中国安全科学学报2023，Vol.33Issue(6) ：64-72.DOI:10.16265/j.cnki.issn1003-3033.2023.06.0337

基于迁移学习算法的深部爆破振动速度预测

Prediction of vibration velocity of deep blasting based on transfer learning

张西良 焦灏恺 李二宝
中国安全科学学报2023，Vol.33Issue(6) ：64-72.DOI:10.16265/j.cnki.issn1003-3033.2023.06.0337
✕
  • NETL
  • NSTL
  • 维普
  • 万方数据

基于迁移学习算法的深部爆破振动速度预测

Prediction of vibration velocity of deep blasting based on transfer learning

张西良 1焦灏恺 2李二宝3
扫码查看

作者信息

  • 1. 马鞍山矿山研究院爆破工程有限责任公司,安徽马鞍山243000;金属矿山安全与健康国家重点实验室,安徽马鞍山243000;中钢集团马鞍山矿山研究总院股份有限公司,安徽马鞍山243000
  • 2. 金属矿山安全与健康国家重点实验室,安徽马鞍山243000
  • 3. 马鞍山矿山研究院爆破工程有限责任公司,安徽马鞍山243000;金属矿山安全与健康国家重点实验室,安徽马鞍山243000
  • 折叠

摘要

为了更好地预测深部矿山爆破振动速度,针对深部爆破振动速度预测中存在的样本量小、数据分布同浅部爆破不同的问题,将浅部地下矿山爆破数据中有用的知识迁移至深部矿山爆破振动速度预测模型中,提出一种逻辑回归迁移学习算法(LR-TrAdaboost),提升模型的样本容量及预测准确率;以某铜矿深部爆破振动速度预测为研究对象,结合该铜矿27条深部爆破数据以及梅山矿等5个地下金属矿204条浅部爆破数据,利用支持向量回归机(SVR)、回归迁移学习算法(TrAdaboost-R2)以及LR-TrAdaboost算法分别进行预测和对比.结果表明:3种算法的模型分数分别为0.24、0.38、0.81,均方根误差(RMSE)分别为0.152、0.107、0.06,LR-TrAdaboost算法预测误差相比SVR、TrAdaboost-R2分别降低了60.5％、43.9％;同时,LR-TrAdaboost在迭代次数为50时已经收敛,而TrAdaboost-R2在迭代次数100次后才收敛,收敛速度前者是后者的2倍;LR-TrAdaboost算法的预测性能更好.

关键词

深部爆破振动速度/逻辑回归迁移学习算法(LR-TrAdaboost)/预测误差/支持向量回归机(SVR)/机器学习

Key words

vibration velocity of deep blasting/logistic regression(LR)-TrAdaboost/prediction error/support vector regression(SVR)/machine learning

引用本文复制引用

基金项目

国家重点研发计划(2022YFC2904101)

出版年

2023
中国安全科学学报
中国职业安全健康协会

中国安全科学学报

CSTPCDCSCD北大核心
影响因子：1.548
ISSN：1003-3033
参考文献量13
段落导航相关论文