基于PCA-BPNN的桥梁爆炸荷载时程预测

杜晓庆; 何益平; 邱涛; 程帅; 张德志

doi:10.11883/bzycj-2023-0343

基于PCA-BPNN的桥梁爆炸荷载时程预测

doi: 10.11883/bzycj-2023-0343

杜晓庆^1,,
何益平¹,
邱涛^1, ,,
程帅²,
张德志²

1.
上海大学力学与工程科学学院，上海 200444
2.
西北核技术研究所，陕西西安 710024

详细信息

作者简介:
杜晓庆（1973－　），男，博士，教授，dxq@shu.edu.cn

通讯作者:
邱　涛（1994－　），男，博士，qiutao@shu.edu.cn

中图分类号: O383
计量
- 文章访问数: 427
- HTML全文浏览量: 104
- PDF下载量: 135
- 被引次数: 38
出版历程
- 收稿日期: 2023-09-26
- 修回日期: 2024-04-19
- 网络出版日期: 2024-04-19
- 刊出日期: 2025-03-05

Prediction of blast loads on bridge girders based on PCA-BPNN

1.
School of Mechanics and Engineering Science, Shanghai University, Shanghai 200444, China
2.
Northwest Institute of Nuclear Technology, Xi’an 710024, Shaanxi, China

摘要

摘要: 人工智能方法是预测爆炸荷载的新手段，但现有方法主要用于预测爆炸冲击波的超压峰值或冲量，而用于预测反射超压时程的研究不多。针对这一问题，以平面冲击波绕射桥梁主梁为对象，提出了一种基于主成分分析（principal components analysis, PCA）和误差反向传播神经网络（backpropagation neural network, BPNN）的桥梁爆炸冲击波反射超压时程预测模型。该预测模型利用PCA降维处理时程数据，基于多任务学习的BPNN算法，提出了考虑超压峰值和冲量峰值影响的损失函数，使模型能有效预测不同入射超压下的桥梁冲击波荷载时程。通过分析多任务学习模型、多输入单输出模型和多输入多输出模型等3种BPNN模型，发现多任务学习模型的预测精度最高，而多输入多输出模型难以有效适应当前预测任务需求。采用多任务学习模型预测得到的桥梁表面各测点位置的反射超压时程、超压峰值精度较高，决定系数R²分别为0.792和0.987，作用在箱梁上的合力时程和扭矩时程预测值也与数值模拟值较为吻合。同时，该模型对内插值预测的表现优于外推值预测，但其在预测外推值方面同样展现出了一定的能力。
- 爆炸荷载预测 /
- 反射超压时程 /
- 误差反向传播神经网络 /
- 主成分分析 /
- 多任务学习
Abstract: Facing the challenges on the accurate and effective prediction under extreme loads, machine learning has gradually demonstrated its potential to replace traditional methods. Existing approaches primarily focus on predicting the peak overpressure or impulse of explosive shock waves, with limited research on predicting the reflected overpressure time history. Load-time history prediction encompasses not only the peak overpressure but also embraces various multi-dimensional information including duration, waveform, and impulse, thereby offering a more comprehensive depiction of the dynamic temporal and spatial characteristics of shock waves. To address this issue, a prediction model for bridge surface reflected overpressure time history is proposed, targeting a planar shock wave diffracting around a bridge section. This model is based on principal component analysis (PCA) and back propagation neural network (BPNN) algorithm with multi-task learning. A loss function considering the impact of peak overpressure and maximum impulse is introduced to fully consider the potential correlations between different modes after PCA dimension reduction. This enables the model to effectively predict bridge shock wave load time histories under varying incident overpressure. Through the analysis of three types of BPNN models, multi-task learning model, multi-input single-output model, and multi-input multi-output model. It was found that the multitask learning model has the highest prediction accuracy, while the multi-input multi-output model struggles to effectively adapt to the current predictive task requirements. The multitask learning model, used for predicting, achieves high precision in forecasting the time history of reflected overpressure at various measurement points on the bridge surface and the peak overpressure values, with R² values of 0.792 and 0.987. It also closely matches the simulation values in predicting the time history of combined forces and torque acting on the box girder. Additionally, this model performs better in interpolative value prediction than in extrapolative value prediction, but it also demonstrates a certain capability in predicting extrapolative values.
- explosion load prediction /
- reflected overpressure time history /
- back propagation neural network /
- principal components analysis /
- multi-task learning

HTML全文

爆破引起的地震动是各种岩土爆破工程都会产生的一种有害效应, 可对矿山边坡的稳定、一定范围内建构筑物的安全等造成不利影响。因此, 在实施爆破工程之前对爆破震动效应进行准确预测, 对控制或避免爆破震动危害具有重要意义。

目前的研究普遍将质点振动速度作为表述爆破地震波衰减规律的一个主要指标, 其影响因素主要包括药量、埋深、爆破方式等爆源因素以及爆心距、传播途径、岩土条件等。在预测爆破振动效应时, 全面和准确地考虑这些因素的影响是非常困难的, 因此通常采用萨氏公式v=K(QⁿR^-1)^-α^[1]或比例距离公式v=K(SD)^-β^[2]等经验公式来反映爆破地震波随距离的衰减规律, 并用以预测质点振速峰值。其中Q为爆破最大一段起爆炸药量, R同为爆心距, 即测点至爆区药包中心的距离, 系数K、α、β是与爆破场地条件、地质条件有关的系数, SD为比例距离(SD=RQ^-n), n为与装药条件有关的系数。但是, 实践中自爆源至不同方向不同距离上各测点的地形及地质条件在绝大多数情况下都存在着较大差异。研究表明:通过现场爆破震动测试获取或按岩石坚硬程度选取的K、α值预测质点振速峰值, 远距离的预测误差可达50%以上, 近距离爆破振动预测的误差则更大^[3-7]。

