岩锚梁爆破参数优化及效果研究
|
摘要
在水电站地下厂房开挖中，岩锚梁开挖难度大、质量要求高，该部位成型质量的好坏将直接影响今后厂房内吊车的运行安全。岩锚梁开挖要求其具有良好的开挖轮廓面和较小的破坏范围。目前，在爆破工程中，技术人员通常凭借个人经验、工程类比或者在相似地段进行爆破试验，来决定爆破开挖参数。这样不仅费工费时，有时爆破效果也不理想。
采用神经网络进行爆破参数设计不需要知识工程师进行整理、总结以及消化领域专家的知识，只需要用领域专家解决问题的实例或范例来训练网络；在知识表示方面，采取隐式表示；在知识获取的同时，自动产生的知识由网络的结构和权值表示，通用性强，便于实现知识的自动获取和并行联想推理。神经网络的非线性和识别功能在预测爆破效果及爆破块度方面的应用取得了良好的效果，促进了爆破技术的发展。
本文以水电站地下厂房岩锚梁爆破开挖为研究对象，重点研究了影响爆破效果的参数及其选择。在首先分析爆破机理的基础上，探讨并确定了影响地下厂房岩锚梁爆破开挖成型质量和稳定性的各种因素。确定以炸药类型、最小抵抗线、孔深、炮眼间距、不耦合系数、线装药量、岩石强度和岩体完整度为主要影响因素；把改进的BP算法应用在爆破参数优化设计中，建立以炸药类型、最小抵抗线、炮孔深度、炮眼间距、线装药量、不耦合系数、岩石强度和岩体完整度为主要影响指标，选择45例国内外成功的爆破参数设计实例为样本，利用BP神经网络进行爆破参数优化设计，并通过现场保护层和岩台修面爆破试验以及对其松动圈范围进行声波测试，其测试结果最优的爆破方案其松动圈最小，这与神经网络进行参数优化设计的爆破方案相吻合。说明采用神经网络进行爆破参数设计在理论和实践上是可行的。
The rock anchor beam is the most difficult and demanded in excavating underground factory, its quality will affect its safety of performing later, as a result, a better quality and smaller crushedregion is demanded. During the course of engineer design, those who master at his field make decision depend on his experience, project contrast and test in similar condition, then to decide its parameter. Which waste much time and expenditure. Moreover, the result is not as expect as what we have.
Neural network is applied in design of blast parameter, which is not needed the trim and sum up of engineer and knowledge of expertise. What are needed is some succeed examples and stylebooks to train the system. To some knowledge, which is expressed by implication, At the same time to acquire knowledge, much knowledge in the same question were showed in the same network. Those be used in many fields and easy to perform. As a kind of Artificial Intelligence, neural network has been widely used in many scientific fields. In blasting Engineering, it is useful to the development of blast technology, by virtue of its neural networks' non-linearity and identification ability.
Rock anchor beam is selected as the studied object, the parameter of blasting and its parameter selection are studied in the paper. At first, the author has analyzed the destroy style and mechanism of blasting, studied various factors which influence on the effect and supporting design of rock anchor beam of underground hydroelectric power station. The main factors have been determined to be the depth and width of hole, the strength of surrounding rock, the types of detonator, the decoupling coefficient, burden and unit consumption
Form what has been discussed, the author make use of those major factors as standard of affection and studied BP neural networks' work principle, structure and defectiveness. A model of modified BP neural networks has been used to built model in order to identify selection and optimize of blasting in rock anchor beam. Triumphant parameter design of blasting were selected as a example, in order to perform network of parameter design.
At last, those designs of parameter by BP network tested by blasting trials and sound wave. As a result, the smallest range of destory is the best project, which is accorded with design of BP network. It is show that applying the way of BP network is not reasonable but feasible.
