《ARCHIVES OF COMPUTATIONAL METHODS IN ENGINEERING》：Advancements in Predictive Modeling for Peak Particle Velocity in Rock Blasting: Tracing the Evolution from Empirical Models to Artificial Intelligence Techniques
峰值质点速度（PPV）的预测是使用炸药进行岩石爆破活动中操作安全与效率的基本要素。本综述系统性地研究了预测性PPV模型的方法论演变，从开创性的经验方法到当代的人工智能算法。传统的经验模型，以美国矿业局（USBM）和Langefors-Kihlstrom公式为例，通过基于比例距离的简化数学关系奠定了振动预测的基础。然而，其固有的局限性，特别是对场地特定常数的依赖以及无法建模复杂的非线性关系，促使了向更复杂方法的转变。人工智能技术（人工神经网络（ANN）、支持向量机（SVM）、集成方法和深度学习架构）的融入提高了报告中的预测准确性，尽管本综述显示这种优势是有条件的，而非普遍的。本综述通过结构化的、定量的文献综合，分析了每一类模型类别的优势、局限性和实际应用。其贡献包括：对跨研究报告性能的批判性比较；对数据驱动模型（数据依赖性、可解释性、泛化性和部署）反复出现局限性的平衡评估；一个基于数据可用性和场地条件的面向从业者的模型选择框架；以及一个未充分探索方向（混合物理-数据模型、不确定性量化、可解释人工智能和物联网支持监测）的研究空白路线图。未来趋势指向物联网（IoT）技术的集成、结合物理知识与机器学习的混合模型的发展，以及不确定性量化技术的实施，旨在实现对岩石爆破环境影响的更稳健和可靠的控制。
以下是关于论文《岩石爆破中峰值质点速度预测模型的进展：从经验模型到人工智能技术的演变追踪》主体部分的总结，全文保留了原文小标题，并去除了引用文献标识和图示标识。
**1 引言**
岩石爆破是采矿和大型土木工程中破碎岩体的主要技术。炸药爆炸产生的地震波引起地面振动，当强度过高时，会损坏邻近建筑物并影响社区。峰值质点速度（PPV）是评估爆破振动损伤潜力的主要参数。准确预测PPV对于规划安全高效的爆破设计至关重要。从最初依赖比例距离的经验模型（如USBM和Langefors-Kihlstrom公式）开始，预测模型经历了方法论的演变。随着计算能力的提升，多元统计分析和人工智能技术（如人工神经网络（ANN）、支持向量机（SVM）、集成方法和深度学习）被引入，以更好地建模非线性关系。本综述系统性地审视了PPV预测模型的历史进程，讨论了每种模型类别的理论基础、优势、局限性，并提供了结构化的定量综合、数据驱动方法的平衡批评以及面向从业者的模型选择框架。
**1.1 贡献与范围**
本文是一篇综述文章，通过四个明确贡献超越以往的调查：1）对报告模型性能的结构化定量综合，将代表性研究整理成比较表，包含场地、样本量、输入变量、模型系列和报告准确性（
R2，RMSE）。2）对数据驱动方法的平衡批评，从数据依赖性、可解释性、跨地质环境泛化性和实际部署四个维度分析常见局限性。3）面向从业者的选择框架，将数据可用性、可解释性要求、延迟和场地条件映射到推荐建模策略。4）研究空白路线图，识别未充分探索的方向（混合物理-数据模型、不确定性量化、可解释人工智能和物联网实时监测）。研究选择通过关键词搜索（2014-2024年文献）和追溯引用链进行，共纳入68项主要研究，以代表方法论格局。
**2 爆破振动物理基础**
**2.1 爆破波的产生与传播**
炸药在炮孔内爆炸产生极高压力，形成压碎区，然后转化为弹性应力波（地震波）。这些波以体波（P波和S波）和面波（瑞利波和勒夫波）形式传播，其中瑞利波对振动损伤潜力贡献最大。地震波能量衰减由几何衰减（波阵面扩展）和材料衰减（岩石内部摩擦）控制。体波振幅随距离线性衰减，面波振幅随距离平方根衰减。