本文中针对台阶爆破工程环境中地形和地质条件的多变性与复杂性, 提出并运用等效路径和等效距离两个概念, 尝试探索爆破地震波地表质点振速峰值随等效距离衰减的一般规律, 从而建立一种对地形和地质条件具有一定普适性的爆破地震波质点振速峰值预测方法。

1. 研究现状及问题

爆破产生的地震波是在地表以下的岩土体这样一种半无限介质体中逐渐向外传播的。在如图 1所示的露天矿山和大多数的自然地形环境中, 爆源与测点之间的地形往往呈凹凸起伏状, 爆破地震波不一定能在岩石中沿一条直线传播至测点位置。根据惠更斯-菲涅耳原理^[8], 可认为任意地形条件下测点位置上的震动是整个地震波波前各子波向测点位置直线传播并在测点位置叠加的结果。然而, 尽管这种定性的理论描述能够反映爆破地震波传播的某些本质, 但迄今尚无法在严格的科学意义上对该问题给出数学上的解析解, 即还不能通过波动理论给出一个能够反映复杂地形条件下质点振速峰值与爆破地震波传播距离之间关系的数学表达式。

图 1 某露天矿山地形概貌

Figure 1. Photo of topographic environment of a surface mine

下载: 全尺寸图片幻灯片

目前仍普遍采用基于工程类比的经验公式来预测爆破震动效应。表 1为比较常用的爆破振动速度预测的经验公式。

表 1 爆破地表质点振速峰值预测经验公式^[9]

Table 1. Empirical equations for prediction of blast induced peak particle velocity

中国	美国	瑞典	英国	日本	印度
$v = K{\left( {\frac{{{Q^n}}}{R}} \right)^a}$	$v = K{\left( {R{Q^{ - n}}} \right)^a}$	$v = K\frac{{{Q^{1/2}}}}{{{R^{1/3}}}}$	$v = K\frac{{{Q^{1/2}}}}{R}$	$v = K\frac{{{Q^{3/4}}}}{{{R^2}}}$	$v = K{\left( {\frac{Q}{{{R^{\left. {2/3} \right)}}}}} \right)^a}$

下载: 导出CSV

| 显示表格

采用表 1中各公式及比例距离公式预测质点振速峰值, 具有两个共同的重要特点:一是用若干个系数(如K和α)的值反映地质地形条件对地表质点振速峰值的影响, 二是用爆心距R作为确定测点位置上质点振速峰值的一个重要因素。在我国的爆破工程实践中, 通常是通过现场爆破震动测试获取或按岩石坚硬程度从相关的规程中选取K和α的值。显然, 采用这种做法预测质点振速峰值, 自爆源/爆区至预测点之间的地质地形条件须与选定的K和α值具有足够高的一致性, 才有可能保证预测结果的准确性。但在矿山乃至其周围, 爆源至不同方向不同距离上各测点的地质地形条件往往存在着各种各样或大或小的差异。在沿台阶走向方向, 近距离范围内的地形一般都较为平坦, 而在垂直或斜交台阶走向方向上的凹凸起伏却往往比较大(见图 2)。与之同时, 不同区域不同方向上的岩石种类一般也存在着不可忽略的差异。因此, 尽管是在同一个矿山, 任何一组选定的K、α值都无法同时有效地反映不同区域不同方向上不同地形和地质条件的影响。

图 2 某露天矿山局部地形轮廓线

Figure 2. Part of ground surface profile of a surface mine

下载: 全尺寸图片幻灯片

另外, 在露天矿山台阶爆破工程环境下, 应用以上所述的经验公式时, 除地形平坦的情况外, 如何确定爆心距R也是一个无法回避的重要问题。在图 2中, 如果取爆心距R为爆源与测点之间的直线距离, 就无法反映爆源与测点之间可能存在的凹陷地形对爆破地震波传播的影响。然而, 如何定义类似的凹凸起伏地形条件下的爆心距, 在业界尚未形成共识。

关于地形对爆破地震波传播影响的研究很多, 且取得了不少积极的进展。谭文辉等^[10]基于爆破振动监测, 发现高程差和岩石性质对萨氏公式的K、α值都具有重要影响。张华等^[11]发现应用传统的萨氏公式确定深凹露天爆破振动速度衰减规律时具有很大的误差, 并提出了一个考虑高程效应等因素的修正公式。为反映高程差对爆破振动效应的影响, 刘美山等^[12]对萨氏公式进行了改进, 提出用公式v=K(Q^1/3R^-1)^αe^βH预测质点振速峰值, 式中H为从测点到爆破中心的垂直距离, β是与地质条件有关的系数, 其他参数的含义同前。朱传统等^[5]认为振动速度沿高程有放大效应, 因而振动速度的计算公式应为v=K(Q^1/3R^-1)^α(Q^1/3H^-1), 之后裴来政^[13]用该公式对金堆城露天矿高边坡爆破振动效应进行了分析, 认为爆破振动速度随着高程的增加存在一定的放大效应。宋光明等^[7]则提出用公式v=K(Q^1/3R^-1)^α(RS^-1)来确定边坡上爆破地震波的衰减, 其中R、S分别为爆心至测点的斜距和水平距离。但是, 如何反映爆源与测点之间地形的变化对质点振速峰值的影响及其规律, 尚需进一步的研究。

