【技术实现步骤摘要】
本专利技术涉及矿山开采爆破参数设计领域，具体来说，涉及一种基于机载高光谱的爆破参数设计方法。
技术介绍
1、露天采矿包括清除矿床上的覆盖层并提取所需的矿物；其中重要的工序是台阶岩石剥离，主要包括五个部分：钻孔、爆破、铲装、运输和破碎。爆破是其中最关键的环节之一，开采成本很大程度取决于爆破质量。目前国内外大型露天矿岩石剥离主要采用深孔松动爆破技术，该技术具有爆破成本低、炸药用量少、施工速度快、机械化程度高、对基岩和边坡影响小、爆堆方便铲装运输以及方便破碎工作开展等优点。
2、在露天矿的深孔松动爆破技术中，最重要的工作是爆破参数设计。在进行爆破参数设计时，通常会根据地质勘察报告和现场采集的岩块进行三轴试验，以确定岩石硬度。但由于地质勘察报告无法及时更新、确定岩石硬度的三轴实验周期长，导致无法快速、高效地根据岩石硬度确定合理的爆区孔网参数，严重降低了露天爆破的开采效率。
3、基于此，为了能够实时高效的完成露天矿爆破任务，亟需一种实时分析岩石硬度，计算爆破参数，高效设计爆破任务的方法。本文基于机载高光谱的爆破参数设计方法的提出对爆破任务的实时计算及高效设计以及对露天矿区的安全开采具有重要的理论和工程意义。
技术实现思路
1、针对现有技术的不足，本专利技术提出了一种基于机载高光谱的爆破参数设计方法，解决上述背景中所叙述的工程问题。
2、本专利技术解决传统爆破任务中岩石硬度信息获取周期长，爆破参数设计低效，爆破效果不佳等问题，是通过以下技术方案实现的。>
3、一种基于机载高光谱的爆破参数设计方法，其特征在于，该方法分为以下步骤：
4、s1：采集爆破区域的岩石样品光谱，经过多元散射校正、sg平滑、连续统去除三种预处理方法，有效地降低了噪声的影响，构建差值(di)、比值(ri)、归一化差值(ndi)三种光谱指数，评估光谱指数与岩石组成成分的相关性系数(r)。
5、s2：对预处理后的光谱数据进行降维处理，主要利用遗传算法以及主成分分析法两种方法。随后通过径向基神经网络算法处理降维后的样品数据，随后建模进一步反演岩石组成成分含量。
6、s3：通过三轴试验机在实验室条件下测定岩石样品硬度，设置样品硬度标签，建立bp神经网络模型，建立样品含量与硬度的关系。
7、s4：评估模型训练精度，为后续快速获得矿区岩石硬度信息提供合理的模型，由岩石的普氏系数得到爆破参数，并应用与现场爆破作业。
8、进一步的，所述s1中针对岩石样品采用三种预处理方法，分别为sg平滑、连续统去除，多元散射校正。sg平滑的去噪效果更稳定、误差更小。计算公式为：
9、
10、其中，是sg平滑处理后，光谱数据向量中的元素；wj取值为多项式的拟合系数，是平滑移动窗口的权重因子，窗口长度设置为2r+1。
11、连续统去除可以有效降低冗余，去除光谱数据中不相关的信息，进一步增强光谱特征。其公式为：
12、rc(λ)＝rcr(λ)-r(λ)
13、λ是波长，r、rc、rcr分别代表光谱反射率值、特征吸收以及包络线值。
14、多元散射校正能够消除光谱数据的线性散射干扰。具体处理过程如下：
15、首先计算平均光谱：
16、
17、其次进行一元线性回归：
18、
19、最后得出多元散射校正：
20、
21、进一步的，所述s1中构建的三种光谱指数di、ri、ndi计算公式可表示为：
22、
23、
24、
25、式中为a点的反射率；为b点的反射率；λa为a点的波长；λb为b点的波长。
26、进一步的，所述s1中评估光谱指数与含量的相关性系数(r)，对经过光谱预处理的数据，进一步构建差值(di)、比值(ri)、归一化差值(ndi)三种光谱指数，并分析重金属含量与光谱指数的spearman秩相关系数。当光谱指数与物质含量之间的相关性系数达到强相关水平(r>0.8)时，这表明预处理效果良好。这种结果证明了预处理方法的有效性，使得数据更具信息量且更易于解释。
27、进一步的，所述s2中利用遗传算法以及主成分分析法对数据进行降维处理，可以有效地减少数据集的维度，并提取出最具代表性的特征，遗传算法选取最优波段，主成分分析法通过线性变换提取光谱原始数据的主要特征，在最大程度上保留了原始数据的有用信息，同时减少了数据冗余，提取了数据中隐藏的重要模式和关联，为进一步的数据分析和机器学习任务提供更有价值的输入。步骤如下：