**2.2 影响PPV的因素**
影响PPV的因素包括炸药参数、爆破设计参数和岩体特性。经验模型无法考虑大多数这些因素，是其准确性有限的主要原因。大多数国家设有技术标准，规定不同结构类型的最大PPV限值，这为预测模型提供了实际应用背景。
**3 预测模型的历史演变**
**3.1 经验模型时代**
20世纪中期，基于现场观测的经验模型开始发展，引入比例距离（SD）概念，建立PPV与SD的幂律关系（PPV = k·SD
-β）。这些模型（如USBM、Ambraseys-Hendron）概念简单、计算成本低，但严重依赖场地特定常数，忽略了岩体地质、爆破几何和炸药特性等众多因素。
**3.2 向多元统计分析过渡**
20世纪80年代，随着计算机普及，研究人员应用多元回归分析，将更多预测变量（如炸药爆速、孔数、台阶高度、岩体力学性质）纳入方程。这些模型通过线性或线性化关系（如对数形式）建模，克服了部分经验模型局限，但仍难以处理固有非线性相互作用，且面临变量选择和多重共线性挑战。
**3.3 人工智能方法的出现**
20世纪90年代末，人工智能技术开始应用于PPV预测。机器学习的核心优势在于无需预先指定函数形式，直接从数据中学习模式，从而能表示非线性交互。但同时带来了数据依赖、可解释性降低和过拟合风险等问题。
**4 建模技术：理论与数学框架**
**4.1 回归分析**
回归分析是经验和统计模型的基础。普通最小二乘法（OLS）在满足高斯-马尔可夫假设下是最佳线性无偏估计量（BLUE），但在PPV预测中，多重共线性和非线性衰减常违反这些假设，是其主要局限。
**4. 2 人工神经网络**
人工神经网络（ANN）由多层互联神经元组成，通过非线性激活函数（如Sigmoid、tanh、ReLU）进行变换。通用近似定理保证单隐藏层网络可逼近任意连续函数。训练通过反向传播和梯度下降最小化损失函数。ANN的灵活性使其能吸收非线性交互，但小数据集下需要正则化。
**4.3 支持向量机**
支持向量机用于回归（SVR），通过ε-不敏感损失函数寻求在ε偏差内尽可能平坦的函数。核技巧（如径向基函数核）使SVR能建模非线性关系，且仅依赖支持向量，具有稀疏性和鲁棒性。超参数（C、ε、σ）需通过交叉验证调优。
**4.4 集成方法**
集成方法通过组合多个基学习器提高准确性。Bagging（如随机森林）通过自助采样和特征子采样降低方差；Boosting（如梯度提升）通过顺序拟合残差构建强学习器。XGBoost等优化变体引入复杂性惩罚，防止过拟合。
**4.5 深度学习架构**
深度学习架构，如卷积神经网络（CNN）和长短期记忆网络（LSTM），可处理全波形振动信号，提取时频特征。但需要波形级数据集和大量样本，在常规实践中较少采用。
**4.6 技术比较概述**
表1总结了各方法的特征权衡：经验/统计方法可解释性高但缺乏非线性建模能力；AI方法准确性高但数据需求大、透明度低。SVM在数据效率和鲁棒性上处于中间位置。没有方法在所有维度上占优，模型选择需根据约束条件。
**4.7 特征工程与输入选择**
特征工程比模型选择更重要。影响因素（图2）的可用性不同。实际中需注意多重共线性、缺失数据（如节理、风化程度）和特征选择（距离与单段药量占主导）。
**5 PPF预测中人工智能应用综述**
**5.1 基于ANN的方法**
ANN是最早应用于PPV预测的AI技术之一。早期研究（如Khandelwal和Singh）在174条记录上报告了
R2从0.54提升至0.99的大幅提升，成为基准。随后大量研究将ANN训练与生物启发优化器（如粒子群优化、布谷鸟搜索）结合以调参。但多数改进来自单站点小数据集，且缺乏代码和超参数敏感性分析。最关键的进展可能是贝叶斯神经网络（Fissha等），它提供预测分布而非点估计，实现校准的不确定性量化。
**5.2 SVM与核方法**
SVR在小样本、噪声环境下具有鲁棒性。Khandelwal首次将SVM应用于PPV预测，报道了与ANN相当的准确性且数据成本更低。后续研究集中于元启发式调参（如金枪鱼群优化SVR达到