2. 爆破地震波传播的等效路径

爆破地震波的传播过程即是其在地表以下的岩土体中随距离衰减的过程。对这一距离给出准确的定义, 是研究爆破地震波传播距离与地表质点振速峰值之间关系以确定爆破地震波衰减规律的前提。

在其他因素都不变的前提下, 可假定测点位置上的质点振速峰值取决于爆破地震波自爆源向测点传播过程中行走的最短距离。如果这一假定成立, 则可以该假定作为确定任意地形条件下爆破地震波的传播路径与距离的基本准则。爆破地震波沿此路径传播的距离在形式上等效于平坦地形条件下爆源至测点的直线距离。从这个意义上讲, 可将该路径称为等效路径, 并将该路径的长度称为等效距离。

2.1 台阶地形下等效路径与等效距离的确定

在如图 3所示的台阶地形条件下, 从爆源O画一直线段至测点位置, 若该直线段内有与地表面相交的现象, 则地震波不能沿此直线传播到测点位置。此时爆破地震波传播的路径即等效路径的确定方法与步骤为:

图 3 台阶地形条件下的等效路径

Figure 3. Equivalent path in bench-like topography

下载: 全尺寸图片幻灯片

(1) 以最大一段装药量Q的质心O为原点作一射线(记为L₀), 以O为轴在地表以下向测点M旋转L₀, 记L₀与地表或地表面上不同岩种交界线首先相交的第1个节点为P₁, 则用OP₁表示等效路径的第1段折线段, 记其长度为R₀;

(2) 然后以点P₁为轴向测点M旋转L₁(以P₁为起点的射线), L₁与地表相交的第1个节点为P₂, 则P₁P₂为等效路径的第2段折线段, 记其长度为R₁, 并记OP₁和P₁P₂的交角为θ₁; 以此类推, 直至L_i(以P_i为起点的射线, 当i=0时, 则P₀即为O点)与地面相交的点为测点M。

于是, 台阶地形条件下爆破地震波传播的等效距离R可表示为:

$R = \sum\limits_{i = 0}^n {{R_i}} \;\;\;\;\;\;\;\;i = 0, 1, 2, \cdots$

(1)

根据惠更斯-菲涅尔原理, 假设波的传播方向与次波传播方向之间的夹角为θ_i, 则波的振幅将随夹角θ_i的增大而减小。应用古斯塔夫·基尔霍夫给出的倾斜因子^[8]:

$K\left( {{\theta _i}} \right) = \left( {1 + \cos {\theta _i}} \right)/2\;\;\;\;\;\;\;\;i = 0, 1, 2, \cdots$

(2)

式(1)可改写为:

$R' = \sum\limits_{i = 0}^n {\left[ {{R_i}/K\left( {{\theta _i}} \right)} \right]} = \sum\limits_{i = 0}^n {\left[ {2{R_i}/\left( {1 + \cos {\theta _i}} \right)} \right]} \;\;\;\;\;\;\;\;i = 0, 1, 2, \cdots$

(3)

式中:R_i为节点P_i至节点P_i+1的直线距离, θ_i为地震波传播至节点P_i处的倾斜角度。

综上所述, 台阶地形条件下的等效路径即是以最大一段装药量Q的质心O为始点、以测点位置M为终点的折线, 折线上的各个节点是地表面轮廓线上的拐点。

2.2 凹陷地形的等效路径与等效距离的确定

以如图 4所示具有凹陷曲面的地形条件为例, 以节点P₁为轴向测点M逆时针旋转垂线l, 其与凹陷段地表面轮廓线相切或相交的第1点即为节点P₂, 然后以测点M为轴向节点P₂顺时针旋转垂线l, l与凹陷段地表面轮廓线的切点或交点即为节点P₃。

图 4 凹陷地形条件下的等效路径

Figure 4. Equivalent path under concave topography conditions

下载: 全尺寸图片幻灯片

基于一般的应力波传播理论, 爆破地震波自节点P₂传播至节点P₃的过程极为复杂, 难以采用理论解析的方法表征其传播的规律。对于此种情况, 可采用以下步骤近似确定节点P₂与节点P₃之间的等效距离:

(1) 自测点M向节点P₃引直线并延长, 同时延长自节点P₁至节点P₂的直线；

(2) 设二延长线的交点至地表的最短距离为B, 将该距离的1/2处视为节点C；

(3) 将自节点P₂至节点P₃凹陷地形的等效路径分为两段, 各段的等效距离依次为R₂和R′₂。

3. 基于等效路径的质点振速峰值

运用上述等效路径和等效距离的概念, 同时综合考虑最大一段装药量、炸药的定容爆热、爆破地震波传播的等效距离及该距离上岩石的波阻抗和岩体完整性系数对地表质点振速峰值的影响, 引入式(1)~(3), 台阶爆破地表质点振速峰值与地震波传播的等效距离之间的关系可表示为:

