《Algorithms》：Peak Particle Velocity Prediction Model Based on I-GWO-BP Network and SHAP Method
编辑推荐：
由爆破振动引起的峰值粒子速度（Peak Particle Velocity, PPV）的精确预测对于控制工程风险和优化爆破参数设计至关重要。为解决PPV影响因素众多且可用研究样本有限的实际挑战，本研究开发了一种基于改进灰狼优化器（Improved Grey W
由爆破振动引起的峰值粒子速度（Peak Particle Velocity, PPV）的精确预测对于控制工程风险和优化爆破参数设计至关重要。为解决PPV影响因素众多且可用研究样本有限的实际挑战，本研究开发了一种基于改进灰狼优化器（Improved Grey Wolf Optimizer, I-GWO）优化的反向传播神经网络（Backpropagation neural network, BP）的PPV预测模型，称为I-GWO-BP网络。研究人员采用I-GWO算法高效搜索BP神经网络中需要优化的权重和偏置参数的最优组合。结果表明，所提出的集成预测模型在预测PPV方面比对比模型（包括灰狼优化器增强的BP模型（GWO-BP）和极限学习机模型（ELM））具有更高的准确性和可靠性。除了展示最优的预测性能外，可解释性分析进一步采用了SHapley Additive exPlanations（SHAP）方法增强了I-GWO-BP模型的可解释性，揭示了距爆破中心的距离是最显著的影响因素。本研究突显了I-GWO增强型神经网络在相似地质和作业条件下预测PPV的应用潜力，为相关预测工作提供了方法论参考。
一、研究背景与现存问题
爆破技术因其高效性和经济性被广泛应用于采矿、水利水电和交通建设等领域。然而，爆破能量释放引起的振动效应，通常以峰值粒子速度（PPV）作为衡量指标，不仅威胁周边建（构）筑物的安全，还显著降低人体舒适度。因此，精确预测和控制PPV成为确保工程安全和环境保护的关键挑战。传统方法从单一的萨道夫斯基经验公式发展到多因素修正模型，并进一步探索人工智能（AI）技术。现有研究已开发了多种智能预测系统，包括贝叶斯神经网络（BNN）、支持向量机（SVM）、基因表达式编程（GEP）、数据处理分组法（GMDH）和k近邻（KNN）等基础算法，以及神经模糊推理系统（ANFIS）、决策树（DT）、分类回归树（CART）、极端梯度提升（XGBoost）、随机森林（RF）等集成策略。尽管这些智能算法相较于传统经验公式展现出显著优势，但仍需解决两个核心问题：一是建立科学有效的特征选择机制以精准识别主控影响因素；二是构建智能超参数优化框架以提升模型性能。因此，开展本研究旨在基于神经网络探索可靠的PPV智能预测技术路径。
二、研究方法与技术路线
研究人员基于广西柳江红花水利枢纽二线船闸下游引航道土石方爆破工程的两年爆破振动监测数据，构建了一个包含93个样本集的数据库。研究采用的主要关键技术方法包括：（1）箱形图异常值检测与三次样条插补用于数据清洗；（2）Min-Max标准化进行特征归一化处理；（3）构建融合皮尔逊（Pearson）线性相关系数、斯皮尔曼（Spearman）秩相关系数和肯德尔（Kendall Tau-b）秩相关系数的双轨筛选框架进行相关性分析；（4）提出改进灰狼优化器（I-GWO），引入维度学习狩猎（DLH）策略增强全局优化能力，用于优化BP神经网络的初始权值和阈值；（5）构建I-GWO-BP混合预测模型，并与标准GWO-BP、传统BP和极限学习机（ELM）模型进行性能比较；（6）应用SHAP可解释性框架揭示模型决策机制。
三、研究结果
3.1 性能比较
