30、爆破相关参数预测与分析：人工智能的应用探索

爆破相关参数预测与分析：人工智能的应用探索

1. OUA预测的变量敏感性分析

在预测OUA（Overbreak Underbreak，超欠挖）时，有12个变量作为输入参数。然而，每个变量对OUA的敏感性未知，需要进一步研究。为此，采用了Pianosi和Wagener提出的PAWN方法来获取每个变量的重要性得分（即敏感性指数）。

通过ALO - BPNN模型对所有输入变量对预测OUA的重要性得分进行估计，结果如下表所示：
| 变量 | 重要性得分 |
| — | — |
| 光泽爆破层厚度（TH） | 0.4022 |
| 总装药量（TC） | 0.3940 |
| 辅助孔间距（AS） | 0.3940 |
| 周边孔间距（PS） | 0.3940 |
| 装药结构（CS） | 0.3809 |
| 总孔数（N） | 0.3648 |
| 层状表面结合程度（D） | 0.2708 |
| 装药集中度（CC） | 0.2387 |
| 单轴抗压强度（UCS） | 0.2113 |
| 岩体质量等级（RMR） | 0.1950 |
| 深度（H） | 0.1375 |
| 最大单孔装药量（MC） | 0.1231 |

从这些数据可以看出，光泽爆破层厚度（TH）的得分最高，被认为是对OUA预测最重要的输入变量；而最大单孔装药量（MC）得分最低。总装药量（TC）、辅助孔间距（AS）和周边孔间距（PS）对OUA预测的敏感性相同，因为它们的重要性得分一致。

2. OUA预测模型对比

为了预测OUA，提出了一种新颖