礦山井巷掘進爆破參數優化設計及其三維可視化研究

朱權潔 張 震 梁 娟 張教福 劉曉輝 王志帥

(1.華北科技學院應急技術與管理學院,河北 三河 065201;2.武漢科技大學資源與環境工程學院,湖北 武漢 430081;3.防災科技學院文化與傳播學院,河北 三河 065201;4.浙江新紀元爆破工程有限公司,浙江 臺州 317600;5.華北科技學院安全工程學院,河北 三河 065201)

爆破掘進是巷道開挖破巖的主要方法之一。目 前，礦山井巷掘進爆破參數選取多采用現場試驗、理論經驗、數值模擬等方式確定，這導致設計過程繁雜且存在較高門檻?，F場施工時，常由經驗豐富的技術人員設計，并以二維三視圖形式展示。這種人工設計與繪圖方法存在費時費力、效率低、圖紙不直觀等不足?？紤]到當前礦山智能化建設提速，如何實現爆破參數的智能化設計，形成爆破鉆孔三維模型的快速生成方法，實現爆破設計的智能化、便捷化、精準化，是該領域的重要研究方向。

隨著礦山爆破工藝研究的深入，大量學者及工程技術人員開展了礦山爆破參數優化設計及其可視化等方面的研究，并取得了豐碩成果[1-2]。楊仁樹等[3]基于建立的知識庫，設計開發了煤礦巷道掘進爆破智能設計系統。該系統可自動進行爆破參數優化設計，并繪制二維平面布置工程圖。高靜靜[4]通過灰色關聯分析方法，分析了不同參數與爆破效果的影響關系，并對爆破參數進行了優化調整。凌天龍等[5]在分析不同因素對巷道爆破質量影響的基礎上，利用BP神經網絡，對巷道光面爆破方案進行了優化設計，提高了光面爆破的可靠性。為了提高爆破質量，岳衡等[6]基于改進的BP神經網絡，建立了爆破參數優化設計模型，獲取了最優爆破參數，為爆破工程施工提供了有力支撐。在爆破三維可視化方面，耿偉衛[7]開發了開挖爆破智能設計系統，實現了隧道掘進爆破參數的優化設計、爆破三維模型的快速生成。梁瑞余等[8]利用虛擬仿真技術，對采礦方法進行了虛擬仿真，推動了采礦專業向立體化教學模式的轉變。荊永濱等[9]引入三維可視化技術，建立了采切工程模型、爆破模型等，提高了巷道施工效率和質量。由此可見，將人工智能引入爆破領域有助于進一步提高爆破參數取值精度，進而提升爆破效果。

基于上述背景，在已有成果的基礎上，本研究基于開源的Python語言與Blender三維建模軟件，開展了爆破參數優化設計及其三維模型快速生成研究，為爆破參數優化設計提供了一種新的思路，對于該領域教育培訓、現場施工設計等有著重要的參考價值。

1 研究思路

為了實現爆破參數的優化設計及其三維可視化展示，本研究從爆破參數優化設計和三維交互模型生成兩大部分入手[10](圖1)開展了相關研究。

圖1 總體思路及流程Fig.1 General ideas and flow

具體步驟如下:

(1)巖體等級劃分。通過實地勘察現場條件及查閱相關地質資料，分析爆破對象的性質及條件，對巖體等級進行量化賦值和打分。

(2)爆破參數優選?；赥ensor Flow框架，引入改進的神經網絡算法，建立爆破參數優化設計模型，對爆破參數進行智能設計。

(3)三維模型生成。調用設計的爆破參數，基于Python和Blender構建的自動建模功能，快速生成鉆孔、裝藥結構等三維模型，實現模型的縮放、移動及多圖層展示、刨切等操作功能。

2 爆破參數優化設計

巷道掘進爆破參數的設計主要依據巷道斷面尺寸、巖石力學性質、現場地質條件、炸藥性質等[11]因素綜合考慮。以《礦山井巷工程施工及驗收規范》(GBJ 213—90)的相關要求為基礎，綜合分析井巷掘進爆破過程的影響因素，進而構建爆破參數優化設計模型。

2.1 影響因素分析

由于影響因素眾多，且部分因素難以獲取或量化，限于篇幅，本研究僅分析巖體性質、爆破鉆孔參數等因素對井巷爆破工程的影響。

2.1.1 巖體性質

巖體性質是井巷掘進爆破參數設計的主要影響因素之一。研究可知，巖體性質等級可依據巖體可爆性與裂隙發育程度進行劃分。其中，巖體可爆性是巖體物理力學性質、炸藥性能、設計施工等因素的綜合反映[11-13]，可綜合波阻抗、巖體極限抗壓強度、普氏系數、巖石堅固性等級4項指標進行評定。本研究結合文獻[12-13]，綜合多種影響因素獲得的巖體等級劃分及其爆破性分級結果見表1。

