运用GA-BP神经网络对爆破振动速度预测

发布时间：2024-04-07 21:21

　　为了更好的预测爆破振动速度,运用遗传算法(GA)对BP神经网络的权值与阈值进行优化,构建GA-BP神经网络预测模型。结合华润小径湾实际爆破工程监测数据,确定以最大单段药量、爆心距以及测点至爆心的高程差作为输入参数,对爆破振动速度进行预测,并与BP神经网络模型的预测结果进行对比。结果表明:GA-BP神经网络模型预测结果的平均相对误差为5.80%,明显小于BP神经网络模型预测的平均误差14.19%。相比之下,GA-BP神经网络模型的预测精度更高,稳定性更好,可为多因素影响下类似工程爆破振动速度预测提供借鉴经验。

【文章页数】：5 页

【部分图文】：

图1GA-BP神经网络算法流程图

由于对爆破振动速度产生影响的因素众多,而且各个因素之间的关系也呈现出非常复杂的非线性关系,考虑到参数的代表性、易获取性等因素,再加上经典的爆破振速预测公式萨道夫斯基经验公式等原因,综合考虑输入层选择最大单段药量Q、爆心距R以及测点至爆心的高程差H作为本个GA-BP神经网络模型的输....

图2BP神经网络拓扑结构

从实验数据随机选取36组数据作为训练样本对GA-BP神经网络进行训练,剩下的5组数据作为测试样本以验证GA-BP神经网络训练后得到的最优权值和阈值的可靠性,并与无优化的BP神经网络的预测结果进行对比,来验证GA-BP神经网络的可行性和优越性。训练样本见表1。图3现场测振仪

图3现场测振仪

图2BP神经网络拓扑结构在编程过程中,需要对BP神经网络的一些传递函数和数据进行设置。隐含层选取Tan-Sigmoid作为传递函数,而输出层选取线性函数作为传递函数。并且在权值修正过程中选择Levenberg-Marquardt(trainlm)反向传播算法训练函数。同时,设....

图4预测结果分析图

表4预测结果及误差Table4Predictionresultsanderrors编号实测速度/(cm·s-1)GA-BPNN模型预测结果/(cm·s-1)相对误差/%BPNN模型预测结果/(cm·s-1)相对误差/%14.503.9711.88....

本文编号：3947986