基于集成多层机器学习方法对爆破诱发峰值质点速度（PPV）的智能预测——用于安全采矿作业

《Scientific Reports》：Intelligent prediction of blast-induced peak particle velocity (PPV) using an ensemble based multilayer machine learning approach for safe mining operations

　　

摘要

爆破是采矿和建筑业中评估结构安全和环境影响的重要参数。峰值粒子速度 (PPV) 的预测对于防止相邻基础设施受损至关重要。本研究提出了一种基于堆叠集成的多层混合机器学习 (ML) 框架，以提高爆破诱发 PPV 预测的准确性。模型的第一层接收随机森林 (RF)、AdaBoost、XGBoost 和 CatBoost 等多个基学习器的输出，将其组合后传入第二层作为元学习器的梯度提升回归器。数据集包含 993 个样本，涉及爆破几何参数（炮孔深度、孔距、最小抵抗线、填塞和分层装药）、炸药参数（类型、体积和药粉率 (PF)）以及操作参数（平均单孔装药量 (Avg. CPH)、最大单段装药量 (MCPD) 和地震仪距离)。为避免过拟合和欠拟合并提高模型的泛化能力，实施了一项全面的超参数优化过程。与单回归器、Bagging 和 Boosting 模型的比较表明，所提出的堆叠集成方法在预测准确性和可靠性方面表现更佳。所提出的模型表现优异，各项指标分别为：\(R^2\) (0.9855)、RMSE (0.0178)、MSE (0.00031)、MAE (0.0079)、SSE (0.0633)、NRMSE (0.0246)、MAD (0.0079) 和 VAF (98.52%)。这些结果验证了所提出框架在可靠 PPV 预测方面的有效性和实用价值，并为现场作业中优化爆破设计和振动控制提供了宝贵见解。