表1 巖體等級劃分及其爆破性分級Table 1 Classification of rock mass and its explosiveness

2.1.2 爆破鉆孔參數

巷道斷面特征是進行炮孔數量、間排距設計的主要依據。其中，巷道斷面面積決定巖石夾制作用的大小，影響著炸藥的消耗量。因此，需要根據實際情況，設計炮孔排距、間距、裝藥量、密集系數等;同時考慮掏槽眼、周邊眼的特殊性，有針對性地進行設計。

爆破施工時需考慮爆破鉆孔直徑、孔深與藥卷直徑等因素，此外，掏槽方式、起爆順序、連接方式同樣影響爆破效果。本文研究對象為某礦指定巷道，其斷面尺寸相同、地質條件相近，因此，限于篇幅，此處不再分析，后續研究將進一步深入討論。

2.2 優化模型

2.2.1 BP神經網絡

BP神經網絡是基于誤差逆傳播原理建立的多層網絡模型，圖2所示為多神經元網絡結構，該圖顯示了輸入變量與輸出變量之間潛在的映射關系。由于BP神經網絡具有自學習、自適應和容錯能力強的優勢，目前被廣泛應用在不同行業。

圖2 多神經元網絡結構Fig.2 Structure of multi-neuron network

2.2.2 粒子群優化算法

粒子群優化算法(Particle Swarm Optimization，PSO)是基于鳥群捕食演變而成的隨機優化方法[11]。該方法利用粒子進行搜索，無需交叉、變異運算，具有搜索速度快等特點;此外，由于模型結構簡單、科學，運算過程無需設置繁雜的參數，易于建模實現，且具備良好的搜索優化能力。

2.3 優化設計模型構建

BP神經網絡的預測能力與學習率、隱含層節點數目等參數的設置有關。目前，BP神經網絡算法的不足在于:①相關參數選取方法為試錯法與經驗法，不易直接選取到最優的網絡結構參數，從而使模型預測準確度降低;②易陷于局部最優解。為此，本研究將PSO模型與BP神經網絡有效結合，建立了改進的優化設計模型。該模型利用PSO算法的最優參數搜索能力快速求取最佳的網絡結構參數，可有效提高BP神經網絡預測結果的準確性。改進模型的具體實現流程如下:

(1)對PSO模型種群規模、學習因子等初始參數進行選取。

(2)將步驟(1)中選取的初始化參數傳輸至BP神經網絡模型中。

(3)將收集的典型成功爆破案例數據劃分為訓練集、預測集。BP神經網絡模型先調用訓練集數據進行訓練，達到設置的迭代次數時結束訓練，并輸出適應度值。

(4)依據輸出的適應度值，獲取粒子群體、個體極值及粒子的歷史最優位置。粒子在迭代過程中，不斷更新位置、速度及適應度，最終獲取粒子個體極值和群體極值[13]。

(5)當迭代次數為設置的數值時，將輸出的最佳參數(適應度、學習率、第1隱含層節點數目、第2隱含層節點數目)代入BP神經網絡中，建立爆破參數預測模型。

(6)利用爆破參數預測模型調取預測集數據，進行爆破參數的預測、輸出。

3 爆破設計三維可視化

3.1 模型生成流程

以上述模型優化設計得出的爆破參數為數據基礎，提出了一種基于Blender開源軟件的爆破鉆孔三維模型快速生成方法。該方法可實現自動生成炮眼、裝藥結構等三維模型，建模流程如圖3所示。

圖3 三維模型參數化建模流程Fig.3 Parametric characterization process of 3D model

具體建模步驟為:

(1)基礎數據獲取?；谙锏罃嗝鎱?、爆破參數、藥卷長度等，獲取待開挖、已開挖巷道模型參數，各類炮眼特征參數，每個炮眼布置的藥卷個數等信息，為三維模型構建提供數據支撐。

(2)圍巖及柱體模型生成。調用基礎數據，利用模型生成算法，建立圍巖三維模型;生成具有特定空間形態的柱體模型，實現鉆孔、裝藥結構的可視化描述。

(3)鉆孔及裝藥結構模型生成。驅動Blender軟件“布爾切分”功能模塊，切除圍巖模型與爆破鉆孔空間形態一致的柱體交集部分，實現爆破鉆孔三維模型的參數化表征;同時，對與藥卷、雷管等空間形態一致的柱體模型進行顏色設置，實現裝藥結構模型的可視化描述。