$v = K{\left[ {\frac{{{{\left( {Q{Q_V}} \right)}^\beta }\left( {1 + \cos {\theta _i}} \right)}}{{\sum\limits_{i = 0}^n {\left( {2{R_i}{\rho _i}{c_{{m_i}}}/{\eta _i}} \right)} }}} \right]^a}\;\;\;\;\;\;\;\;i = 0, 1, 2, \cdots$

(4)

式中:v为质点振速峰值; Q为最大一段装药量; Q_V为炸药的定容爆热; R_i为节点P_i(等效路径上的拐点和岩石岩性变化的分界点)与节点P_i+1之间的等效距离; θ_i为地震波传播路径上节点P_i处的方向角; ρ_i为等效路径P_iP_i+1上所对应岩石的密度; c_{m_i}为等效路径P_iP_i+1上所对应岩体的纵波传播速度; η_i为等效路径P_iP_i+1上所对应岩体的完整性系数, η_i=(c_m/c_r)², 其中c_m和c_r分别为岩体和岩石的纵波传播速度; K、α为系统常数; β为对远距离台阶炮孔爆破质点振速预测, 可将最大一段装药量视为集中药包, 取β=1/3。

为叙述方便, 以下将式(4)称为等效距离公式, 应用该公式预测不同地形地质条件下不同距离上地表质点振速峰值, 并检验其反映爆破地震波随距离衰减规律的有效性和可靠性。

需要说明的是, 萨氏公式的K和α是用来反映地质地形条件影响的两个参数, 而等效距离公式中的K和α则是该公式的两个常数项。

4. 质点振速峰值计算公式的实验检验

在一大型露天矿山进行了一系列台阶爆破震动监测, 并应用最小二乘法对监测数据进行回归拟合处理, 得出了公式中系统常数K和α的值。将质点振速峰值的预测值与实测值进行对比, 以检验该公式的有效性和可靠性。

4.1 爆破震动监测

测振仪器为NUBOX-6016智能振动监测仪, 监测记录的数据主要包括地表质点振动速度时程曲线, 且可读取测点处的质点振速峰值及主频。

各测线上各个爆破振动传感器将爆破地震动信号转换为电信号, 然后再由爆破震动记录仪转化为数字信号, 并以如图 5所示的质点振速时程曲线的形式记录保存。测点位置的质点振速峰值可由爆破震动分析软件自动从质点振速时程曲线上读出。

图 5 质点振速时程图示例

Figure 5. An example of the monitored seismogram of blast induced ground vibrations

下载: 全尺寸图片幻灯片

为保证爆破信号振动在收集阶段产生的误差尽可能减小, 测点位置的岩石应较为完整且坚硬, 传感器与地面间用石膏形成刚性粘结, 且保证传感器水平放置, 其X向指向爆心。在地表岩石破碎地段, 测试时将传感器用长20 cm的铁桩固定于地面, 以形成传感器与地面的刚性连接, 避免测得的数据失真。使用多台仪器同时测试的时候, 测点分布在一条指向爆区最大一段装药量位置的直线上(见图 6)。

图 6 爆破震动监测振动传感器的布置示例

Figure 6. An example of layout of geophones for monitoring of blast induced ground vibrations

下载: 全尺寸图片幻灯片

在进行爆破震动监测的同时, 系统统计爆破及最大一段起爆炸药量及其位置坐标、炮孔装药种类与爆炸性能参数、爆破振动监测传感器的位置坐标、地形与岩层数据及其他的相关爆破技术参数等。铵油炸药和乳化炸药的定容爆热Q_V分别为3 840、3 200 kJ/kg, 岩石与岩体的相关参数列于表 2。监测得到的地表质点振速峰值数据列于表 3。

表 2 岩石与岩体的相关参数

Table 2. Parameters of rock and rock mass

岩种		岩石密度ρ/(g·cm^-3)	岩石波速c/(km·s^-1)	岩体波速c′/(km·s^-1)	岩体完整性系数η
Fe1	Fe11	3.526	5.33	3.35	0.395
	Fe12	3.526	5.33	4.13	0.600
	Fe13	3.526	5.33	4.62	0.750
Fe2	Fe21	3.461	5.13	2.29	0.200
Fe2	Fe22	3.461	5.13	3.15	0.376
SS	SS1	2.577	5.01	2.74	0.300
	SS2	2.577	5.01	3.71	0.550
	SS3	2.577	5.01	4.58	0.836
	SS4	2.577	5.01	4.75	0.900

下载: 导出CSV

| 显示表格

表 3 质点振速峰值现场监测结果

Table 3. Recorded peak particle velocity (v_max) from field seismic monitoring

测点序号	最大单段装药量Q/kg		分段等效距离R_i/m			等效距离 ∑R_i/m	质点振速峰值 v/(cm·s^-1)	主频 f/Hz
测点序号	乳化	铵油	Fe1	Fe2	SS	等效距离 ∑R_i/m	质点振速峰值 v/(cm·s^-1)	主频 f/Hz
1	540	360	135.99	0	153.25	289.24	1.09	4.88
3	540	360	156.58	0	478.00	634.58	0.29	11.72
4	0	750	0	0	149.86	149.86	2.74	40.04
5	0	750	0	0	220.59	220.59	1.61	18.55
6	0	750	129.00	67.61	452.24	648.85	0.13	12.70
7	450	0	0	258.92	98.2	357.12	0.60	26.37
8	450	0	0	261.76	27.71	289.47	0.97	10.74
9	450	0	34.29	140.71	123.45	298.45	0.8	4.88
10	270	450	0	0	553.66	553.66	0.43	33.20
11	270	450	0	0	553.66	553.66	0.49	33.20
12	270	450	0	0	741.59	741.59	0.25	12.70
13	0	450	70.71	0	45.16	115.87	3.15	34.18
14	0	450	70.71	0	45.16	115.87	3.15	34.18
15	0	450	72.04	232.42	148.95	453.41	0.20	16.60
⋮	⋮	⋮	⋮	⋮	⋮	⋮	⋮	⋮
48	0	420	7.68	89.09	120.22	216.99	1.92	35.16

