基于爆破振动的岩质边坡损伤神经网络预测

邹 玉 君，严 鹏，卢 文 波，陈 明，王 高 辉

（1.武汉大学 水资源与水电工程科学国家重点实验室，武汉430072；2.武汉大学 水工岩石力学教育部重点实验室，武汉430072）

基于爆破振动的岩质边坡损伤神经网络预测

邹 玉 君1，2，严 鹏1，2，卢 文 波1，2，陈 明1，2，王 高 辉1，2

（1.武汉大学 水资源与水电工程科学国家重点实验室，武汉430072；2.武汉大学 水工岩石力学教育部重点实验室，武汉430072）

岩石高边坡的爆破开挖会对保留岩体造成损伤，岩体损伤过大可能导致边坡失稳，需严格控制并准确确定开挖损伤深度，因此，提出一种快速精确的损伤深度预测方法。以白鹤滩水电站左岸834.0～770.0 m高程坝肩槽边坡爆破开挖为背景，利用六个开挖梯段的多高程、多爆心距爆破振动监测及损伤深度声波检测的数据，建立基于振动峰值的爆破损伤深度BP神经网络预测模型，对高边坡爆破损伤深度进行实时预测。该方法利用不同部位及不同爆心处的质点峰值振动峰值作为主回归变量，同时还考虑最大单响药量和岩体强度的影响。结果表明，当开挖区域坡体岩性相似且无长大软弱结构面发育时，运用神经网络模型及多高程实测爆破振动预测本梯段爆破损伤深度的方法简便可行，预测精度可满足实际工程需求。作为传统爆破损伤声波检测的补充，可大大减轻现场声波测试工作量。

岩石高边坡；爆破振动；BP神经网络；爆破损伤；实时预测

1 引言

大型水电工程高边坡爆破开挖会对保留岩体造成动力损伤，而且损伤区在受到后续开挖扰动、降雨等不利因素的作用不断演化扩展，尤其是随着开挖高程的降低，人工边坡变得越来越陡，岩体损伤过大可能导致边坡失稳﹝1-3﹞。

目前，岩体开挖的损伤范围主要是通过现场探测来确定，由于声波测试法较为简便、效率高，成果易判读，精度也较高，因而已经被写入规范﹝4﹞中，并在岩体开挖工程中有着普遍的应用。但是，声波测试存在一个显著的缺点：声波测试需要钻取声波孔，而且探测是将探杆伸入孔内每隔一小段距离逐步进行，对于大规模的岩体边坡开挖，声波检测量十分巨大且费时费力，因此，在实际工程中亟需一种快速高效确定损伤深度的方法，来减小探测工作量和提高工作效率。

另一方面，通过控制爆破振动来减少边坡开挖岩体损伤、保证工程顺利进行的理念也早已为爆破工作者所接受，并用于指导爆破设计。HOLMBERG和PERSSON于1978年引入了一种基于爆炸冲击波引起的质点峰值振动速度控制的轮廓爆破设计方法﹝5﹞，此设计方法在国际上得到了广泛应用；HUSTRULID对这种设计原理进行了深化，提出了临近边坡岩体轮廓面的开挖爆破设计方法﹝6﹞；在此基础上，卢文波等﹝7﹞建立了爆源近区质点峰值振动速度的确定公式，并用于计算最后一排主爆孔离边坡轮廓的最小距离，从而优化爆破参数，控制爆破损伤范围。

大量研究和工程实践表明，边坡爆破开挖诱发的振动与岩体爆破损伤深度之间从统计结果上来看具有较好的相关性。由于爆破振动监测方便快捷，所以利用实测振动与损伤范围之间的关系来预测爆破的损伤范围，是一种快速经济的方法。谢冰等﹝8﹞以宁德核电站核岛基坑爆破开挖为例，分析研究了一定爆心距处的质点峰值速度与损伤范围之间的函数关系；唐海等﹝9﹞认为岩性相同时，基岩损伤深度随质点峰值振动速度增加而呈指数增加；夏祥等﹝10-15﹞对质点峰值振动速度与岩体损伤之间对应关系的研究也有相关结论。但是，对于质点峰值深度与岩体损伤深度之间的关系缺乏统一的函数表达式，目前的研究均是建立在实验和数据统计分析的基础之上，这样不便计算、比较和推广运用于工程实践，而且爆破破岩过程复杂，仅考虑爆破振动而忽视其他因素（如装药量、装药结构和岩体强度等）对开挖损伤的影响，更加限制了此类方法的使用范围。因此，在实际工程中，提出一种基于爆破振动并且考虑装药量和岩体强度的基岩损伤深度快速、简易的预测方法，更有应用价值。