3.2 三維模型構建

基于上述思路，提出了一種鉆孔參數化表征方法，實現了爆破鉆孔、裝藥結構三維模型的一體化構建。具體步驟分析如下。

3.2.1 爆破鉆孔模型生成

首先，確立三維模型的坐標系，計算描述炮眼形狀的關鍵特征節點坐標;其次，借助Blender軟件建模功能，以“點構面構體”的方式，構建與炮眼屬性(空間位置、長度等)相一致的柱體模型;最后，建立圍巖模型，并調用Blender軟件“布爾剪切”功能合并柱體與圍巖模型，進而生成炮孔模型。具體步驟為:

(1)建立空間坐標系。合理建立空間坐標系，可簡化計算量、減輕建模負擔。本研究以O為坐標原點建立的空間坐標系如圖4所示。

圖4 巷道及圍巖三維模型結構Fig.4 Structure of 3D model of roadway and surrounding rock

(2)關鍵特征節點坐標計算。關鍵特征節點主要用來構建與炮眼空間形態相同的柱體模型。如圖5所示，將圓On0、On1N等分(本文選N=16)，以等分點an0P0，…，an0P15與an1P0，…，an1P15作為柱體的關鍵特征節點。

(3)柱體模型生成。柱體模型生成主要分為兩部分。如圖5所示，利用Python語句，聯合Blender建模函數，依次循環生成an0P0an1P0an1P1an0P1、an0P1an1P1an1P2an0P2，…，an0P15an1P15an1P0an0P0等平面，利用這些平面共同拼接成柱體的曲面模型。再利用 上述方法，循環生成an0P0an1P0，…，an0P15an0P0、an1P0an1P1，…，an1P15an1P0圓面模型。通過生成的曲面與圓面模型即可組成與爆破鉆孔空間形態相一致的柱體模型。依次類推，生成全部與設計的爆破鉆孔空間形態相一致的柱體模型。

圖5 炮眼模型結構Fig.5 Structure of perforation model

(4)炮孔模型生成。建立長方體模型作為圍巖模型，并調用Blender布爾功能，利用差值操作，去除生成的鉆孔與圍巖模型重合部分的模型，即可形成炮眼布置三維模型。

3.2.2 裝藥結構模型生成

裝藥結構模型主要由炮泥、雷管、藥卷等組成。為了方便建模，本研究將藥卷、雷管等等效為柱體模型，并為柱體模型添加顏色，用于表征不同的裝藥結構。因此，裝藥結構的三維模型與炮眼模型生成的前3個步驟相似。具體建模過程為:①利用外循環調用第1個炮眼裝藥結構數據，再利用內循環分別提取炮泥、雷管、藥卷等信息，結合Blender建模功能，生成第1個炮眼裝藥結構三維模型，同時，為不同裝藥結構添加不同顏色，完成裝藥結構的表征;②利用外循環調用第1個炮眼裝藥結構數據，生成第1個炮眼裝藥結構三維模型，以此類推，直至最后1個炮眼裝藥結構三維模型生成，停止循環。

3.2.3 其他模型生成

光面爆破施工按掏槽眼、輔助眼、崩落眼及周邊眼順序依次起爆。由于本研究爆破鉆孔模型是按起爆順序生成的，因此，只需利用循環的方式，調用爆破鉆孔孔頂圓的圓心坐標作為標記數字的位置，并結合Blender文本編輯器功能，即可實現對鉆孔模型的數字標記。

3.3 模型功能設計

為了對巷道爆破掘進施工、爆破作業培訓、采礦教學等提供有力的輔助作用，研究開發了多功能操作模塊，包括基本操作、“四格”視圖及圖層功能。其中，基本操作包括平移、旋轉、縮放功能;“四格”視圖功能可以基于同一窗口，對生成模型的正視圖、左視圖、俯視圖及用戶視圖進行展示;圖層功能是基于不同窗口，實現對不同類型炮眼模型及裝藥結構進行展示。

4 應用實例

4.1 實例驗證與效果評價

某礦地處山東省菏澤市境內，采區主要開采3#煤層，位于山西組中下部，層位穩定、資源量豐富。由于其開采深度大，加之水文地質條件復雜，致使沖擊地壓顯現和突水現象多發。其圍巖巖性以中、細砂巖巖組為主，局部見粉砂巖、泥巖巖組，屬中等穩定巖體。其巷道設計寬度為5.4 m，直墻高為1.8 m，循環進尺為2.4 m。