下载: 导出CSV

| 显示表格

4.2 系统常数K、α值的求解

应用最小二乘法对表 3所列质点振速峰值实测结果数据进行等效距离公式(式(4))的回归拟合分析, 以求得公式常数项K、α的值, 同时考察该公式与实测数据的相关性及误差水平。对式(4)两边取对数, 得

$\ln v = \ln K + \alpha \ln \left[ {\frac{{{{\left( {Q{Q_V}} \right)}^{1/3}}\left( {1 + \cos {\theta _i}} \right)}}{{\sum\limits_{i = 0}^n {\left( {2{R_i}{\rho _i}{c_{{m_i}}}/{\eta _i}} \right)} }}} \right]$

(5)

设 $x = \ln \left[ {\frac{{{{\left( {Q{Q_V}} \right)}^{1/3}}\left( {1 + \cos {\theta _i}} \right)}}{{\sum\limits_{i = 0}^n {\left( {2{R_i}{\rho _i}{c_{{m_i}}}/{\eta _i}} \right)} }}} \right]$ ,y=lnv, a=lnK, b=α, 得:

$y = a + bx$

(6)

按式(6)对表 3所列数据进行线性回归拟合处理(图 7), 可得式(4)中的系统常数K=1 528, α=1.91;在置信度为95%时, 其相关系数R=0.982 5, 剩余均方差σ_R=0.226 8, 质点振速峰值与式(4)等号右边的等效距离等各个参量的相关性强, 且离散性较小。因此, 式(4)可写为:

$v = 1\;528{\left[ {\frac{{{{\left( {Q{Q_V}} \right)}^{1/3}}\left( {1 + \cos {\theta _i}} \right)}}{{\sum\limits_{i = 0}^n {\left( {2{R_i}{\rho _i}{c_{{m_i}}}/{\eta _i}} \right)} }}} \right]^{1.91}}\;\;\;\;\;\;\;\;i = 0, 1, 2, \cdots$

(7)

图 7 置信度为95%时公式(6)的线性回归拟合结果

Figure 7. Fitted results of linear regression of the equation (6) with a confidence level of 95%

下载: 全尺寸图片幻灯片

4.3 误差检验及结果

应用等效距离公式(式(7))对表 3所列各测点的质点振速峰值进行预测, 然后将预测结果分别与实测结果及应用萨氏公式预测得到结果进行对比, 可以检验采用等效距离公式预测台阶爆破地表质点振速峰值的准确性和可靠性。

4.3.1 萨氏公式K、α值的求算

采用萨氏公式对表 3所列质点振速峰值和最大一段装药量数据进行如式(5)~(6)的回归拟合处理, 分别得到取水平距离和空间直线距离时萨氏公式的K和α值(见表 4)。

表 4 萨氏公式回归分析结果

Table 4. Calculated results of linear regression of peak particle velocity with Sardofsky's equation

参数	水平距离	空间距离
K	704.226 5	702.540 0
α	1.938 4	1.927 4
相关系数R	0.953 6	0.951 5
剩余均方差σ_R	0.366 4	0.374 3

下载: 导出CSV

| 显示表格

由表 4可见, 用萨氏公式预测的质点振速峰值虽与最大一段装药量Q和距离R的相关性较强, 但其剩余均方差都远高于等效距离公式, 离散性偏大。

4.3.2 预测误差计算与对比

分别应用等效距离公式和萨氏公式预测各实测位置上的爆破地震波质点振速峰值, 其各自的误差分析结果如表 5所示。在表 5中, 相对误差ε为质点振速峰值的预测值与实测值之差的绝对值与实测值之比, 平均误差ε′为表 5中各样本的相对误差之和与样本个数之比。

表 5 等效距离公式及萨氏公式的质点振速峰值预测值与实测值的比较

Table 5. Relative error ε and the average relative error of the equivalent distance equation and Sardovsky's equationto the recorded data

序号	实测值/(cm·s^-1)	萨氏公式(水平距离)		萨氏公式(空间距离)		等效距离公式
序号	实测值/(cm·s^-1)	预测值/(cm·s^-1)	相对误差ε/%	预测值/(cm·s^-1)	相对误差ε/%	预测值/(cm·s^-1)	相对误差ε/%
1	1.09	1.50	37.96	1.54	41.24	1.19	9.56
2	0.58	0.75	29.96	0.78	34.31	0.76	31.71
3	0.29	0.26	11.07	0.27	7.02	0.37	28.50
4	2.74	3.45	26.01	3.53	28.80	3.32	21.16
5	1.61	1.17	27.49	1.18	26.62	1.59	1.45
6	0.13	0.19	46.81	0.20	52.57	0.18	35.09
7	0.60	0.49	18.06	0.43	28.40	0.50	16.85
8	0.97	0.75	23.17	0.66	31.94	0.64	33.94
9	0.80	0.60	24.51	0.63	21.49	0.60	25.57
10	0.43	0.57	33.35	0.60	38.79	0.46	6.17
11	0.49	0.57	17.03	0.60	21.79	0.46	6.83
12	0.25	0.14	44.44	0.15	41.92	0.26	4.51
13	3.15	3.67	16.47	3.72	18.21	3.92	24.48
24	3.15	3.67	16.47	3.72	18.21	3.92	24.48
15	0.20	0.27	32.55	0.27	35.72	0.27	35.43
⋮	⋮	⋮	⋮	⋮	⋮	⋮	⋮
48	1.92	1.11	42.44	1.11	42.40	1.42	26.13
平均误差ε′/%		32.0		32.69		19.14