R2=0.96）。但SVR的数据效率优势未充分挖掘。
**5.3 集成与梯度提升方法**
集成方法常被认为是当前最优，报告
R2常高于0.9。但准确性来自单站点随机训练-测试分割，属于分布内拟合，而非跨站点泛化。比较研究中，集成方法优势幅度不大，且经验基线弱（如
R2=0.13）会夸大AI增益。合理结论是：当数据充足且同质时，集成方法是最安全的默认选择，但常规PPV实践很少满足此条件。
**5.4 神经模糊与软计算方法**
自适应神经模糊推理系统（ANFIS）以可解释性为动机，但一旦用元启发式调参并引入多输入，规则库便失去可读性，回归为灵活回归器。该领域体现了可解释性-准确性权衡的张力。
**5.5 其他新兴技术**
文献中探索了多种替代技术，如基因表达式编程（GEP）、极限学习机、CART回归树、MARS-PSO-MLP栈、k近邻等。但多数方法仅在一个站点评估一次，缺乏可重复验证。两项例外（GEP-蒙特卡洛和高斯过程回归）提供了预测分布，但未进入主流。
**5.6 报告性能的定量综合**
将68项研究整合到结构化比较表（表A1）中，记录样本量n、输入数、最佳模型及准确性（
R2）、经验基线
R2和特征/局限。三个模式明显：数据集小且单站点（中位数n=102，46%低于100）；经验基线弱（
R2常低于0.75）；AI准确性高但分散（
R2从0.35至1.0）。注意：跨研究性能指标不可直接比较，因数据集、地质条件、验证协议不同。图5展示了类别水平的聚合分布，强调数据驱动类别平均高于基线，但离差大。
**5.7 不同地质环境与采矿场景下的报告性能**
将68项研究按背景分类（煤矿、金属矿、采石场、土木/地下工程、多站点/合并数据集），表5显示各背景组中位数
R2相近（0.92-0.95），组内离差远大于组间差异，表明报告准确性主要由数据集大小、输入质量和验证协议决定，而非岩性或矿山类型。多站点数据集的准确性并未更高，且包含两个弱结果（
R2=0.62和0.87）。没有研究进行留一站点交叉验证，因此跨背景转移的直接定量证据尚不存在。
**5.8 关键综合：差距、矛盾与局限性**
沿着四个轴进行综合：1）数据依赖性：AI模型的准确性取决于数据集特征，缺乏公共基准数据，小样本下易过拟合。2）可解释性：集成和深度架构的准确性增益伴随透明度损失，很少研究报告特征归因。3）跨地质环境泛化性：跨站点泛化能力差，缺乏留一站点评估。4）不确定性量化与部署：多数模型仅提供点预测，贝叶斯方法和符合预测未充分利用。这些问题促成条件依赖的指导（第8节）。
**6 实际应用与现场验证**
**6.1 采矿作业中的应用**
精确振动控制对于露天和地下矿的经济可行性和可持续性至关重要。预测模型直接用于优化爆破设计，通过模拟不同场景调整单段药量、孔间距、抵抗线和起爆顺序，在保持振动低于安全限值的同时最大化破碎效果。但AI模型的高准确性主要来自分布内拟合，实际收益依赖于校准的不确定性和样本外验证。
**6.2 土木工程项目中的应用**
在城市区域或邻近基础设施的土木工程中，振动控制更为关键。预测模型用于估计邻近结构处的PPV，帮助工程师实施减振措施并确保符合法规。连续监测提供尽职调查证据。
**6.3 法规框架与数据稀缺**
预测模型在频率依赖的法规框架下运行（如德国DIN 4150-3、美国OSMRE标准、巴西NBR 9653）。低频振动限制最严格，但大多数模型仅预测标量PPV，丢弃频率信息，限制了可操作性。高质量监测记录获取成本高、站点特定且很少共享，数据稀缺有利于数据高效模型和混合方法。
**6.4 验证方法与性能比较**
验证的关键是样本外性能，但主流做法是随机训练-测试分割，这估计的是分布内准确性，且小样本下易受分区运气影响。留一站点验证是评估跨站点泛化性的理想协议，但文献中尚无研究采用。表6总结了不同验证策略的偏差。AI模型通常报告比经验模型更高的准确性，但比较需谨慎，因指标来自不同数据集和协议。
