:、分别表示 狼对、狼的学习率 为防止出现分母为 的情况 是当前迭代次数 是最大迭代次数.的性能测试为验证 的寻优能力选取 个标准测试函数进行性能测试并将测试结果与原始灰狼算法()、粒 子 群 算 法()、鲸 鱼 优 化 算 法()、差分进化算法()和郭振洲等提出的改进灰狼算法()种优化算法进行比较 各标准测试函数维数均为 全局最小值均为 取值区间如表 所示表 测试函数的取值区间.函数取值区间 ().().爆 破 器 材 第 卷第 期 所有算法均设置种群规模为、最大迭代次数为 每个算法均独立运行 次 记录算法的最优值、平均值和标准差不同算法在测试函数上的测试结果如表 所示不同算法在测试函数上的收敛曲线如图 所示 从表 可知:的寻优精度均高于其他 种算法 对于函数、和 都寻找到了最优结果但从平均值和标准差可以得出 要优于 从收敛速度可以得出 要优于 从图 可以看出:的收敛速度和寻优结果均强于其他 种算法特别是对函数 和 寻优时 的求解精度明显好于其他几种算法 综上所述提出的 能够有效地提高求解精度和收敛速度基于 的爆破块度预测模型.优化 模型 的参数众多无法对每一个参数都进行优化 因此使用 对 的 个主要影响参数进行优化待优化的参数分别为决策树数量()、学习率()、树的最大深度()和 正则化()优化 参数的流程如图 所示.模型建立采用 等建立的数据库对 模型进行验证 该数据库包含全球 座矿山的 组爆破数据并将岩石力学性质和爆破设计表 各算法测试结果对比.函数算法最优值平均值标准差.年 月 基于 模型的岩石爆破块度预测 宋家威等 ()()()()图 种算法对各测试函数的收敛曲线.图 优化 参数流程.参数等通过比值的方式综合为 个影响因子分别为:孔间间距与排间间距比(/)、炮孔孔深与排间间距比(/)、排间间距与炮孔直径比(/)、炮孔堵塞长度与排间间距比(/)、炸药单耗()、原位岩石块度()、岩石弹性模量()研究已证明去除关联性较低的因素可以提高模型准确性降低算法复杂度 因此通过随机森林算法分析爆破块度影响因素进行特征重要性筛选 每个影响因素的特征重要性如图 所示 图 各特征变量的重要性对比.由图 可知/的影响最小 在衡量算法复杂度与算法准确度之后删除/特征变量保留 爆 破 器 材 第 卷第 期其余特征变量进行模型建立从特征筛选后的爆破数据库中选择 组数据用于模型建立并随机选取 的数据作为训练集剩余 的数据作为测试集 为提高预测精度、提升模型收敛速度在预测之前需要对数据进行标准化处理 标准化公式如下:()式中:是处理后的数值 是样本均值 是样本数据的标准差将标准化处理后的数据导入到 模型进行训练 参数定义如下:狼群数量为最大迭代次数为 待优化参数的决策树数量的取值范围为学习率的取值范围为.树的最大深度取值范围为正则化的取值范围为 经过 模型的参数寻优得到最优参数如下:决策树的数量为()学习率为.(.)树的最大深度为()正则化为().预测结果分析将 模型的预测结果与在相同训练集和测试集下分别建立的 模型、模型和 模型预测结果进行对比 图 展示了 种模型预测的数据库中 个样本的爆破块度与实际值的对比 图 预测值与实际值的对比.由图 的预测结果可知 模型预测岩石爆破块度的效果最好准确性最高整体趋势与实际值相符 相比未优化的 模型优化后的 模型预测准确性有所提高 模型和 模型的预测结果与实际值偏差较大为了进一步对比 模型、模型、模型和 模型对岩石爆破块度预测的准确性选取决定系数、均方根误差、平均绝对误差 和平均绝对百分比误差 个指标进行对比结果见表 表 预测模型的评价指标.评价指标模型.根据表 的评价指标可知:模型在 项指标上超过了 模型 降低了.降低了.降低了.提高了.证明了 对 模型参数寻优的有效性 在相同的训练集和测试集条件下 模型也在 项指标上优于 模型和 模型 相较于这 种模型 模型的 分别降低了.和.