武汉理工大学任高峰团队：基于PSO-XGBoost的爆破振动峰值速度预测研究

爆破振动速度是用来衡量爆破振动强度的重要参数。因此，对爆破振动速度进行精准预测具有重要意义。国内外学者采用机器学习方法在爆破振动峰值速度预测方面取得了一定的效果，但是还存在着选取数据较少、包含因素少、模型预测精度有限、容易过拟合等问题。武汉理工大学任高峰团队通过基于决策树的特征重要性分析，选取了爆心距、炸药爆速、孔距、堵塞长度、孔深、单段药量6个变量作为输入特征，利用粒子群优化算法(PSO)对XGBoost模型的决策树数目、决策树最大深度、学习率3个参数进行寻优，构建了PSO-XGBoost爆破振动峰值速度预测模型与BPNN、AdaBoost、GBDT、RF、SVR模型的预测结果进行对比，PSO-XGBoost模型的预测性能最佳，预测结果最优。为了进一步推广应用预测成果，开发设计了一套爆破振动峰值速度预测系统

特征重要性分析

基于决策树的特征重要性分析是一种用于理解数据集中哪些特征对于预测目标变量最为重要的方法。决策树算法通过递归地选择最佳属性来分割数据集，从而构建一棵树结构模型。在这个过程中，每个内部节点代表一个属性上的测试，每个分支代表一个测试结果，而每个叶节点代表一个输出值。在随机森林模型中，特征的重要性通常是通过衡量该特征在所有树中的贡献来计算。

本研究获取某爆破工程97组实测数据，收集了岩石普氏系数、单段药量、孔距、抵抗线、孔深、堵塞长度、炮孔直径、药卷直径、炸药密度、炸药爆速、爆心距11个指标作为爆破振动峰值速度的影响因子，对这些变量进行归一化处理，而后通过特征重要性分析重要影响因素。结果表明，爆心距对于模型最为重要，其余特征中炸药爆速、孔距、堵塞长度、孔深、单段药量、炸药密度对于模型较为重要，抵抗线、普式系数、药卷直径、炮孔直径对模型影响较小。

图1 特征重要性

为探究不同输入变量对PSO-XGBoost的影响，通过减少输入变量的数量分析3种指标的变化情况来进行敏感性分析前6种特征数量中，MSE、RMSE呈减小的趋势，R2呈增大的趋势；在特征数量为6时，MSE、RMSE均为最小，R2最大；继续增加特征的数量，MSE和RMSE开始增大，而后稳定，R2开始减小而后稳定。由此可知，在特征数量为6，即输入特征为爆心距、炸药爆速、孔距、堵塞长度、孔深、单段药量时，模型的拟合能力最佳，误差最小，炸药密度、抵抗线、普式系数、药卷直径、炮孔直径不应作为特征变量进行输入。

图2 不同特征数量的影响

预测模型构建

PSO-XGBoost预测模型的构建流程如下：

（1）将收集到的97组数据进行筛选。选取爆心距、炸药爆速、孔距、堵塞长度、孔深、单段药量为输入变量，爆破振动峰值速度作为模型输出变量。进一步进行标准化，然后将数据的70%作为训练集，15%作为验证集，15%作为测试集。

（2）设置粒子的最大迭代次数、种群的数量、惯性权重、学习因子、搜索范围并随机初始化一群粒子。

（3）根据初始化的粒子建立XGBoost模型。以训练集样本进行训练然后对验证集进行预测，计算验证集中爆破振动峰值速度预测值与实际值间MSE，以此为粒子群优化算法的适应度值。