在爆破工程中，李守巨等﹝16﹞通过分析爆破振动相应数据，建立了基于人工神经网络的爆破冲击荷载参数识别方法；唐海等﹝17﹞运用人工神经网络原理，对质点爆破振动速度峰值进行了预测，预测精确度明显高于传统的萨道夫斯基公式；汪学清、单仁亮﹝18﹞基于爆破实验利用人工神经网络模型，准确预测了爆破块度。所以，将人工神经网络引入爆破开挖损伤深度的预测研究是切实可行的。

本文以白鹤滩水电站左岸834.0～770.0 m高程坝肩槽边坡爆破开挖为背景，运用第一至第六开挖梯段的爆破振动监测及损伤深度声波检测数据，建立了爆破损伤深度的BP神经网络预测模型，对高边坡爆破损伤深度进行实时预测，并利用后续梯段对此关系进行了验证。

2 工程概况

白鹤滩水电站位于金沙江下游四川省宁南县和云南省巧家县境内，电站装机容量1.6×104MW，设计坝型为混凝土双曲拱坝，坝高289 m。两岸坝肩边坡岩体为峨眉山组玄武岩的多个岩流层，岩性主要为隐晶质玄武岩、杏仁状玄武岩及变玄武质角砾熔岩等，岩石坚硬。

该电站左岸834.0～770.0 m高程坝肩槽边坡分为七个梯段，自上而下开挖，开挖坡比为1∶0.76～1∶0.94。由于边坡高而陡、工程量大，故采用深孔梯段爆破的方式开挖。坝肩槽边坡作为拱坝坝基的一部分，其开挖质量和效果直接影响到坝基的安全稳定，故需要最大限度地降低爆破对保留表层边坡岩体的损伤影响。根据规范要求，为减小爆破开挖对保留岩体的损伤，在边坡的设计轮廓面上采用了预裂爆破的轮廓控制爆破技术，典型钻爆设计和爆破设计参数分别如图1和表2所示。

图1 典型预裂钻爆设计Fig.1 Typical pre-splitting blasting design

表2 典型爆破参数表Table 2 Typical blasting parameters

3 神经网络预测模型

3.1 输入变量

预裂爆破的主要特点是首先在轮廓面上实施预裂孔的爆破，形成预裂缝，然后由远及近依次实施梯段爆破和缓冲爆破。由于预裂缝可以屏蔽爆区其他爆破产生的应力波向保留岩体传播，从而减少爆破对保留岩体的损伤。因此，在保证预裂效果的情况下，预裂爆破对保留岩体的损伤几乎只由预裂孔爆破产生﹝9，19-22﹞。同时，预裂缝有很好的隔振效果，预裂爆破（预裂孔起爆）产生的振动大于梯段爆破（主爆孔和缓冲孔起爆）产生的。边坡梯段开挖诱发的振动大小与爆源和监测点之间的地形地貌有关，为提高预测精度，选择不同高程、不同爆心距处的质点峰值振动速度。

各梯段预裂爆破均填装同种乳化炸药，采用孔内外非电毫秒延时起爆网路，装药结构为分段间隔不耦合装药且不耦合系数一致，使用固定的延时雷管系列，所以各梯段预裂孔爆破对保留岩体引起的损伤差异只需考虑预裂孔爆破的最大单响药量。

从炸药起爆对岩体介质的作用机理来看，保留岩体受到的损伤包括压剪损伤和拉压损伤，而834.0～770.0 m高程段的地质条件基本一致，岩性比较相近，只是在岩体强度上有些差异，所以可将岩体抗压强度和抗拉强度作为岩体的物理力学参数来确定岩体损伤。