28、首先，设原始矩阵为x＝{x0,x1,...,xn}，其中x0＝x，计算x的协方差阵并计算最大特征值以及其对应的特征变量，随后组成投影矩阵v，v＝[v1,v2,...,vω]。其中，累积贡献率f(ω)决定ω的值，f(ω)的计算公式如下所示，
29、下式得到降维后的向量：
30、
31、进一步的，所述s2中降维后的样品数据通过径向基神经网络算法，针对样本按照4：1的比例抽取训练集和测试集，对岩石样本中的物质含量建立模型预测反演岩石硬度。选取输入数据集，进行多次循环预测，在分析中以均方根误差rmse、决定系数r2和平均相对精度，作为模型评价指标来验证所建立模型的精度。
32、rmse值越小，r2以及平均相对精度越接近1，表明模型精度越高。基于反演模型精度分析，最终确定最优选取原则和最优反演模型。
33、进一步的，所述s3中在实验室条件下通过三轴试验机测定岩石样品硬度，其中三轴试验机技术指标有：轴向负荷600kn；轴向位移量程±100mm；围压范围0～40mpa；侧向位移量程0～200mm；变形量程0～10mm；测量精度均为±1％。三轴试验试样通常方式通常采用圆柱形，目的是对试样的空间三个坐标方向上均施加压力，并以此获取岩石的各种物理信息。
34、其次，所述s3中建立bp神经网络模型，通过三轴试验获取样品硬度，并设置样品硬度标签，模拟样品含量与硬度的关系，建立硬度等级，输出普氏系数等级数字。具体操作流程如下：
35、将对应的岩石普氏硬度系数与岩石样品中主要成分的含量(本文提取主要的四种成分)建立如下函数关系：
36、yf＝f(x1,x2,x3,x4)
37、式中：x1,x2,x3,x4分别为成分1，2，3，4的含量信息，f(·)为未知函数模型，yf为神经网络输出该岩石样品的普氏硬度。将光谱反演所获得占比最大的4种主要成分，物质含量作为bp神经网络的输入向量，而输出则以相应岩石样本的普氏硬度作为目标向量。其中普氏系数等级如表1所示：
38、表1
39、
40、以板岩、泥灰岩等常见岩石为例，岩石普氏硬度及单耗对应关系如表2所示，其中k值为每平方米岩石进行标准抛掷爆破需消耗的炸药量，q值为每平方米岩石进行松动爆破时需消耗本文档来自技高网...
【技术保护点】
1.一种基于机载高光谱的爆破参数设计方法，其特征在于，该方法分为以下步骤：
2.根据权利要求1所述的一种基于机载高光谱的爆破参数设计方法，其特征在于，所述S1中针对岩石样品采用三种预处理方法，分别为SG平滑、连续统去除，多元散射校正。
3.根据权利要求1所述的一种基于机载高光谱的爆破参数设计方法，其特征在于，所述S1中构建的三种光谱指数差值(DI)、比值(RI)、归一化差值(NDI)计算公式可表示为：
4.根据权利要求1所述的一种基于机载高光谱的爆破参数设计方法，其特征在于，所述S2中对预处理后的数据利用遗传算法以及主成分分析法进行降维处理，遗传算法选取最优波段，主成分分析法通过线性变换提取光谱原始数据的主要特征。步骤如下：
5.根据权利要求1所述的一种基于机载高光谱的爆破参数设计方法，其特征在于，所述S2中降维后的样品数据通过径向基神经网络算法，针对样本按照4：1的比例抽取训练集和测试集，对岩石样本中的物质含量进行建模预测反演。
6.根据权利要求1所述的一种基于机载高光谱的爆破参数设计方法，其特征在于，所述S3通过建立
7.根据权利要求1所述的一种基于机载高光谱的爆破参数设计方法，其特征在于，所述S4中得到的爆破参数是通过岩石普氏系数反推出单耗，再由理论公式结合经验公式计算孔距、排距、填塞长度、最小抵抗线等。
...【技术特征摘要】
1.一种基于机载高光谱的爆破参数设计方法，其特征在于，该方法分为以下步骤：
2.根据权利要求1所述的一种基于机载高光谱的爆破参数设计方法，其特征在于，所述s1中针对岩石样品采用三种预处理方法，分别为sg平滑、连续统去除，多元散射校正。
3.根据权利要求1所述的一种基于机载高光谱的爆破参数设计方法，其特征在于，所述s1中构建的三种光谱指数差值(di)、比值(ri)、归一化差值(ndi)计算公式可表示为：
4.根据权利要求1所述的一种基于机载高光谱的爆破参数设计方法，其特征在于，所述s2中对预处理后的数据利用遗传算法以及主成分分析法进行降维处理，遗传算法选取最优波段，主成分分析法通过线性变换提取光谱原...
【专利技术属性】
技术研发人员：付强，吴怡璇，陈苗，
申请(专利权)人：成远矿业开发股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。