[0001] 本发明属于机器学习以及工程爆破振动安全技术领域，具体涉及一种应用改进的RNN预测爆破振动峰值的方法。

[0002] 随着交通建设的飞速发展，多山地区的公路和铁路隧道建设也越来越多，随着盾构TBM制造水平的飞速发展，现已实现了隧道掘进的智能化、信息化，自主制造的盾构已基本覆盖市场，但山岭隧道往往地质条件复杂多变，施工风险高，TBM难以有效适应，且造价高昂，从隧道建设发展的实际来看，钻爆法施工具有较强的灵活性和适用性，仍是隧道施工中较为重要和普遍的施工方法。钻爆法因为对地质条件适应性强、开挖成本低等优点，仍然是目前隧道建设的主要施工方法之一。由于城市地表环境和西部山区地质条件比较复杂，钻爆法施工容易对地表情况造成影响，需要对隧道爆破引起的振动峰值预测进行相关的研究和计算预测，避免在爆破时产生重大危险。

[0003] 爆破振动预测是研究爆破振动影响因子与爆破振动强度之间的关系，是降低爆破危险系数、优化爆破方案和评估爆破安全等级等爆破关键问题的有效方法。其中的爆破影响因素包括孔径、孔深、孔距、排距、最小抵抗线、最大单孔药量、堵塞长度、最大段药量、高程差、爆源距等参数，而振动强度通常指的是爆破产生的振动波的强度，通常用爆破振动速度峰值来描述。现有技术中，常常采用经验进行人工预测，而采用人工预测时，需要现场施工人员具备比较专业的知识，而且预测效率比较低。

[0004] 目前国内外学者普遍使用PPV预测公式，例如：萨道夫斯基公式、考虑高程效应的改进萨道夫斯基公式，美国矿务局公式和印度标准局公式等，这些经验公式仅仅考虑了最大单响药量、爆心距和高程差对爆破振动峰值的影响，其他如场地介质和爆破条件等影响因素归为了公式中的经验系数，无法反映影响PPV的参数与PPV之间的非线性关系，这导致其使用具有一定的局限性，预测精度不高。

[0005] 因此亟需设计一套高效准确的适用于爆破振动预测的方法，以解决上述问题，克服了萨道夫斯基经验公式的不足，提高了预测的准确率。

[0063] 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。

[0064] 实施例1：

[0065] 参照附图1‑6所示，一种应用改进的RNN预测爆破振动峰值的方法法，包括步骤：

[0066] S1.布置爆区，将传感器安装在隧道受爆破振动影响较大的区域，且将传感器与数据采集传输系统进行连接；

[0067] 布置爆区时，首先需要确定爆破目标，即结合现场岩石性质和工程需求，考虑的爆破参数主要包括：爆破孔的布局和数量、爆破孔的直径和形状、爆破药量的选择等；

[0068] 爆破孔的位置、深度、角度、间距以及爆破孔的数量都需要考虑，合理的爆破孔布局可以提高爆破效果，减少岩石的残余应力，降低爆破对围岩的破坏；爆破孔直径和形状的选择会影响到爆破效果和岩石的破碎情况，一般来说，爆破孔径越大，爆破效果越好，但是爆破孔径过大会增加钻孔的时间和成本；爆破药量的多少也会影响到爆破效果和岩石的破碎情况，一般来说，药量越大，爆破效果越好，但是药量过大会增加成本和安全风险；因此，在进行爆破时需结合现场岩石性质和工程需求进行对应布置；

[0069] 在隧道受爆破振动影响较大的区域安装传感器，一般安装在隧道的开挖面，拱顶，边坡上等区域，并将安装好的传感器接入数据采集传输系统，数据采集传输系统用于采集每一次爆破时的数据以及周边环境数据，其中包括：爆破的具体时间、雷管段、孔径以及钻孔深度、每孔装药量、单次剂量以及传感器距离爆破点距离、地质条件描述，传感器监测数据包括x、y、z轴的爆破振动碎度以及频率，并计算监测的数据得到合成速度，总体反应爆破震动。

[0070] S2.使用数据采集传输系统将采集到的传感器上的数据进行初始化，得到初始化数据；

[0071] 具体的，设置改进的RNN算法模型中的网络参数，包括设置更新门和重置门的权重矩阵和偏置向量；

[0072] 本步骤中对参数的初始选择使用经验值参数；其中，更新门决定上一时刻隐藏状态中有多少信息需要传递到当前时刻，更新门的输出是一个权重向量，用于控制旧信息在新状态中的占比；重置门用于控制当前时刻输入信息对隐藏状态的影响，重置门的输出也是一个权重向量，决定了输入信息在隐藏状态中的占比。

[0073] S3.使用数据采集传输系统中改进的RNN计算初始化数据，得到预测值h；

[0074] 改进的RNN使用线性回归方法对步骤S2的初始化数据进行预处理，其中包括去除噪声、填充缺失值、平滑数据，提升数据整体质量；将初始化数据进行预处理，保证初始化数据可以转换成成分相互独立的矩阵；