针对本工程的轮廓控制爆破，选择以下6个变量作为计算边坡爆破开挖损伤深度的主要参数：爆心距、高程差、质点峰值振动速度、最大单响药量、岩体抗压强度和岩体抗拉强度。

3.2 预测模型

BP神经网络一般为多层神经网络，主要包括输入层、隐层、输出层及各层之间的传输函数几个方面。本文的爆破损伤预测网络模型中，输入层参量为爆心距、高程差、质点峰值振动速度、最大单响药量、岩体抗压强度和岩体抗拉强度；输出参量为最大损伤深度和平均损伤深度。由于模式样本数较多，为减小网络规模，选择使用双隐层网络﹝23﹞；传输函数为S（sigmoid）型函数。因此，网络设计为多输入（输入参数6个）、双输出的双隐层BP神经网络模型。

通过神经网络预测爆破开挖损伤深度的过程如图2所示，边坡轮廓爆破开挖对保留岩体产生动力损伤，同时诱发地震波在坡体内传播，在坡面表各爆心距处测得各监测点质点峰值振动速度，将振动测点参数、最大单响药量和岩体强度参数输入经过训练的BP神经网络模型，便可得到预测的损伤深度。

图2 BP神经网络爆破开挖损伤深度预测过程示意图Fig.2 BP neural network for blast-induced damage depth

3.3 神经网络训练

由爆区的装药设计可得到预裂孔的最大单响药量，通过振动监测可得到各个测点的振动参数（爆心距、高程差和质点峰值振动速度），岩体强度可由相关测试得到。规范﹝4﹞中明确规定以同部位处爆后相较于爆前的纵波波速下降率大于10%时来判断爆破破坏，根据声波测试孔中爆后声波波速与爆前波速的差值随孔深逐渐减小的变化特点，确定10%波速下降率所对应的岩体深度即为爆破损伤深度，具体值可通过爆前爆后的声波波速分析得到。对振动的监测布置在爆破区以上的各台阶马道内侧和地表，保证各爆心距处都有测点分布，每次爆破布置5～10个测点，每个测点布置一台三向速度传感器（可同时测量竖直向、水平径向和水平切向的振动速度），最后对振动信号进行存储分析。

将七个梯段的爆破开挖实测数据列于表3，爆心距和高程差分别为监测点到爆源中心的直线距离和垂直方向距离。只选用水平径向的质点峰值振动速度来计算，因为三个方向的数据相差不大，全部选用计算网络规模会较大，可只选择单一方向的振动数据。最大单响药量为每次梯段爆破开挖时的预裂孔起爆单响药量；岩体抗压强度和抗拉强度为开挖梯段的岩体强度；最大损伤深度和平均损伤深度为声波检测得到的统计分析结果。

表3 实测数据Table 3 Monitored data

续表3

用MATLAB作为仿真平台，对样本集进行神经网络训练，最大迭代次数为2 000次，其目标误差设为0.001，学习初始速率设为0.01，将数据归一化到取值区间［-1，1］。选择表3中第一到第六个梯段的50组数据作为训练和测试数据，来得到满足要求的训练网络进行目标参量的预测。从这50组数据中随机取出80%的组数用作正常训练数据，10%的组数用于变量数据来防止训练中出现过拟合状态，其余10%的组数用于测试数据来验证训练效果（即网络的预测精度和泛化能力）。经过多次训练，选择确定各隐层节点数、传输函数和训练学习函数，所用的人工神经网络拓扑结构如图3所示。

图3 人工神经网络拓扑结构Fig.3 Topological structure of artificial neural network

3.4 实验结果与分析

经过多次实验发现，训练学习函数选择trainlm，迭代次数一般都不超过100次，训练样本的均方差为2.369×10-3，收敛相当迅速，且收敛速率比较稳定。此外，为保证合理的精度，给测试数据的网络仿真结果和实际结果设置了误差限值（损伤深度误差不超过0.1 m），每次训练网络后，将这个误差和设置值比较，得到满意训练网络后，保存训练网络，用于下一梯段的损伤预测。图4为所选样本训练预测结果和测试预测结果与实测值的对比，前45组为训练结果，可知训练样本的吻合度很好；后5组为网络测试预测结果。由图4可知网络的预测精度较高，损伤深度误差均不超过误差限值0.1 m，可用于下一梯段的损伤深度预测。

图4 样本训练预测结果和测试预测结果与实测值对比Fig.4 Comparison of training and predicted results with specimens