下载: 导出CSV

| 显示表格

由表 5可见:与实测值相比, 采用等效距离公式预测质点振速峰值的平均误差为19.14%。而采用萨氏公式, 分别取水平距离和空间距离作为公式中的距离R时, 质点振速峰值预测结果的平均误差分别为32.00%和32.69%, 即采用水平距离和空间距离时萨氏公式的预测误差分别比等效距离公式高约67%和71%, 说明采用本文中提出的等效距离公式预测台阶爆破地表质点振速峰值, 能够更准确地反映爆破地震波随距离衰减的基本规律, 预测更为准确可靠。

5. 结论

(1) 提出了一种预测地表质点振速峰值的计算公式等效距离公式, 该预测方法同时考虑了最大一段装药量和炸药的定容爆热、等效距离、等效路径上岩体介质的波阻抗和完整性系数等因素的影响, 并且该预测公式中等效路径和等效距离概念的提出, 有效反映了爆破地震波在传播路径中不同岩性和复杂地形对其衰减规律的影响。

(2) 将应用该公式预测台阶爆破地震波地表质点振速峰值的结果与实测值进行对比, 发现该公式能够基本准确地反映矿山环境中具体地形和地质条件对爆破地震波地表质点振速峰值的影响, 预测结果的准确性显著高于国内外广泛采用的萨氏公式, 表明该公式较为准确地反映了矿山复杂地形条件下爆破地震波随等效距离衰减的基本规律, 为爆破震动预测提供了一种更为有效的新方法。

(3) 该预测方法在台阶爆破工程中预测地表质点峰值速度的有效性和准确性已经得到验证, 但在地下爆破工程预测质点峰值速度还有待进一步实践和验证。

图 1 主梁表面测点布置示意图

Figure 1. Schematic diagram of surface measurement points layout on the main beam

下载: 全尺寸图片幻灯片

图 2 计算域与边界条件

Figure 2. Computational domain and boundary conditions

下载: 全尺寸图片幻灯片

图 3 自由场超压时程曲线

Figure 3. Free-field overpressure time history curves

下载: 全尺寸图片幻灯片

图 4 PCA-BPNN训练和预测流程图

Figure 4. Process of training and predicting for PCA-BPNN

下载: 全尺寸图片幻灯片

图 5 累积方差解释率随主成分数量的变化

Figure 5. Variation of cumulative variance contribution with the number of principal components

下载: 全尺寸图片幻灯片

图 6 R²随主成分数量的变化

Figure 6. Variation of R² with the number of principal components

下载: 全尺寸图片幻灯片

图 7 多输出反向传播神经网络

Figure 7. Multi-output BPNN

下载: 全尺寸图片幻灯片

图 8 单输出反向传播神经网络

Figure 8. Single-output BPNN

下载: 全尺寸图片幻灯片

图 9 输入输出变量之间的相关矩阵

Figure 9. Correlation matrix between input and output

下载: 全尺寸图片幻灯片

图 10 K折交叉验证示意图

Figure 10. Schematic diagram of K-fold cross-validation

下载: 全尺寸图片幻灯片

图 11 入射超压0.3 MPa下测点的反射超压和冲量时程曲线

Figure 11. Reflected overpressure and impulse time histories at measurement points under 0.3 MPa incident overpressure

下载: 全尺寸图片幻灯片

图 12 入射超压0.8 MPa下测点的反射超压和冲量时程曲线

Figure 12. Reflected overpressure and impulse time histories at measurement points under 0.8 MPa incident overpressure

下载: 全尺寸图片幻灯片

图 13 入射超压1.5 MPa下测点的反射超压和冲量时程曲线

Figure 13. Reflected overpressure and impulse time histories at measurement points under 1.5 MPa incident overpressure

下载: 全尺寸图片幻灯片

图 14 入射超压0.3 MPa下箱梁的合力和扭矩时程曲线

Figure 14. Resultant force and torque time histories of box girder under 0.3 MPa incident overpressure

下载: 全尺寸图片幻灯片

图 15 入射超压0.8 MPa下箱梁的合力和扭矩时程曲线

Figure 15. Resultant force and torque time histories of box girder under 0.8 MPa incident overpressure

下载: 全尺寸图片幻灯片

图 16 入射超压1.5 MPa下箱梁的合力和扭矩时程曲线

Figure 16. Resultant force and torque time histories of box girder under 1.5 MPa incident overpressure

下载: 全尺寸图片幻灯片

图 17 不同入射超压下模型超压峰值预测拟合曲线

Figure 17. Model overpressure peak prediction fit graph under different incident overpressures