通过适应度曲线比较，GWO优化在第3代达到最佳适应度值0.194，而I-GWO优化在第8代达到更优的0.135，表明I-GWO将优化能力提升了约30%。在代表性折交叉验证中，I-GWO-BP模型在大多数样本上预测值与实际值的偏差最小，明显优于ELM、BP和GWO-BP模型。
3.2 模型对比分析
I-GWO-BP模型取得了最优的整体性能（MAE=0.024±0.007 cm/s，RMSE=0.031±0.009 cm/s，MAPE=15.1±5.2%，R2=0.860±0.081），且其标准差在所有模型中最小，表明该模型不仅精度更高，而且跨折稳定性更强。相比之下，ELM模型的MAPE较高，表明前馈学习机制本身不足以捕捉本研究中PPV与影响因素之间的复杂关系。I-GWO-BP模型的决定系数（R2=0.86）相比次优的GWO-BP模型（R2=0.60）提升了42.9%。
3.3 模型解释与分析
基于SHAP方法的全局分析散点图显示，距爆破中心距离（R）对PPV的影响最为显著，而延时时间和孔间距影响极小。特征重要性排序为：距爆破中心距离 > 炮孔深度 > 排间距 > 最大单段药量 > 总装药量 > 炮孔数量 > 孔间距 > 延时时间。其中，距爆破中心距离的重要性得分高达0.406，是主导因素。特征依赖图进一步揭示：当距爆破中心距离较小时，其对PPV的贡献随距离增加迅速下降，但下降速率逐渐减缓；炮孔深度与总装药量均较大时，其对PPV的贡献也更大；总装药量较低时其对PPV的贡献呈线性增长，但当总装药量超过2000 kg后贡献开始下降；较大的最大单段药量导致更高的PPV贡献，但距爆破中心距离的增加会显著降低这种贡献。
四、结论总结与讨论
研究人员指出，当前模型是基于单一施工现场特定地质条件下的数据开发和验证的。虽然所提出的I-GWO-BP方法在该数据集内展现了强大的预测能力，但其在不同岩体性质、地形或爆破方案场地上的直接泛化能力需要通过独立的现场数据进行进一步验证。未来工作将集中于收集多站点数据集以巩固模型的更广泛适用性。
研究结论如下：
（1）与标准GWO相比，I-GWO的优化能力提升了30%。研究人员提出了改进灰狼优化器（I-GWO）算法来优化反向传播（BP）神经网络的初始权重，从而构建了用于预测爆破振动的I-GWO-BP模型。对比实验表明，混合I-GWO-BP模型优于GWO-BP、BP和ELM模型，获得了最低的MAE、MAPE、MSE和RMSE值。这些结果证实了I-GWO-BP模型能够提供更可靠和准确的预测性能。
（2）SHAP模型解释器被应用于训练好的I-GWO-BP PPV预测模型。通过这一应用发现，爆破中心距离对PPV的影响最为显著，而延时时间和孔间距几乎没有影响。此外，当钻孔数量、排间距和总装药量达到上限时，它们对PPV的影响程度将不再变化。在局部和全局解释中，距爆破中心距离和钻孔深度被确定为影响PPV的主要因素。
（3）研究人员使用皮尔逊线性相关、斯皮尔曼秩相关和肯德尔秩相关研究了控制爆破振动的主要因素。所有三种相关分析均表明，距爆破中心距离和炮孔深度是对爆破振动速度影响最大的两个因素，其中距爆破中心距离的影响尤为显著。在不同的评价方法下，总装药量对爆破振动的影响程度存在明显差异。
（4）原始爆破振动数据存在类别不平衡问题——特征参数呈现显著的长尾分布特征，需要对原始数据进行预处理以剔除异常数据。鉴于爆破参数的量纲异质性，需要对原始数据进行归一化处理。
（5）需要注意的是，当前模型是基于单一施工现场特定地质条件下的数据开发和验证的。虽然所提出的I-GWO-BP方法在该数据集内展现了强大的预测能力，但其在不同岩体性质、地形或爆破方案场地上的直接泛化能力需要通过独立的现场数据进行进一步验证。未来工作将集中于收集多站点数据集以巩固模型的更广泛适用性。