采用神经网络进行爆破参数设计不需要知识工程师进行整理、总结以及消化领域专家的知识，只需要用领域专家解决问题的实例或范例来训练网络；在知识表示方面，采取隐式表示；在知识获取的同时，自动产生的知识由网络的结构和权值表示，通用性强，便于实现知识的自动获取和并行联想推理。神经网络的非线性和识别功能在预测爆破效果及爆破块度方面的应用取得了良好的效果，促进了爆破技术的发展。
本文以水电站地下厂房岩锚梁爆破开挖为研究对象，重点研究了影响爆破效果的参数及其选择。在首先分析爆破机理的基础上，探讨并确定了影响地下厂房岩锚梁爆破开挖成型质量和稳定性的各种因素。确定以炸药类型、最小抵抗线、孔深、炮眼间距、不耦合系数、线装药量、岩石强度和岩体完整度为主要影响因素；把改进的BP算法应用在爆破参数优化设计中，建立以炸药类型、最小抵抗线、炮孔深度、炮眼间距、线装药量、不耦合系数、岩石强度和岩体完整度为主要影响指标，选择45例国内外成功的爆破参数设计实例为样本，利用BP神经网络进行爆破参数优化设计，并通过现场保护层和岩台修面爆破试验以及对其松动圈范围进行声波测试，其测试结果最优的爆破方案其松动圈最小，这与神经网络进行参数优化设计的爆破方案相吻合。说明采用神经网络进行爆破参数设计在理论和实践上是可行的。
The rock anchor beam is the most difficult and demanded in excavating underground factory, its quality will affect its safety of performing later, as a result, a better quality and smaller crushedregion is demanded. During the course of engineer design, those who master at his field make decision depend on his experience, project contrast and test in similar condition, then to decide its parameter. Which waste much time and expenditure. Moreover, the result is not as expect as what we have.
Neural network is applied in design of blast parameter, which is not needed the trim and sum up of engineer and knowledge of expertise. What are needed is some succeed examples and stylebooks to train the system. To some knowledge, which is expressed by implication, At the same time to acquire knowledge, much knowledge in the same question were showed in the same network. Those be used in many fields and easy to perform. As a kind of Artificial Intelligence, neural network has been widely used in many scientific fields. In blasting Engineering, it is useful to the development of blast technology, by virtue of its neural networks' non-linearity and identification ability.
Rock anchor beam is selected as the studied object, the parameter of blasting and its parameter selection are studied in the paper. At first, the author has analyzed the destroy style and mechanism of blasting, studied various factors which influence on the effect and supporting design of rock anchor beam of underground hydroelectric power station. The main factors have been determined to be the depth and width of hole, the strength of surrounding rock, the types of detonator, the decoupling coefficient, burden and unit consumption
Form what has been discussed, the author make use of those major factors as standard of affection and studied BP neural networks' work principle, structure and defectiveness. A model of modified BP neural networks has been used to built model in order to identify selection and optimize of blasting in rock anchor beam. Triumphant parameter design of blasting were selected as a example, in order to perform network of parameter design.
At last, those designs of parameter by BP network tested by blasting trials and sound wave. As a result, the smallest range of destory is the best project, which is accorded with design of BP network. It is show that applying the way of BP network is not reasonable but feasible.