体现了 模型的优越性 工程应用以紫金山金铜矿为爆破工程背景将 模型应用于实践 共记录包含多个平台的 次爆破数据 每条数据包含 个特征采用 网络模型对爆破块度进行识别统计爆破块度的平均尺寸 具体爆破参数如表 所示 为方便编程计算在矿岩情况中岩石映射为 矿岩混合映射为 矿石映射为 运用随机森林算法对 个特征进行分析特征的重要性对比如图 所示 图 各特征变量的重要性对比.年 月 基于 模型的岩石爆破块度预测 宋家威等 表 爆破试验参数.序号矿岩情况矿岩硬度台阶高度/孔径/孔距/排距/单耗/()抵抗线/炮孔倾角/()孔深/装药长度/填充长度/.由图 可知孔径、孔距、炮孔倾角和排距 个影响因素重要性较低在衡量算法复杂度与算法准确度之后选取其他 个影响因素较高的特征进行建模从筛选后的数据中随机选取 作为训练集剩余 作为测试集 数据导入到 模型进行预测并与 模型、模型和 模型的预测结果进行对比结果见图 由图可知:改进后的模型预测值与实际值相符模型、模型和模型预测结果与实际值相差较大只在个 图 改进后预测值与实际值的对比.爆 破 器 材 第 卷第 期别地方与实际值相近预测准确度不如 模型选取决定系数、均方根误差、平均绝对误差 和平均绝对百分比误差 个指标进行对比结果如表 所示表 改进后模型的评价指标.评价指标模型.由表 可知:改进后的 模型决定系数 比 模型、模型和 模型分别提高了.、.和.、和 均比另外 种模型低 证明了 模型的性能要好于 模型、模型和 模型也表明该模型能够很好地应用于矿山爆破中 结论)提出一种新的非线性收敛因子和引入动态权重策略对 进行改进提高 的寻优能力 通过随机森林算法进行特征重要性分析筛选并剔除不重要的特征变量降低模型复杂度提高模型的运行速度)通过 对 模型进行参数寻优有效改善了 模型的预测能力并在很大程度上防止过拟合提高模型的预测准确度)已公开的数据库和工程现场测试表明构建的 预测模型比 模型、模型和 模型有更高的预测精度 在对现场数据进行测试时 模型的适应能力明显高于其他模型 为爆破块度预测提供了一种新思路参 考 文 献 .():.:.():.():.周先平 李彦坡 吴新霞 等.岩体爆破块度控制技术新进展.水利水电技术 (增刊):.(.):.王仁超 朱品光.基于随机森林回归方法的爆破块度预测模型研究.水力发电学报 ():.():.顾清华 江松 李学现 等.人工智能背景下采矿系统工程发展现状与展望.金属矿山():.():.史秀志 郭霆 尚雪义 等.基于 神经网络的岩石爆破平均粒径预测.爆破 ():.():.(/):.唐跃 徐曲 柯波 等.基于交叉验证的矿岩爆破块度 模型优选研究.爆破 ():.():.史秀志 王洋 黄丹 等.基于 岩石爆破块 年 月 基于 模型的岩石爆破块度预测 宋家威等 度预测.爆破 ():.():.刘阳 谭凯旋 郭钦鹏 等.运用随机森林和 神经网络预测岩石爆破块度.矿业研究与开发():.():.柳小波 袁鹏喆 张兴帆.基于 神经网络的露天矿爆破效果预测研究.中国矿业 ():.():.叶海旺 胡俊杰 雷涛 等.模型预测岩石爆破块度.爆破 ():.():.关富僳 吴发名 罗志 等.基于灰色关联分析及 模型的岩体爆破块度预测.爆破器材():.():.刘翔 谢涛 王训洪 等.基于改进随机森林算法的岩石爆破块度预测.矿业研究与开发 ():.():.:/.:.赵超 王延峰 林立.基于改进灰狼算法优化核极限学习机的锂电池动力电池荷电状态估计.信息与控制 ():.():.:.郭振洲 刘然 拱长青 等.基于灰狼算法的改进研究.计算机应用研究 ():.():.张阳 周溪召.求解全局优化问题的改进灰狼算法.上海理工大学学报 ():.():.():.赵蒙生 周敏 代永新 等.灰色关联度对边坡稳定性的预测分析.金属矿山():.():.版权声明、本刊对发表的文章拥有出版电子版、网络版版权并拥有与其他网站交换信息的权利 本刊支付的稿酬已包含以上费用、本刊文章版权所有未经书面许可不得以任何形式转载爆破器材编辑部 爆 破 器 材 第 卷第 期