下载: 全尺寸图片幻灯片

图 18 超压峰值的数值模拟值与预测值对比

Figure 18. Comparison of peak overpressure between numerical simulation and predictive values

下载: 全尺寸图片幻灯片

表 1 超压峰值的各模型预测评价指标

Table 1. Evaluation metrics for peak overpressure prediction models

预测模型	RMSE	MAE	MAPE	R²
多输出模型	1.089	0.788	3.105	−0.386
单输出模型	0.152	0.092	0.220	0.976
多任务模型	0.115	0.074	0.180	0.987

下载: 导出CSV

表 2 冲量峰值的各模型预测评价指标

Table 2. Evaluation metrics for peak impulse prediction models

预测模型	RMSE	MAE	MAPE	R²
多输出模型	3.970	2.822	0.554	−0.403
单输出模型	0.866	0.646	0.133	0.934
多任务模型	0.693	0.542	0.109	0.958

下载: 导出CSV

表 3 超压时程曲线的各模型预测评价指标

Table 3. Evaluation metrics of overpressure time-history prediction models

预测模型	RMSE	MAE	MAPE	R²
多输出模型	0.173	0.068	−	−5.466
单输出模型	0.069	0.015	−	0.753
多任务模型	0.065	0.014	−	0.792

下载: 导出CSV

表 4 模型预测误差及经验公式计算误差对比

Table 4. Comparison of model prediction error and empirical formula calculation error

方法	p_i,max=0.3 MPa		p_i,max=0.8 MPa		p_i,max=1.5 MPa
方法	超压时程的R²	最大冲量的MAPE	超压时程的R²	最大冲量的MAPE	超压时程的R²	最大冲量的MAPE
PCA-BPNN	0.81	0.124	0.92	0.052	0.46	0.262
经验公式	−0.33	0.410	−2.05	0.573	−1.42	0.396

下载: 导出CSV

参考文献(27)

[1]	CLUBLEY S K. Non-linear long duration blast loading of cylindrical shell structures [J]. Engineering Structures, 2014, 59: 113–126. DOI: 10.1016/j.engstruct.2013.10.030.
[2]	DENNY J W, CLUBLEY S K. Long-duration blast loading & response of steel column sections at different angles of incidence [J]. Engineering Structures, 2019, 178: 331–342. DOI: 10.1016/j.engstruct.2018.10.019.
[3]	JIANG Y X, ZHANG B Y, WANG L, et al. Dynamic response of polyurea coated thin steel storage tank to long duration blast loadings [J]. Thin-Walled Structures, 2021, 163: 107747. DOI: 10.1016/j.tws.2021.107747.
[4]	SAKURAI A. Blast wave theory [M]. Mathematics Research Center, United States Army, University of Wisconsin, 1964.
[5]	RIGBY S E, AKINTARO O I, FULLER B J, et al. Predicting the response of plates subjected to near-field explosions using an energy equivalent impulse [J]. International Journal of Impact Engineering, 2019, 128(1): 24–36. DOI: 10.1016/j.ijimpeng.2019.01.014.
[6]	KINGERY C N, BULMASH G. Airblast parameters from TNT spherical air burst and hemispherical surface burst [R]. US Army Armament and Development Center, Ballistic Research Laboratory, 1984.
[7]	RIGBY S E, TYAS A, FAY S D, et al. Validation of semiempirical blast pressure predictions for far field explosions: is there inherent variability in blast wave parameters? [C]//Proceedings of the 6th International Conference on Protection of Structures Against Hazards. Sheffield, 2014.
[8]	LARCHER M, CASADEI F. Explosions in complex geometries: a comparison of several approaches [J]. International Journal of Protective Structures, 2010, 1(2): 169–195. DOI: 10.1260/2041-4196.1.2.169.
[9]	DENNIS A A, PANNELL J J, SMYL D J, et al. Prediction of blast loading in an internal environment using artificial neural networks [J]. International Journal of Protective Structures, 2021, 12(3): 287–314. DOI: 10.1177/2041419620970570.
[10]	HANSEN O R, HINZE P, ENGEL D, et al. Using computational fluid dynamics (CFD) for blast wave predictions [J]. Journal of Loss Prevention in the Process Industries, 2010, 23(6): 885–906. DOI: 10.1016/j.jlp.2010.07.005.
[11]	REMENNIKOV A M, ROSE T A. Modelling blast loads on buildings in complex city geometries [J]. Computers & Structures, 2005, 83(27): 2197–2205. DOI: 10.1016/j.compstruc.2005.04.003.
[12]	SOHAIMI A S M, RISBY M S. Using computational fluid dynamics (CFD) for blast wave propagation under structure [J]. Procedia Computer Science, 2016, 80: 1202–1211. DOI: 10.1016/j.procs.2016.05.463.
[13]	HASTIE T, TIBSHIRANI R, FRIEDMAN J H, et al. The elements of statistical learning: data mining, inference, and prediction [M]. New York: Springer, 2009.
[14]	FLOOD I, BEWICK B T, DINAN R J, et al. Modeling blast wave propagation using artificial neural network methods [J]. Advanced Engineering Informatics, 2009, 23(4): 418–423. DOI: 10.1016/j.aei.2009.06.005.
[15]	REMENNIKOV A M, ROSE T A. Predicting the effectiveness of blast wall barriers using neural networks [J]. International Journal of Impact Engineering, 2007, 34(12): 1907–1923. DOI: 10.1016/j.ijimpeng.2006.11.003.
[16]	BEWICK B, FLOOD I, CHEN Z. A neural-network model-based engineering tool for blast wall protection of structures [J]. International Journal of Protective Structures, 2011, 2(2): 159–176. DOI: 10.1260/2041-4196.2.2.159.
[17]	ALSHAMMARI O G, ISAAC O S, CLARKE S D, et al. Mitigation of blast loading through blast-obstacle interaction [J]. International Journal of Protective Structures, 2023, 14(3): 357–389. DOI: 10.1177/20414196221115869.
[18]	PANNELL J J, RIGBY S E, PANOUTSOS G. Physics-informed regularisation procedure in neural networks: an application in blast protection engineering [J]. International Journal of Protective Structures, 2022, 13(3): 555–578. DOI: 10.1177/20414196211073501.
[19]	PANNELL J J, RIGBY S E, PANOUTSOS G. Application of transfer learning for the prediction of blast impulse [J]. International Journal of Protective Structures, 2023, 14(2): 242–262. DOI: 10.177/20414196221096699.
[20]	LI Q L, WANG Y, SHAO Y D, et al. A comparative study on the most effective machine learning model for blast loading prediction: from GBDT to transformer [J]. Engineering Structures, 2023, 276: 115310. DOI: 10.1016/j.engstruct.2022.115310.
[21]	LI Q L, WANG Y, LI L, et al. Prediction of BLEVE loads on structures using machine learning and CFD [J]. Process Safety and Environmental Protection, 2023, 171: 914–925. DOI: 10.1016/j.psep.2023.02.008.
[22]	HUANG Y, ZHU S J, CHEN S W. Deep learning-driven super-resolution reconstruction of two-dimensional explosion pressure fields [J]. Journal of Building Engineering, 2023, 78: 107620. DOI: 10.1016/j.jobe.2023.107620.
[23]	孙传猛, 裴东兴, 陈嘉欣, 等. 基于深度学习的爆炸冲击波信号重构模型 [J]. 计测技术, 2022, 42(2): 57–67. DOI: 10.11823/j.issn.1674-5795.2022.02.07. SUN C M, PEI D X, CHEN J X, et al. Model for reconstruction of explosion shock wave signals based on deep learning [J]. Measurement Technology, 2022, 42(2): 57–67. DOI: 10.11823/j.issn.1674-5795.2022.02.07.
[24]	QIU T, CHENG S, DU X Q, et al. Spacing effects on blast loading characteristics of two tandem square columns under planar shock waves [J]. Physics of Fluids, 2023, 35(12): 127116. DOI: 10.1063/5.0177869.
[25]	KARLOS V, LARCHER M, SOLOMOS G. Analysis of the blast wave decay coefficient in the Friedlander equation using the Kingery-Bulmash data [R]. Joint Research Center, European Commission, 2015.
[26]	ZHOU Z H. Machine learning [M]. Springer Nature, 2021. DOI: 10.1007/978-981-15-1967-3.
[27]	MISRA D. Mish: a self-regularized non-monotonic activation function[R]. British Machine Vision Conference, 2019. DOI: 10.48550/arXiv.1908.08681.