4 预测结果

由第一至第六梯段的试验数据训练得到神经网络模型，选取第七梯段爆破对此预测网络进行验证。此梯段爆破振动共安置7个监测点，距爆源中心24～73 m，具体实测数据如表3所示。将7个测点的振动数据、最大单响药量和岩体强度参数输入网络，每个测点都能得到一组第七梯段预测的最大损伤深度和平均损伤深度，预测结果与实测结果的对比分析如表4所示。

实测损伤深度结果：最大损伤深度为1.10 m，平均损伤深度为0.88 m。采用基于前六个梯段建立的BP神经网络预测的第七梯段保留岩体的最大损伤深度的平均值为1.03 m，平均损伤深度的平均值为0.83 m。可见，预测损伤深度与实测损伤深度之间相差不大，预测精度可满足工程要求。

表4 保留岩体实测损伤深度和预测损伤深度对比Table 4 Comparison of measured damage depth and predicted damage depth of reserved rock mass

从理论上来看，爆源中远区的地表振动与近区爆破损伤之间没有严格的理论关系，因为爆破释放的能量在近区造成岩体的损伤破坏，并以体波的形式传播，在中远区的地表测得的振动实际上是由面波引起的。但是，谢 冰 等﹝8﹞、唐 海 等﹝9﹞、李 海 波 等﹝11﹞以及严鹏等﹝15﹞的研究表明地表质点峰值振动速度与爆破损伤在统计学关系上相关性较好。此类方法仅考虑一定爆心距处的爆破振动这一间接反映岩体损伤的参数，忽视了其他直接决定岩体开挖损伤的因素（如炮孔装药、岩体强度和地形地貌等），而且爆破振动也与炮孔装药、爆破点至振动监测点间的地形、地质条件密切相关，因而对振动测试和坡体工程地质条件要求较为严格，限制了其使用范围。

本文提出的基于爆破振动监测的岩质边坡损伤深度BP神经网络预测模型，简化了对实测数据繁琐的统计分析过程。虽然神经网络的训练调试过程略显复杂，但是只需将实测振动数据输入模型，便可准确快速预测岩石高边坡爆破损伤深度，而且随着高边坡开挖进程的持续推进，实测爆破振动、损伤及相关数据库不断丰富，预测精度会进一步提高，这对边坡支护动态调整及信息化施工具有重要意义。

5 结论

（1）当边坡岩性较为相似，且开挖区域坡体上无长大软弱结构面发育时，运用提出的BP神经网络模型预测下一梯段损伤范围的方法简便可行，预测精度较高，可满足工程要求。

（2）在考虑不同部位及不同爆心处的质点峰值振动速度的同时，还考虑了最大单响药量、岩体强度及地形地貌等环境特征的影响。可对高边坡爆破损伤深度进行实时预测，以减少岩体损伤检测的工作量，提高工作效率。

（3）因爆破开挖损伤影响因素较多且较为复杂，为进一步提高预测精度，可随高边坡开挖进程的持续推进，不断丰富实测爆破振动、损伤及相关数据库，增加岩体结构面、孔网参数等作为预测输入参量。

全市每年都有因城市（镇）开发、工业园区、房地产、交通、水工程等建设项目开挖扰动地表、开挖自然山体，不严格执行水土保持方案和“三同时制度”，没有实施生态修复和水保设施建设，甚至有的建设单位不按规定倾倒或者向河道偷倒废弃建筑渣（土）等。据监测和调查，全市各类生产建设项目年造成新的水土流失面积10km2，有的地方破坏面积已接近甚至大于当年治理面积，城市生态环境严峻形势不容乐观。

（

）：

﹝1﹞李海波，蒋会军，赵坚，等.动荷载作用下岩体工程安全的几个问题［J］.岩石力学与工程学报，2003，22（11）：1 887-1 891. LI Hai-bo，JIANG Hui-jun，ZHAO Jian，et al.Some problems about safety analysis of rock engineering under dynamic load［J］.Chinese Journal of Geotechnical Engineering，2003，22（11）：1 887-1 891.

﹝2﹞闫长斌.爆破作用下岩体累积损伤效应及其稳定性研究［D］.长沙：中南大学，2006. YAN Chang-bin.Study on cumulative damage effects and stability of rock mass under blasting loading［D］. Changsha：Central South University，2006.