引文
[1] 王树人．水电站建筑物[M]．北京：清华出版社，1990．
[2] 顾鹏飞．水电站厂房设计[M]．北京：水利水电出版社，2000．
[3] 杨军等．岩石爆破理论模型及数值计算[M]．北京：科学技术出版社，1999．
[4] 华东水利学院．水利水运工程施工[M]．北京：人民交通大学出版社，2001．
[5] 张志呈．定向断裂控制爆破[M]．重庆：重庆出版社，2000．
[6] 陈炳祥，刘新英，洪议学．江垭水电站地下厂房岩锚吊车梁岩台开挖[J]．人民长江，2000．31(4)：6～9．
[7] 王家来，程玉生．光面爆破最优炮孔密集系数的确定[J]．江苏煤炭，1995．(4)：49～51
[8] 赵福兴．控制爆破工程学[M]．西安：西安交通大学出版社，1988．
[9] 费鸿禄等．光面爆破不偶合系数的计算[J]．爆炸与冲击，1992．12(3)：270～274．
[10] 刘殿中．工程爆破实用手册[M]．北京：冶金工业出版社，1999．
[11] 戴俊．断裂力学原理在光面爆破设计中的应用[J]．西安矿业学院学报，1995．15(增刊)：39～42．
[12] 朱瑞庚．不偶合装药爆破孔壁压力计算[J]．爆破，1990．7(3)：1～3．
[13] 杨小林，员小有．不偶合装药爆炸作用机理及试验研究[J]．煤炭学报，1998．23(2)：130～134．
[14] 吴从师，齐宝军．边坡分段装药炮孔的压力变化与爆破效果[J]．辽宁工程技术大学学报(自然科学版)，2001．20(4)：414～416．
[15] 张会林．露天矿预裂爆破参数的理论分析[J]．金属矿山 1998．(11)：4～6．
[16] 韩加红．提高光面爆破效果的措施[J]．矿山压力控制与顶板管理，81～83．
[17] 杨小林．炸药岩石阻抗匹配与爆炸应力、块度的试验研究[J]．煤炭学报，1991，16(1)：89～95．
[18] 陶松霖．爆破工程[M]．长沙：冶金工业出版社，1979．
[19] 张志毅．建筑及采矿工程实用爆破技术[M]．北京：煤炭工业出版社，1980．
[20] 杨文渊．工程爆破常用数据手册[M]．北京：人民交通出版社，2002．
[21] 杨小林，钮强．不同配比水泥模型中的爆炸应力波测试分析[J]．爆破，1991，8(4)：23～258
[22] 钮强．岩石爆破机理．沈阳：东北大学出版社[M]．1991．
[23] 娄德兰，标准药卷光面爆破．爆破，1994．(2)：45～48．
[24] 陆伟民．人工智能技术及应用[M]．上海：同济大学出版社，1998．
[25] 许向东等．基于MATLAB6．X的系统分析与设计．神经网络(第二版)[M]．西安：西安电
子科技大学出版社，2002．
[26]郭连军等．爆破优化的神经网络模型[J]．工程爆破，1996(2)：11～15．
[27]王国立等．人工神经网络预测爆破效果[J]．矿冶，2002(2)：12～15．
[28]祝方才，陈寿汝．不偶合装药中岩石爆破破坏作用分区的研究[J]．湖南有色金属，1997．13(1)：10～12．
[29]综奇，马芹永．光面爆破的参数理论分析[J]．阜新矿业学院学报(自然科学版)，1994．13(4)：21～25．
[30]王汉军．光面爆破主要参数设计的问题探讨[J]．河北煤炭，1999(4)：12～14．
[31]张志呈，唐中华．光面爆破成缝机理与巷道工作面炮孔数的计算析[J]．四川冶金，2001．(4)：4～6．
[32]东兆星．光面爆破参数的合理确定[J]．建井技术，1999．20(4)：25～27．
[33]张志呈．光面爆破参数的选择[J]．西南工学院学报，2000(12)：58～64．
[34]P. D. Smith, G.P.Whalen, L. J. Feng and T.A. Rose. Blast loading on buildings from explosions in city streets[J]. Structures & Building, 2001.146(1): 47～55.
[35]陈炳祥，韦昌云，李成武．光面爆破在江垭电站地下厂房洞室群中的应用[J]．铁道标准设计，1999(10)48～51．
[36]张成良，梁开水，唐海．预裂爆破减振作用效果分析[J]．爆破，2003．20(2)：17～19．
[37]戴俊，杨永琦．光面爆破相邻炮孔存在起爆时差的炮孔间距计算[J]．爆炸与冲击，2003．23(3)：253～258．
[38]Langefors U & Kinlshom B. The Modern Technique of Rock Blasting[J]. John Wiley & Sons Inc. New York. 1993(3): 485～493.