本研究收集了該礦多組巷道掘進爆破參數信息，選取了具有代表性的20組數據作為樣本數據。利用改進的模型調用80%樣本數據作為訓練數據(前16組)，調用20%樣本數據作為測試數據(后4組)，預測巷道爆破參數。模型參數優化選取結果見圖6。由圖6可知:當迭代次數為31時，各曲線趨于穩定，因此，模型訓練出的最優適應度、學習率、第1隱含層節點數、第2隱含層節點數分別為0.028 3、0.004 7、76、43。不同模型設計出的最佳爆破參數取值見表2。

圖6 模型參數優化選取Fig.6 Optimization selection of model parameters

表2 參數設計結果對比分析Table 2 Comparative analysis of blasting parameters design based on different models

本研究以均方誤差(MSE)、均方根誤差(RMSE)、決定系數(R2)為評價指標，對改進的模型與基于BP神經網絡的模型預測結果進行定量分析。MSE、RMSE值越小，表明模型預測的參數與成功案例設計參數之間的誤差越小;R2值越大，表明預測值和實際值的整體符合程度越高，評價結果如圖7所示。由圖7可知:改進模型預測的參數與成功案例爆破參數的MAE、RMSE值分別為0.154、0.096，R2為0.914;基于BP神經網絡模型預測的參數與成功案例爆破參數的MAE、RMSE值分別為0.206、0.135，R2為0.828;改進的模型設計出的爆破參數準確度更高，且全部參數整體預測效果優于基于BP神經網絡的預測模型。

圖7 不同模型預測效果對比分析Fig.7 Comparative analysis of prediction effects by different models

4.2 三維效果交互展示

以表2中的最后一組數據為例進行統計計算，得到的炮眼參數見表3。

表3 爆破參數優化設計結果Table 3 Optimization design results of blasting parameters

以炮眼參數為數據基礎，利用三維可視化技術，建立爆破鉆孔、裝藥結構等的三維模型。圖8所示為生成的爆破炮眼工程布置三維模型，圖9為相應的炮眼工程二維平面布置圖。通過圖8與圖9對比發現，圖9喪失了爆破參數的三維特征，無法有效指導井巷爆破施工作業。炮眼裝藥結構如圖10所示。由圖10(a)與圖10(b)對比發現，裝藥結構的三維模型可直觀、形象地描述出裝藥結構的空間形態。各類裝藥結構與數字標記功能如圖11所示。

圖8 爆破炮眼工程布置三維模型“四格視圖”Fig.8 3D model "Four-grid View" of blasting borehole engineering layout

圖9 爆破鉆孔二維布置Fig.9 2D layout of blasting boreholes

圖10 裝藥結構示意Fig.10 Schematic of charging structure

圖11 裝藥結構與數字標記功能示意Fig.11 Schematic of charging structure and digital marking function

圖層功能如圖12所示，其中圖12(a)、圖12(b)、圖12(c)分別對應掏槽眼、崩落眼及周邊眼。

圖12 以圖層展示的不同類型炮眼Fig.12 Different forms of blast holes display using layer function

爆破參數選取的合理與否，直接關系著爆破開挖施工質量，進而對巷道圍巖穩定性、后期支護投資等有著重要影響。因此，本研究將設計出的最佳爆破參數用于現場實踐，對其爆破效果進行評價。所形成的爆破參數三維可視化及裝藥結構如圖13所示。經現場案例驗證，利用上述方法設計出的最佳爆破參數與既有施工經驗取值基本吻合，且爆破效果良好、巷道 成型質量高。

圖13 裝藥結構三維模型三視圖Fig.13 Three views of charging structure 3D model

依據上述方法，可實現對設計巷道的炮眼、裝藥結構等自動設計，獲取最優的爆破參數，并提供巷道掘進爆破施工參數的三維可視化模型及交互操作界面。未來仍需完善的是，綜合考慮多種影響因素，如掏槽方式、起爆順序、連接方式等因素，進一步優化預測模型，提升預測結果的準確性，為后續的爆破動態仿真奠定基礎。

5 結 論

(1)將PSO算法與BP神經網絡有效結合，建立了改進的爆破參數預測模型。相比于傳統的BP神經網絡，改進的預測模型MAE、RMSE值分別降低了0.052、0.039，預測誤差較小;R2值提高了0.086，增強了整體預測能力。

(2)提出了一種爆破炮眼的參數化表征方法，基于Blender開源軟件，實現了巷道圍巖、爆破鉆孔及裝藥結構模型的可視化描述。該方法實現了爆破炮眼的快速生成及三維交互展示，彌補了平面布置圖無法直觀反映鉆孔空間狀態的不足。

(3)以山東某礦掘進巷道為例，開展了爆破參數優化設計與三維可視化展示研究。結果表明:所提方法只需輸入相關參數，即可實現爆破參數的快速計算及其三維模型的自動輸出，為爆破設計工作的有效開展提供了一種新思路。