﹝3﹞周创兵.水电工程高陡边坡全生命周期安全控制研究综述［J］.岩石力学与工程学报，2013，32（6）：1 081-1 093. ZHOU Chuang-bing.A prospect of researches on life-cycle safety control on high-steep rock slopes in hydropower engineering［J］.Chinese Journal of Rock Mechanics and Engineering，2013，32（6）：1 081-1 093.

﹝4﹞DL/T5389-2007水工建筑物岩石基础开挖工程施工技术规范［S］.北京：中国电力出版社，2007. DL/T5389-2007 Construction technical specifications on rock foundation excavating engineering of hydraulic structures［S］.Beijing：China Electric Power Press，2007.

﹝5﹞HOLMBERG R，PERSSON P A.The swedish approach to contour blasting［C］//Proceedings of the 4th conference on explosive and blasting technique.ISEE，1978：113-127.

﹝7﹞卢文波，HUSTRULID W.临近岩石边坡开挖轮廓面的爆破设计方法［J］.岩石力学与工程学报，2003，22（12）：2 052-2 056. LU Wen-bo，HUSTRULID W.Design approach for excavation blasting near contour of rock slope［J］.Chinese Journal of Rock Mechanics and Engineering，2003，22（12）：2 052-2 056.

﹝8﹞谢冰，李海波，刘亚群，等.宁德核电站核岛基坑爆破开挖安全控制研究［J］.岩石力学与工程学报，2009，28（8）：1 571-1 578. XIE Bing，LI Hai-bo，LIU Ya-qun，et al.Study of safety control of foundation pit excavation by blasting in ningde nuclear power plant［J］.Chinese Journal of Rock Mechanics and Engineering，2009，28（8）：1 571-1 578.

﹝9﹞唐海，李海波，周青春，等.预裂爆破震动效应试验研究［J］.岩石力学与工程学报，2010，29（11）：2 277-2 285. TANG Hai，LI Hai-bo，ZHOU Qing-chun，et al.Experimental study of vibration effect of presplit blasting［J］.Chinese Journal of Rock Mechanics and Engineering，2010，29（11）：2 277-2 285.

﹝10﹞夏祥.爆炸荷载作用下岩体损伤特征及安全阈值研究［D］.武汉：中国科学院武汉岩土力学研究所，2006. XIA Xiang.Study of damage characteristics and safety threshold of rock vibration by blast［D］.Wuhan：Institute of Rock and Soil Mechanics，Chinese Academy of Sciences，2006.

﹝11﹞LI H B，XIA X，LI J C，et al.Rock damage control in bedrock blasting excavation for a nuclear power plant［J］.International Journal of Rock Mechanics and Mining Sciences，2011，48（2）：210-218.

﹝12﹞BAUER A，CALDER P N.Open pit and blast seminar［R］.Kingston：Mining Engineering Department，Queens University，1978.

﹝13﹞SAVELY J P.Designing a final blast to improve stability［C］//Proceedings of the SME Annual Meeting.New Orleans：［s.n.］，1986：80-86.

﹝14﹞MOJITABAI N，BEATTI S G.Empirical approach to prediction of damage in bench blasting［J］.Transactions of the Institution of Mining and Metallurgy：Section A，1996，10（5）：75-80.

﹝15﹞严鹏，邹玉君，卢文波，等.基于爆破振动监测的岩石边坡开挖损伤区预测［J］.岩石力学与工程学报，2016，35（3）：538-548. YAN Peng，ZOU Yu-jun，LU Wen-bo，et al.Predicting the damage zone of rock slope under blasting excavation based on vibration monitoring［J］.Chinese Journal of Rock Mechanics and Engineering，2016，35（3）：538-548.

﹝16﹞李守巨，刘迎曦，何翔，等.基于人工神经网络的爆炸冲击荷载参数识别方法［J］.岩石力学与工程学报，2003，22（11）：1 870-1 873. LI Shou-ju，LIU Ying-xi，HE Xiang，et al.Identification with artificial neural network of load parameters from underground explosion［J］.Chinese Journal of Rock Mechanics and Engineering，2003，22（11）：1 870-1 873.

