本發明涉及邊坡工程施工，尤其是涉及一種基于bubble?sort-gwo-elm模型的邊坡爆破塊度預測方法及應用。

背景技術：

1、鉆爆法(drilling?and?blasting?method)是一種常用于采礦、隧道掘進和大型土木工程中的巖石開挖技術。該方法通過鉆孔、裝填炸藥、填塞惰性材料并引爆，以破碎巖石，達到開挖目的。其主要步驟包括鉆孔、裝藥、填塞、爆破和清理評估。這種方法適用于各種堅硬巖石，靈活性高，成本低，因此被廣泛應用于采礦、隧道掘進和基礎工程中。隨著光面爆破技術及爆破振動控制技術的發展，越來越多的巖質路塹邊坡也將鉆爆法作為主要的施工方法。

2、在巖質路塹邊坡施工過程中，爆破設計方案的優劣對施工質量和成本控制有著至關重要的影響。這種影響不僅體現在爆破效果本身，還波及到為降低震動采取的措施的實施效果。然而，目前缺少對邊坡爆破塊度預測的方法，影響爆破設計方案的設計。為了優化施工質量和成本控制，亟需建立一種高效的邊坡爆破塊度預測模型。

技術實現思路

1、本發明的目的是提供一種基于bubble?sort-gwo-elm模型的邊坡爆破塊度預測方法，通過該預測模型能夠精確獲取合理的爆破參數，主動減少爆破對現有結構的負面影響。還能夠有效控制過度或不足的挖掘量，避免圍巖的累積損傷。同時，顯著減少邊坡支護材料的消耗，并降低鉆爆施工的整體成本。

2、為實現上述目的，本發明提供了一種基于bubble?sort-gwo-elm模型的邊坡爆破塊度預測方法，包括以下步驟：

3、步驟1：在施工現場監測爆破控制參數數據；

4、步驟2：對監測到的爆破控制參數數據進行預處理操作；

5、步驟3：利用冒泡排序結合平方差算法對預處理后的爆破控制參數數據進行篩選，基于篩選后的爆破控制參數數據構建爆破控制參數數據集，并將爆破控制參數數據集劃分為訓練集和測試集；

6、步驟4：將得到的訓練集和測試集進行歸一化處理；

7、步驟5：基于歸一化后的訓練集，利用改進灰狼優化算法優化極限學習機elm模型的參數，確定優化后的極限學習機elm模型的最優參數；

8、步驟6：以最優參數優化極限學習機elm模型，在測試集上利用優化后的極限學習機elm模型進行測試，統計對測試集樣本進行預測的輸出，評估最優參數，并基于最優參數建立爆破效果預測結構模型；

9、步驟7：利用爆破效果預測模型進行邊坡爆破塊度預測，并輸出預測結果。

10、進一步地，步驟3的具體步驟包括：

11、步驟3.1：將監測到的n個爆破控制參數數據定義為一個包含n個元素的數組a，數組a中的每個元素對應一個待篩選排序的數據，數組a中的每個元素xi包含六類爆破控制參數，分別是抗拉強度、爆破抵抗線、臺階破面角、炸藥單耗、孔距和排距；