[39]黄霖．光面爆破主要参数的优选及校核[J]．爆破，2002．19(3)：20～21．
[40]Giovanni solari, Gust Buffeting: Dynamic Alongwind Response, Journal of Structural Engineering[J]. ASCE, 1993.119(2): 383～398.
[41]刘国群，罗雪荣，李宝勇．保护层光面爆破在引子渡水电站左岸趾板开挖中的应用[J]，贵州水利发电，2002．16(1)：53～55．
[42]朱传云．预裂和光面爆破对围岩的影响[J]．爆破，1994(4)：33～39．
[43]冯夏庭等．人工智能在矿山岩体边坡工程中的应用[J]．化工矿山技术，1999．24(1)
[44]卢才金等，改进的BP网络在岩体边坡稳定性评价中的应用[J]．岩石力学与工程学报，1999．18(3)：43～56．
[45]Trifumac M D. Long. Period Fourier Amplitude Spectra of Strong Motion Acceleration[J]. Soil Dynamics and earthquake Engineering, 1993. 12: 363～382.
[46] 王力功．光面爆破技术研究及其在隧道掘进中的应用[J]．工程爆破，2001(1)：65～69．
[47] B.R. Yama G.T. Lineberry, Artificial netural network application for a prediction task in mining[J]. Mining Engineering, 1992(2): 33～49.
[48] 王道平等．故障智能诊断系统的理论与方法[M]．匕京：冶金工业出版社，2001．
[49] 黄修云等．人工神经元网络在地下工程预测中的应用[J]．北方交通大学学报．程，1998．1997．22(1)：33～38
[50] 袁曾忍．人工神经网络及其应用[M]．北京：清华大学出版社，1999．
[51] 从爽．面向MATLAB工具箱的神经网络理论与应用[M]．合肥：中国科技大学出版社，1998
[52] Lin Dachao. Characterization Method of Explosion Seismic Wave[J]. Journal of Beijing Institute of Technology, 2001. 9(3): 249～254.
[53] 戴汝为．人工智能[M]．北京：化学工业出版社，2002．
[54] 梁艳春等．人工神经网络用于地下硐室参数识别的研究[J]，模式识别与人工智能 1996．(9)3：37～41．
[55] Langfors U & Kinlshom B. The Modern Technology of Rock Blasting. John Willey & Sons Inc. New York.1963.
[56] 钟冬望等．爆炸技术新进展[M]．武汉：湖北科学技术出版社，2002．
[57] 夏元友等．边坡工程集成式智能辅助决策系统研究，自然灾害学报，1999．18(1)：43～48．
[58] 楼顺天 施阳，基于MATLAB的系统分析与设计——神经网络[M]．西安：西安电子科技大学出版社，1998．
[59] J.Q.Fang, Q.S.Li,D.K.Liu,A.P.Jeary, and C.K.Wong. The application of natural network to rock engineering systems(RSM) [J], Int.J.Rcok Mech. Min. Sci. 1998, 35(6) 151～159.
[60] 水工建筑物岩石基础开挖工程施工技术规范[M]．北京：水利电力出版社，1994．
[61] 水利水电工程物探规程[M]．北京：水利电力出版社，1992．
[62] LIANG Kaishui, ZHANG Chengliang, TANG Hai.. Analysis of result of shock-absorption in presplit balsting[J]. 5th International Autumn Seminal on Propellants, Explosives and pyotecnics. 2003, 1029～1032.