**7 当前挑战与未来方向**
**7.1 预测建模中的挑战**
**7.1.1 数据质量与可用性** 数据采集成本高、站点特定且私有，缺乏公共基准数据集。建立共享、标准化数据集是推动可重复基准测试的关键步骤。
**7.1.2 验证与泛化性** 弱跨站点迁移是最大的未充分报告局限。迁移学习和域适应在相邻地球物理领域成熟，但未在PPV中探索。留一站点验证是优先方向。
**7.1.3 可解释性与准确性** 高容量模型的可解释性成本促使采用可解释人工智能（XAI），如SHAP和LIME，为预测提供特征归因，使黑盒模型可辩护。
**7.1.4 可重复性与标准化** 缺乏代码、数据集和超参数共享，阻碍结果验证和公平比较。开发开源工具包和标准化评估协议将推动领域发展。
**7.2 趋势与创新**
**7.2.1 波形分析的深度学习** 当前模型仅使用PPV标量，而完整波形包含频率、持续时间等信息。CNN和LSTM架构可提取更丰富特征，但数据需求大，优势尚未在常规实践中证实。
**7.2.2 物联网与实时监测** 低成本振动传感器和无线连接使密集实时监测成为可能，支持连续学习和自适应爆破控制。但持续重训练面临数据漂移和校准问题，潜力尚未实现。
**7.2.3 经验驱动机器学习（EDML）** EDML将经验方程预测作为显式输入特征纳入机器学习模型，结合物理知识与数据驱动学习。这提供了物理先验约束，减少不可预测性，并可能提高数据效率和泛化性。它是灰盒或知识引导模型的一种形式，与残差学习和物理信息神经网络（PINN）不同，但共享锚定物理基线的思想。
**7.2.4 不确定性量化** 点预测价值有限，预测可信区间对风险分析更重要。技术如深度集成、蒙特卡洛Dropout、贝叶斯神经网络（如Fissha等）提供原则性框架，在接近法规阈值时尤为重要。
**7.2.5 用于工程信任的可解释人工智能（XAI）** XAI技术（如SHAP、LIME）已出现在PPV研究中，持续识别单段药量和距离为主导变量，并量化次要效应和交互阈值。但尚未与留一站点验证结合，这是自然下一步。
**7.2.6 数字孪生与自主系统** 长期愿景是PPV预测模型与三维矿山模型集成，实现数字孪生和自动爆破系统。但受限于跨站点泛化差、不确定性估计稀缺和监管责任，仍属遥远愿景。
**8 从业者模型选择指南**
**8.1 决策框架**
推荐按以下顺序决策：1）是否有校准训练数据集？若否，使用经典经验比例距离模型。2）数据集大小？小样本（n≤200）优先SVR或紧凑神经网络；大样本（n≥300）优先梯度提升集成或随机森林。3）是否需要可解释性或法规可追溯性？若是，优先可解释模型或复杂模型加后验解释。4）是否需要不确定性量化？接近阈值时，优先贝叶斯或符合预测方法。5）延迟和重训练约束？实时或频繁重训练系统优先SVR或轻量集成。6）是否跨站点迁移？若需，使用留一站点验证，并考虑迁移学习或物理锚定混合模型。图10总结了决策流程图。
**8.2 示例案例研究**
应用框架于三个已发表研究：案例1（Fissha等，中等单站点数据集，需可解释性和不确定性）：框架指向贝叶斯神经网络加SHAP，匹配作者选择。案例2（Lawal等，极小数据集，报告
R2≈1.0）：框架警告过拟合可能，质疑结果可靠性。案例3（Aruna等，物联网实时监测，n=54）：框架突出操作约束（低延迟、频繁重训练），并指出小测试集下性能排序在采样噪声范围内。
**9 结论**
本综述追踪了PPV预测从经验公式到人工智能的演变，并整合68项研究进行结构化关键综合。主要发现：AI模型通常提高报告准确性，但该优势是有条件的，取决于数据集大小和质量，且伴随可解释性降低、弱跨站点泛化和部署成本。从业者框架将发现转化为条件依赖指导。三个反复出现的差距：缺乏公共基准数据集、依赖分布内随机分割、缺乏校准的不确定性量化。未来方向是混合物理-数据模型、不确定性量化、可解释AI和物联网实时监测。建议新研究发布数据和代码，报告跨站点验证，并采用不确定性量化。
