25、人工智能在爆破相关预测中的应用与进展

人工智能在爆破相关预测中的应用与进展

1. 爆破诱发空气超压预测

在爆破工程中，爆破诱发的空气超压（AOp）预测至关重要。研究人员从马来西亚的4个花岗岩采石场收集了包含166个样本的数据集，该数据集有四个输入变量，分别是炮孔间距（BS）、炸药单耗（PF）、岩石湿度（MC）和炸药能量指数（DI），以及一个输出变量AOp。

随后，对影响AOp的相关因素进行了评估，并利用该数据集训练机器学习模型，具体使用了贝叶斯优化的极端梯度提升（BO - XGBoost）模型和随机搜索的极端梯度提升（RS - XGBoost）模型。为了评估所建立的机器学习模型的性能，采用了四个指标，分别是决定系数（R²）、均方根误差（RMSE）、平均绝对误差（MAE）和方差解释率（VAF）。

评估结果显示，BO - XGBoost模型表现最佳。在训练集和测试集上，BO - XGBoost模型的R²分别为0.998和0.956，RMSE分别为0.010和0.057，MAE分别为0.008和0.046，VAF分别为99.831%和95.667%。这表明BO - XGBoost模型是预测AOp的强大而稳健的工具。

同时，对输入变量的重要性分析表明，在当前工程案例中，DI对AOp的影响最大，其重要性为0.733，而BS、PF和MC对AOp的影响最小。

下面是具体的评估指标对比表格：
| 模型 | 数据集 | R² | RMSE | MAE | VAF |
| — | — | — | — | — | — |
| BO - XGBoost | 训练集 | 0.998 | 0.010 | 0.008 | 99.831% |
| BO - XGBoos