[2] 顾鹏飞．水电站厂房设计[M]．北京：水利水电出版社，2000．
[3] 杨军等．岩石爆破理论模型及数值计算[M]．北京：科学技术出版社，1999．
[4] 华东水利学院．水利水运工程施工[M]．北京：人民交通大学出版社，2001．
[5] 张志呈．定向断裂控制爆破[M]．重庆：重庆出版社，2000．
[6] 陈炳祥，刘新英，洪议学．江垭水电站地下厂房岩锚吊车梁岩台开挖[J]．人民长江，2000．31(4)：6～9．
[7] 王家来，程玉生．光面爆破最优炮孔密集系数的确定[J]．江苏煤炭，1995．(4)：49～51
[8] 赵福兴．控制爆破工程学[M]．西安：西安交通大学出版社，1988．
[9] 费鸿禄等．光面爆破不偶合系数的计算[J]．爆炸与冲击，1992．12(3)：270～274．
[10] 刘殿中．工程爆破实用手册[M]．北京：冶金工业出版社，1999．
[11] 戴俊．断裂力学原理在光面爆破设计中的应用[J]．西安矿业学院学报，1995．15(增刊)：39～42．
[12] 朱瑞庚．不偶合装药爆破孔壁压力计算[J]．爆破，1990．7(3)：1～3．
[13] 杨小林，员小有．不偶合装药爆炸作用机理及试验研究[J]．煤炭学报，1998．23(2)：130～134．
[14] 吴从师，齐宝军．边坡分段装药炮孔的压力变化与爆破效果[J]．辽宁工程技术大学学报(自然科学版)，2001．20(4)：414～416．
[15] 张会林．露天矿预裂爆破参数的理论分析[J]．金属矿山 1998．(11)：4～6．
[16] 韩加红．提高光面爆破效果的措施[J]．矿山压力控制与顶板管理，81～83．
[17] 杨小林．炸药岩石阻抗匹配与爆炸应力、块度的试验研究[J]．煤炭学报，1991，16(1)：89～95．
[18] 陶松霖．爆破工程[M]．长沙：冶金工业出版社，1979．
[19] 张志毅．建筑及采矿工程实用爆破技术[M]．北京：煤炭工业出版社，1980．
[20] 杨文渊．工程爆破常用数据手册[M]．北京：人民交通出版社，2002．
[21] 杨小林，钮强．不同配比水泥模型中的爆炸应力波测试分析[J]．爆破，1991，8(4)：23～258
[22] 钮强．岩石爆破机理．沈阳：东北大学出版社[M]．1991．
[23] 娄德兰，标准药卷光面爆破．爆破，1994．(2)：45～48．
[24] 陆伟民．人工智能技术及应用[M]．上海：同济大学出版社，1998．
[25] 许向东等．基于MATLAB6．X的系统分析与设计．神经网络(第二版)[M]．西安：西安电
子科技大学出版社，2002．
[26]郭连军等．爆破优化的神经网络模型[J]．工程爆破，1996(2)：11～15．
[27]王国立等．人工神经网络预测爆破效果[J]．矿冶，2002(2)：12～15．
[28]祝方才，陈寿汝．不偶合装药中岩石爆破破坏作用分区的研究[J]．湖南有色金属，1997．13(1)：10～12．
[29]综奇，马芹永．光面爆破的参数理论分析[J]．阜新矿业学院学报(自然科学版)，1994．13(4)：21～25．
[30]王汉军．光面爆破主要参数设计的问题探讨[J]．河北煤炭，1999(4)：12～14．
[31]张志呈，唐中华．光面爆破成缝机理与巷道工作面炮孔数的计算析[J]．四川冶金，2001．(4)：4～6．
[32]东兆星．光面爆破参数的合理确定[J]．建井技术，1999．20(4)：25～27．
[33]张志呈．光面爆破参数的选择[J]．西南工学院学报，2000(12)：58～64．
[34]P. D. Smith, G.P.Whalen, L. J. Feng and T.A. Rose. Blast loading on buildings from explosions in city streets[J]. Structures & Building, 2001.146(1): 47～55.
[35]陈炳祥，韦昌云，李成武．光面爆破在江垭电站地下厂房洞室群中的应用[J]．铁道标准设计，1999(10)48～51．
[36]张成良，梁开水，唐海．预裂爆破减振作用效果分析[J]．爆破，2003．20(2)：17～19．
[37]戴俊，杨永琦．光面爆破相邻炮孔存在起爆时差的炮孔间距计算[J]．爆炸与冲击，2003．23(3)：253～258．
[38]Langefors U & Kinlshom B. The Modern Technique of Rock Blasting[J]. John Wiley & Sons Inc. New York. 1993(3): 485～493.