（4）依据速度更新公式和位置更新公式迭代更新粒子的速度和坐标，更新超参数组合。然后计算相应的适应度值，并比较更新个体和整体的最优适应度值。

（5）当粒子的适应度趋于稳定或迭代次数达到最大时，终止迭代循环，获取最优参数组合。

（6）根据粒子群优化算法获得的最优参数组合训练最优预测模型，使用测试集进行预测，最后得到峰值速度的预测结果并输出预测结果评价指标。

图3 PSO-XGBoost预测模型流程

预测结果

将训练集输入6个不同模型进行训练后，再将测试集输入至模型进行预测，最后得到每个模型的预测值与3个评价指标。与其他模型相比，PSO-XGBoost模型预测精度高，误差最小，拟合效果好，用于预测爆破振动峰值速度能够取得较好效果。其原因在于PSO-XGBoost模型巧妙融合了PSO与XGBoost的优势，PSO以其强大的全局搜索能力，自动搜索XGBoost模型超参数的最优配置，有效避免陷入局部最优，显著提升了模型泛化能力。同时，通过动态调整XGBoost的参数，增强了模型对数据噪声的鲁棒性，降低了过拟合风险，保证了预测结果的可靠性与稳定性。

预测系统

为了使提出的PSO-XGBoost模型直接适用于爆破工程，本研究利用Python的PyQt5外置工具设计开发了一个爆破振动峰值速度预测系统，实现了系统界面与预测模型的结合。在登录界面，用户可以使用账号和密码登录系统，或者使用QQ、微信快捷登录。在预测界面，用户可以选择一个预测模型，输入爆心距、炸药爆速、孔距、堵塞长度、孔深、单段药量，然后点击预测按钮，即可得到对应的爆破振动峰值速度预测结果。该系统界面简洁、操作简单，可应用于实际爆破工程中。

图5 爆破振动峰值速度预测系统

原文下载

作者简介

任高峰

教授，博士生导师，澳大利亚西澳大学访问学者，湖北产业教授，武汉理工大学青年拔尖人才，武汉理工大学青年教学名师，国家精品课程与湖北省优秀教学团队主要成员。2010年毕业于武汉理工大学采矿工程专业，获博士学位。长期从事采矿工程、安全工程与岩土工程方向的教学与科研工作，先后主持国家自然科学基金3项、国家重点研发计划课题和子课题各1项、湖北省自然科学基金1项、山东省重点研发计划子课题1项、企业科技攻关课题60余项。获省部级科技进步一等奖3项、二等奖10项。授权发明、实用新型专利20余项，出版教材及专著4部。在行业权威期刊发表学术论文100余篇。兼任国家自然科学基金评审专家、湖北省应急管理厅专家、湖北省自然资源厅专家等。

《金属矿山》简介

《金属矿山》由中钢集团马鞍山矿山研究总院股份有限公司和中国金属学会主办，主编为中国工程院王运敏院士，现为北大中文核心期刊、中国科技论文统计源期刊（中国科技核心期刊）、中国精品科技期刊（F5000顶尖学术论文来源期刊）、中国百强报刊、RCCSE中国核心学术期刊（A）、中国期刊方阵双百期刊、国家百种重点期刊、华东地区优秀期刊，被美国化学文摘（CA）、美国剑桥科学文摘（CSA）、波兰哥白尼索引（IC）、日本科学技术振兴机构数据库（JST）等世界著名数据库收录。主要刊登金属矿山采矿、矿物加工、机电与自动化、安全环保、矿山测量、地质勘探等领域具有重大学术价值或工程推广价值的研究成果，优先报道受到国家重大科研项目资助的高水平研究成果。根据科技部中国科技信息研究所发布的《2024中国科技期刊引证报告（核心版）》，《金属矿山》核心总被引频次位列26种矿业工程技术学科核心期刊第1位；根据中国知网发布的《中国学术期刊影响因子年报》（2024版），《金属矿山》学科影响力位居73种矿业期刊第9位。

矿业科学技术大会参会报名链接

供稿：曾文旭

编排：余思晨

审核：王小兵

利用提供参考依据。

供稿：曾文旭

编排：余思晨

审核：王小兵

声明：本文系转载自互联网，请读者仅作参考，并自行核实相关内容。若对该稿件内容有任何疑问或质疑，请立即与铁甲网联系，本网将迅速给您回应并做处理，再次感谢您的阅读与关注。