12、步驟3.2：通過冒泡排序算法對數組a中的n個元素xi進行排序，基于每一輪排序的元素位置，實現對六類爆破控制參數的不同組合；

13、步驟3.3：根據下式計算不同組合中的每種組合的平方差：

14、

15、其中，n為每種組合中的數據點數量，xi為監測到的實際值，為數據的均值；

16、步驟3.4：重復執行步驟3.2和步驟3.3，直至將數組a中的元素升序排列，然后得到每輪冒泡排序過程中的各種組合的平方差；

17、步驟3.5：通過比較得到的各種組合的平方差，篩選出平方差值最小的組合所對應的爆破控制參數數據；

18、步驟3.6：基于步驟3.5篩選出的爆破控制參數數據建立爆破控制參數數據集，并將爆破控制參數數據集劃分為訓練集和測試集。

19、進一步地，步驟5的具體步驟包括：

20、步驟5.1：獲取歸一化處理后的訓練集的數據；

21、步驟5.2：初始化極限學習機elm模型的隱藏層神經元的數量l和激活函數；

22、步驟5.3：隨機初始化輸入權重矩陣w和隱藏層偏置b，并基于訓練集的數據利用改進灰狼優化算法對參數w和b進行優化；

23、步驟5.4：基于優化后的參數w和b，計算隱藏層輸出矩陣h，確定隱藏層神經元的數量l；

24、步驟5.5：輸出當前的極限學習機elm模型的最優參數，包括隱藏層神經元的數量l、w和b。

25、進一步地，步驟5.3中的改進灰狼優化算法包括以下步驟：

26、步驟5.3.1：通過下式初始化系數向量a和c：

27、

28、其中，a是收斂因子，隨著迭代次數t從2線性減小到0，r1和r2是[0，1]之間的隨機向量；

29、步驟5.3.2：計算狼群中每個灰狼的適應度值，將狼群中適應度值最大的三個頭狼個體依次標記為α、β、δ，剩下的灰狼標記為ω，通過下式計算灰狼位置，對獵物進行包圍：

30、x(t+1)＝ω·(xp(t)-a·d)

31、d＝|c·xp(t)-x(t)|

32、其中，t是當前迭代次數，xp是當前獵物的位置向量，x(t)是第t代頭狼的位置向量，ω是自適應權重因子；

33、且

34、步驟5.3.3：通過下式更新狼群中三只頭狼的位置：

35、

36、其中，和分別表示α狼、β狼和δ狼與其他個體間的距離；和分別代表α狼、β狼和δ狼當前的位置；和是隨機數，是灰狼個體的當前位置；

37、根據α、β和δ的位置，通過以下的灰狼個體位置的更新公式更新所有灰狼個體的位置：

38、

39、其中，分別表示受α狼、β狼和δ狼影響，ω狼調整后的位置；

40、

41、其中，表示灰狼更新后的最新位置；

42、步驟5.3.4：判斷是否達到最大迭代次數，若是，則輸出最優解，若否，返回步驟5.3.2。

43、進一步地，步驟5.4的具體操作步驟包括：

44、步驟5.4.1：對于每一個輸入樣本xi，根據下式得到第i個隱藏層節點的輸出hi：

45、hi＝g(wi,bi,x)＝g(wix+bi),wi∈rd,bi∈r

46、其中，wi表示輸入權重向量；bi表示第i個神經元的偏置；x表示輸入樣本；rd表示d維實屬空間；g(wi,bi,x)表示激活函數；

47、步驟5.4.2：根據所有樣本的隱藏層輸出向量，形成隱藏層輸出矩陣h：

48、h＝[h1(x),...,hl(x)]

49、其中，l表示隱藏層中神經元的數量；

50、步驟5.4.3：根據下式得到單隱藏層前饋神經網絡elm的輸出：

51、

52、其中，β是隱藏層與輸出層之間的輸出權重；

53、步驟5.4.4：基于輸出權重β建立輸出權重β的最優化目標函數：

54、min||hβ-t||2,β∈rl×m

55、其中，h表示隱藏層的輸出矩陣，t表示目標矩陣，包含每個訓練樣本的真實輸出標簽或值；m表示訓練集樣本的數量；

56、步驟5.4.5：通過最小化近似平方差法求解上式，得到最優解β*；

57、步驟5.4.6：根據最優解β*計算出隱藏層的輸出矩陣。

58、一種邊坡爆破塊度預測系統，基于上述的一種基于bubble?sort-gwo-elm模型的邊坡爆破塊度預測方法實現，其包括數據獲取模塊、數據預處理模塊、參數篩選模塊、爆破效果預測模型建立模塊以及邊坡爆破塊度預測模塊；