[39]黄霖．光面爆破主要参数的优选及校核[J]．爆破，2002．19(3)：20～21．
[40]Giovanni solari, Gust Buffeting: Dynamic Alongwind Response, Journal of Structural Engineering[J]. ASCE, 1993.119(2): 383～398.
[41]刘国群，罗雪荣，李宝勇．保护层光面爆破在引子渡水电站左岸趾板开挖中的应用[J]，贵州水利发电，2002．16(1)：53～55．
[42]朱传云．预裂和光面爆破对围岩的影响[J]．爆破，1994(4)：33～39．
[43]冯夏庭等．人工智能在矿山岩体边坡工程中的应用[J]．化工矿山技术，1999．24(1)
[44]卢才金等，改进的BP网络在岩体边坡稳定性评价中的应用[J]．岩石力学与工程学报，1999．18(3)：43～56．
[45]Trifumac M D. Long. Period Fourier Amplitude Spectra of Strong Motion Acceleration[J]. Soil Dynamics and earthquake Engineering, 1993. 12: 363～382.
[46] 王力功．光面爆破技术研究及其在隧道掘进中的应用[J]．工程爆破，2001(1)：65～69．
[47] B.R. Yama G.T. Lineberry, Artificial netural network application for a prediction task in mining[J]. Mining Engineering, 1992(2): 33～49.
[48] 王道平等．故障智能诊断系统的理论与方法[M]．匕京：冶金工业出版社，2001．
[49] 黄修云等．人工神经元网络在地下工程预测中的应用[J]．北方交通大学学报．程，1998．1997．22(1)：33～38
[50] 袁曾忍．人工神经网络及其应用[M]．北京：清华大学出版社，1999．
[51] 从爽．面向MATLAB工具箱的神经网络理论与应用[M]．合肥：中国科技大学出版社，1998
[52] Lin Dachao. Characterization Method of Explosion Seismic Wave[J]. Journal of Beijing Institute of Technology, 2001. 9(3): 249～254.
[53] 戴汝为．人工智能[M]．北京：化学工业出版社，2002．
[54] 梁艳春等．人工神经网络用于地下硐室参数识别的研究[J]，模式识别与人工智能 1996．(9)3：37～41．
[55] Langfors U & Kinlshom B. The Modern Technology of Rock Blasting. John Willey & Sons Inc. New York.1963.
[56] 钟冬望等．爆炸技术新进展[M]．武汉：湖北科学技术出版社，2002．
[57] 夏元友等．边坡工程集成式智能辅助决策系统研究，自然灾害学报，1999．18(1)：43～48．
[58] 楼顺天 施阳，基于MATLAB的系统分析与设计——神经网络[M]．西安：西安电子科技大学出版社，1998．
[59] J.Q.Fang, Q.S.Li,D.K.Liu,A.P.Jeary, and C.K.Wong. The application of natural network to rock engineering systems(RSM) [J], Int.J.Rcok Mech. Min. Sci. 1998, 35(6) 151～159.
[60] 水工建筑物岩石基础开挖工程施工技术规范[M]．北京：水利电力出版社，1994．
[61] 水利水电工程物探规程[M]．北京：水利电力出版社，1992．
[62] LIANG Kaishui, ZHANG Chengliang, TANG Hai.. Analysis of result of shock-absorption in presplit balsting[J]. 5th International Autumn Seminal on Propellants, Explosives and pyotecnics. 2003, 1029～1032.
© 2004-2018 中国地质图书馆版权所有 京ICP备05064691号 京公网安备11010802017129号 地址：北京市海淀区学院路29号 邮编：100083 电话：办公室：(+86 10)66554848；文献借阅、咨询服务、科技查新：66554700 |