[0075] 具体的预处理步骤为：

[0076] 301‑1将步骤S2的初始化数据进行缺失值填充，异常值处理，得到数据矩阵X；

[0077] 301‑2计算数据矩阵X的协方差矩阵S，以获取矩阵X特征之间的相关性信息；

[0078] 301‑3初始化协方差矩阵S的权重向量w；具体的，采用随机分配的方法初始化权重向量w0，得到初始化后的权重向量w，即初始后的权重向量w将初始前的权重向量w0覆盖；

[0079] 301‑4计算步骤S2初始化后的数据中每个个体的适应度F(X)，用于评价个体在问题中的优劣程度。

[0080] F(X)＝fit(X)/100

[0081] 选取适应度函数计算中优秀的个体作为父代，即个体适应度在所有个体适应度相加中所占概率，公式为：

[0082]

[0083] 其中，P是概率，k是个体数。

[0084] 301‑5在[0,1]中取值任意数，当P值大于该任意数时满足条件进行下一步操作；若不满足，返回步骤301‑3对权重进行重新分配；

[0085] 301‑6得到成分相互独立的矩阵。具体的，对数据矩阵X进行线性变换，得到新的数据矩阵Y，其计算公式为：Y＝X*w，其中，X是旧的数据矩阵，w是初始后的权重向量，新的数据矩阵Y即为成分相互独立的矩阵。

[0086] S302.计算各独立矩阵的更新门；

[0087] Pt＝σ(W(z)xt+U(z)ht‑1)

[0088] 其中，Pt为更新门的数值，σ表示sigmoid函数，值域为[0,1]，分别对应于各个门，xt(z) (z)表示输入，W 和U 分别表示对应的权值矩阵，ht‑1表示某时刻的输出；当数据xt被输入到(z)
网络单元时，它会被其自身的权W 所乘；对于ht‑1也是同样的处理，它保持前t‑1个单元的(z)
信息，并被其自身的权重U 所乘。

[0089] S303.计算各独立矩阵的重置门；重置门用来决定RNN算法模型忘记多少过去的信息；

[0090] rt＝σ(W(r)xt+U(r)ht‑1)

[0091] 其中，rt为重置门的数值，W(r)和U(r)分别表示对应的重置门控制向量的权值矩阵。

[0092] S304.更新状态：根据步骤S302、步骤S303的结果，使用sig函数进行计算：

[0093] ht＝sig(wxt+rtU(r)ht‑1)

[0094] 其中，ht表示某时刻的输出预测值，w是初始化后的权重向量。

[0095] S305.结合步骤S3、步骤S4、步骤S5以及步骤S6的结果，得到预测值h：

[0096] h＝Pt*ht‑1+1/2(1‑Pt)*rt*w

[0097] 其中，w初始化后的是权重向量。

[0098] 该输出的数值h就是预测的结果，可以通过该结果更加精准的预测到爆破振动峰值。

[0099] 实施例2：

[0100] 实施例2是对实施例1的预测方法进行建模的过程，具体为：

[0101] 1.确定目标：结合现场岩石性质和工程需求，考虑的爆破参数主要包括：爆破孔的布局和数量、爆破孔的直径和形状、爆破药量的选择等。

[0102] 孔的位置、深度、角度、间距以及孔的数量都需要考虑，合理的孔布局可以提高爆破效果，减少岩石的残余应力，降低爆破对围岩的破坏；

[0103] 孔直径和形状的选择会影响到爆破效果和岩石的破碎情况，一般来说，孔径越大，爆破效果越好，但是孔径过大会增加钻孔的时间和成本；

[0104] 爆破药量的多少会影响到爆破效果和岩石的破碎情况，一般来说，药量越大，爆破效果越好，但是药量过大会增加成本和安全风险。

[0105] 2.将传感器安装在隧道受爆破振动影响较大的区域，例如隧道的开挖面，拱顶，边坡上等。

[0106] 3.将安装好的传感器接入数据采集传输系统，采集每一次进行爆破时的数据以及周边环境数据，其中包括：爆破具体时间、雷管段、孔径以及钻孔深度、每孔装药量、单次剂量以及传感器距离爆破点距离、地质条件描述，传感器监测数据包括x、y、z轴的爆破振动碎度以及频率，计算得到合成速度。

[0107] 4.对传感器采集到的原始数据进行预处理，其中包括去除噪声、填充缺失值、平滑数据，提升数据整体质量。

[0108] 5.算法分析：将采集的数据放入改进的RNN算法模型中进行模型训练，得到训练后的RNN模型；

[0109] 6.将训练后的RNN模型应用于新的数据集，比较预测结果与实际观测值的差异来评估模型的性能。其中，将两者的平均绝对误差(MAE)进行大小比较，1最大，0最小，如果越接近1就说明训练后的RNN模型越不好；MAE的计算公式为：

[0110]

[0111] 其中， 为模型的预测值，yi为模型的真实值，m为样本数；

[0112] 7.利用评估后的模型对爆破振动进行预测，为工程决策提供参考，例如，可以通过调整爆破参数等手段，以免爆破振动对地表建筑物造成影响。

[0113] 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。