59、數據獲取模塊，用于在施工現場監測爆破控制參數數據；

60、數據預處理模塊，用于對數據獲取模塊收集的數據進行預處理；

61、爆破控制參數數據集構建模塊，用于利用冒泡排序結合平方差算法對預處理后的爆破控制參數數據進行篩選，基于篩選后的爆破控制參數數據構建爆破控制參數數據集，并將爆破控制參數數據集劃分為訓練集和測試集；

62、歸一化處理模塊，用于將得到的訓練集和測試集進行歸一化處理；

63、模型優化模塊，用于基于歸一化后的訓練集，利用改進灰狼優化算法優化極限學習機elm模型的參數，確定優化后的極限學習機elm模型的最優參數；

64、爆破效果預測模型建立模塊，用于以最優參數優化極限學習機elm模型，在測試集上利用優化后的極限學習機elm模型進行測試，統計對測試集樣本進行預測的輸出，評估最優參數，并基于最優參數建立爆破效果預測模型；

65、邊坡爆破塊度預測模塊，用于利用爆破效果預測模型進行邊坡爆破塊度預測，并輸出預測結果。

66、優選地，所述模型優化模塊包括：

67、歸一化處理數據獲取單元，用于獲取的歸一化處理后的訓練集的數據；

68、模型初始化單元，用于初始化極限學習機elm模型的隱藏層神經元的數量l和激活函數；

69、參數優化單元，用于隨機初始化輸入權重矩陣w和隱藏層偏置b，并基于訓練集的數據利用改進灰狼優化算法對參數w和b進行優化；

70、隱藏層神經元確定單元，用于基于優化后的參數w和b，計算隱藏層輸出矩陣h，確定隱藏層神經元的數量l；

71、最優參數輸出單元，用于輸出當前的極限學習機elm模型的最優參數，包括隱藏層神經元的數量l、w和b。

72、一種電子設備，包括：至少一個處理器；以及，與所述至少一個處理器通信連接的存儲器；其中，所述存儲器存儲有可被所述至少一個處理器執行的指令，所述指令被所述至少一個處理器執行，以使所述至少一個處理器能夠執行上述的一種基于bubble?sort-gwo-elm模型的邊坡爆破塊度預測方法。

73、一種計算機可讀存儲介質，存儲有計算機程序，所述計算機程序被處理器執行時，實現上述的一種基于bubble?sort-gwo-elm模型的邊坡爆破塊度預測方法。

74、與現有技術相比，本發明采用上述一種基于bubble?sort-gwo-elm模型的邊坡爆破塊度預測方法，具有以下有益效果：

75、第一，本發明通過bubble?sort冒泡排序方法獲取爆破參數數據集，爆破參數數據集包括抗拉強度、爆破抵抗線、臺階破面角、炸藥單耗、孔距、排距，以這6個特征作為評價指標，使方案評價結果更能體現爆破設計的綜合效果；同時，通過以改進的灰狼優化(gwo)算法設計預測模型，充分利用了灰狼優化算法的結構簡單、需要調節的參數少、容易實現等特點，能夠在使用時有效的完成邊坡爆破效果預測，具有收斂速度快、輸出運算結果和運算精度高的優點；

76、第二，本發明提出的預測模型以gwo為框架，經過bubble?sort冒泡排序的參數篩選，具有泛化能力強、運行效率高的特點，相比于其他模型，gwo模型評價結果更為準確、高效；

77、綜上所述，預測模型不僅能提高爆破施工的精確性，還能提升整個工程的經濟性和安全性。通過科學預測和合理控制爆破參數，可以確保施工過程更為順利，減少不必要的資源浪費和潛在的安全隱患，從而為工程項目的順利完成提供強有力的保障。

78、下面通過附圖和實施例，對本發明的技術方案做進一步的詳細描述。