施引文献

期刊类型引用(11)

1.	张曌, 张瑞新, 付士根, 付搏涛, 王有湃. 露天矿抛掷爆破技术发展现状及应用前景. 振动与冲击. 2025(13) 百度学术
2.	蒙贤忠，夏宇磬，周传波，冯庆高，蒋楠，杨玉民. 土–岩地层水平孔爆破诱发振动传播特征及预测. 岩石力学与工程学报. 2025(03): 737-751 . 百度学术
3.	张波. 岩体及充填体爆破振动速度衰减规律研究. 黄金. 2024(05): 14-18 . 百度学术
4.	师文强，王思杰，杜文秀，宝音吉雅，杨旭，龚敏，高宇航. 基于SPH-FEM耦合算法的台阶精准爆破延期时间研究及应用. 金属矿山. 2024(05): 210-219 . 百度学术
5.	张云鹏，葛晓东，武旭，王杰. 爆破地震波入射角度对振动和放大效应的影响. 工程爆破. 2023(01): 122-129 . 百度学术
6.	徐振洋，莫宏毅，包松，赵建宇，王雪松，刘鑫，陈占扬. 基于VMD-Teager的露天边坡爆破振动信号能量特征研究. 振动与冲击. 2023(07): 77-88+105 . 百度学术
7.	张智宇，张智，黄永辉，雷振，翟斌. 基于HHT频谱分析研究断层对爆破地震波传播的影响. 有色金属(矿山部分). 2021(04): 138-144 . 百度学术
8.	王智德，江俐敏，祝文化，夏元友. 顺层岩质边坡爆破荷载作用下的振动传播规律研究. 爆破. 2019(01): 55-62+83 . 百度学术
9.	张声辉，刘连生，钟清亮，邱金铭，钟文. 露天边坡爆破地震波能量分布特征研究. 振动与冲击. 2019(07): 224-232 . 百度学术
10.	赵明生，张光雄，刘军，李继业，余红兵，刘强，何兴贵. 露天台阶爆破智能化设计软件. 爆破. 2018(02): 72-79 . 百度学术
11.	秦晓星，蒲传金，徐金贵，贺高威，肖定军. 爆破振动在台阶边坡上的传播规律与预测分析. 有色金属(矿山部分). 2018(03): 45-50 . 百度学术