﹝17﹞唐海，石永强，李海波，等.基于神经网络的爆破振动速度峰值预报［J］.岩石力学与工程学报，2007，26（S1）：3 533-3 539. TANG Hai，SHI Yong-qiang，LI Hai-bo，et al.Prediction of peak velocity of blasting vibration based on neural network［J］.Chinese Journal of Rock Mechanics and Engineering，2007，26（S1）：3 533-3 539.

﹝18﹞汪学清，单仁亮.人工神经网络在爆破块度预测中的应用研究［J］.岩土力学，2008，29（S1）：529-532. WANG Xue-qing，SHAN Ren-liang.Application of artificial neural networks to blasting fragment prediction［J］.Rock and Soil Mechanics，2008，29（S1）：529-532.

﹝19﹞胡英国，卢文波，陈明，等.不同开挖方式下岩石高边坡损伤演化过程比较［J］.岩石力学与工程学报，2013，32（6）：1 176-1 184. HU Ying-guo，LU Wen-bo，CHEN Ming，et al.Comparison of damage evolution process of high rock slope excavated by different methods［J］.Chinese Journal of Rock Mechanics and Engineering，2013，32（6）：1 176-1 184.

﹝20﹞BADAL R.Controlled blasting in jointed rocks［J］.International Journal of Rock Mechanics and Mining Sciences，1994，31（1）：79-84.

﹝21﹞SOEJIMA M.Analysis of the influence of crack in coke on the fracture［J］.Journal of the Iron and Steel Institute of Japan，2001，87（5）：245-251.

﹝22﹞邹奕芳.预裂缝和减震槽减震效果的爆破试验研究［J］.爆破，2005，22（2）：96-99. ZOU Yi-fang.Experimental study on the vibration-isolating effect of pre-split crack and vibration-isolating slot［J］.Blasting，2005，22（2）：96-99.

﹝23﹞MOHAMED M T.Performance of fuzzy logic and artificial neural network in prediction of ground and air vibrations［J］.International Journal of Rock Mechanics and Mining Sciences，2011，48（5）：845-851.

Prediction of blast-induced damage depth for rock slope based on monitored vibration and neural network model

ZOU Yu-jun1，2，YPP Peng1，2，LU Wen-bo1，2，CHEP Ming1，2，WPPC Cao-hui1，2
（1.State Key Laboratory of Water Resources and Hydropower Engineering Science，Wuhan University，Wuhan 430072，China；2.Key Laboratory of Rock Mechanics in HydrauIic StructuraI Engineering Ministry of Education，Wuhan University，Wuhan 430072，China）

The blasting excavation of high rock slope in large-scale hydropower projects leads to damages on the reserved rock mass.Such damages may cause slope failure，so the blast-induced damage depth should be strictly controlled and precisely determined and it is urgently needed to find an efficient and accurate method to determine damage depth.During blasting excavation of the left bank slope between altitude of 834.0m and 770.0m of the Bai-he-tan Hydropower Station，the vibration caused by the first to the sixth bench blasting are monitored at different points and the blasting damage depths are also obtained by sonic wave testing.Then the BP artificial neural network model is established for real-time prediction of damage depth based on monitored vibration.This method takes the vibration at different distances and altitudes to the blast center as main regression variable，and the maximum explosives per delay and rock mass strength are also considered.The result indicates that if the lithology of each bench were similar and there were no large structural planes existing，the method that applying BP artificial neural network model presented with monitored vibration is convenient and feasible.The prediction accuracy of damage depth can meet the requirement of practical project，and the method for supplementury will significantly reduce massive traditional sonic wave testing workload.

High rock slope；Blasting vibration；BP neural network；Blasting damage；Real-time prediction

TD235.1

A

10.3969/j.issn.1006-7051.2016.05.012

1006-7051（2016）05-0057-07

2016-03-05

国家自然科学基金杰出青年基金项目（51125037）；国家自然科学基金面上项目（51179138）

邹玉君（1992-），男，硕士在读，从事岩石动力学和工程爆破方面的研究教学和科研工作。E-mail：zouyujun@whu.edu.cn

严鹏（1981-），男，副研究员，主要从事岩石动力学及工程爆破相关的教学和科研工作。E-mail：pyanwhu@whu.edu.cn