Series No. 528
June 2020
?
?
METAL MINE
?
?
ȝ 528 ?
2020 q第 6 ?
爆堆前冲和后冲距ȝ GSM/GA-SVM 预测模型
何晓?
中钢集团马鞍qqI总院股䆾有限公司Q安?马鞍?243000Q?
Q?
?
?
借助支持向量机模型ƈ考虑影响爆堆前冲距离和后冲距ȝ影响因素Q提Z爆堆前冲和后冲的?
持向量机QSVMQ预模型。结合工E实例和爆破作业方式Q本ơ实验选择W?1 排炮孔的孔深、孔距、抵抗线距离?
坡角、超钻长度、药量、炮孔堵塞长度,以及W?2~8 排炮孔的孔深、孔距、排距、超钻长度、药量、炮孔堵塞长度作为媄
响因素,以爆堆的前冲距离和后冲距M为因变量Qƈ分别采用|格搜烦的方式(GSMQ和遗传法QGAQ对Z?
持向量机预测模型的超参数q行优化调节Q利用从现场攉来的 40 l爆破实例构建和评h预测模型。最l的?
结果表明,从现场收集来的相兛_C爆堆位移之间构成一定的映射关系Q结合启发式法的爆堆位UL持向
量机预测模型能够得到较好的预精度?
关键?爆堆前冲 爆堆后冲 支持向量?预测
中图分类?TD854.2
文献标志?A
文章~号 1001-1250Q?020Q?06-177-07
DOI 10.19614/j.cnki.jsks.202006028
GSM / GA-SVM Prediction Model for Forward and Backward Replacement of Blasted Pile
2
He Xiaohua
Q?
Sinosteel Maanshan General Institute of Mining Research Co.QLtd.QMaanshan 243000QChinaQ?
Abstract With the help of support vector machine model and considering the factors that affect the distance of forward
replacement and backward replacementQthe prediction model of support vector machineQSVMQfor the forward and back?
ward displacement of blasted pile was proposed. Combined with the engineering examples and blasting operation patternsQ?
this experiment selects the hole depthQhole distanceQresistance line distanceQslope angleQover drilled lengthQcharge
quantityQstemming length of the first row of blastholeQas well as the hole depthQhole distanceQrow distanceQover drilled
lengthQcharge quantity and stemming length of the second to eighth rows of blastholes as the influencing factorsQand takes
the forward and backward replacement distance of the blasting pile as the output variables. In additionQGSMQgrid search
methodQand GAQgenetic algorithmQare used to optimize and adjust the hyper-parameters of SVM prediction models. 40
groups of blasting examples collected from the field blasting operation are used to develop and evaluate the prediction model.
The final prediction results show that there is a certain mapping relationship between the relevant parameters collected from
the field and the blasting pile replacementQand the support vector machine prediction model of blasting displacement com?
bined with heuristic algorithm can get higher prediction accuracy.
Keywords Forward blasting pileQBackward blasting fileQSupport vector machineQPrediction
爆破作业作ؓ最主要的破岩方式之一Q目前被
互媄响,与爆破效应之间构成了一个复杂的关系Q?
难以用一个函数来概括所有的影响因素Qؓ了避?
或者减轻这些危害的产生Q各个国安制定不同?
爆破安全判据Q比如d国、英国、美国等Q我国也?
定了《GB 6722?014 爆破安全规程》,与此同时Q众
多学者考虑采用数值模拟,l验判定Q或者数D?
的方式对爆破效应q行分析Q所产生的结果对减轻
爆破危害带来了很大的益处?
Q?-3Q?
q泛应用于水利、矿山、隧道等领域 Q其成本低,
见效快,但是爆破作业有时不可避免C对周围的
环境和工作h员生不良的影响Q比如爆破振动?
Q?Q?
飞石、噪韟뀁粉?{,q些不良的媄响轻则带来经
损失,严重的话则会引发l济U纷或者导致h?
伤亡Q从而媄响矿q正常作业。究其原因,主要
是媄响爆破效果的因素q于复杂Q这些媄响因素相
作者简??0?0?0Q?1-90655—)Q男Q高U工E师?
·
177 ·
ȝ528?
?
?
?
?
2020q第6?
然而,目前对于爆堆的研I主要还是集中对?
Q?-6Q?
而造成偏差Q将h数据分ؓ训练h和测试样本,
训练SVM后冲模型Q计相应的交叉概率?
Q?Q设|惩|因?C 和不敏感参数 g 的阈|?
一定方式进行编码,构徏合适数量的U群q对其进
行初始化?
堆Ş态和爆破岩石质量的研I上 Q对于爆堆位U?
的研I目前在爆破领域仍然有待于进行深入挖掘和
分析。爆堆位UM要可以分为爆堆前冲位Ud爆堆
后冲位移Q爆破前冲位UL指岩矌爆破气体推动
从而整体生向前位Uȝ现象Q爆堆后冲位UL?
爆破作业后矿岩在工作面后方的冲击力作用下Q爆
堆整体向后位Uȝ现象。传l的露天矿爆堆位Ud
布测定主要是采用摄媄法,然后借助囑փ分析的技
术对成果q行鉴定Q但是这U技术往往需要耗费?
量的旉Q鉴定结果也受摄影技术的影响。本研究
考虑先q的监督式学习技术应用到爆堆位移的预
和分析上,目前比较行的监督式学习Ҏ有支
持向量机、随机森林、神l网l等。支持向量机
Q?Q构建适应度函数判断个体的适应情况Q计?
适应倹{若满相应的条Ӟ则进行解码获得最?
的参?C ?gQ将获得的参数输入到 SVM 中收集相?
的误差?
Q?
4Q根据适应值和阈值来剔除适应性较差的?
体,采用轮盘赌法子Q确保选中适合的样本?
5Q将体内部的个体根据交叉概率来q行?
Q?
分的交叉Qƈ用变异概率来改变h中的一些特征,
随机选择变异的个体?
Q?Q?
Q?
SVMQ?作ؓ机器学习领域中非帔R要的一U算法,
Q?Q判断新一代的体是否满收敛条gQ若?
最开始由 Vapnik {h提出Q同其他机器学习法一
P其衍生于l计学习理论。支持向量机Ҏ更擅
长处理小h和高l度的问题,因此Q一l提Z?
Cq泛的应用,能够很好地处理非U性映问题?
支持向量机可以用来处理分cd回归问题Q其涉及
到的参数较,主要?C 值和 g |因此Q借助启发
式算法对支持向量机的参数进行优化,无需耗费
太多的时_也不易生局部极值问题。考虑到本
研究所要分析的爆堆位移预测模型涉及到的影响?
数较多,而且可用的数据集较少Q因此作者考虑网
_l束相应的P代ƈ用相关的 GA-SVM 法来解
决露天爆破爆堆后冲问题,其计流E图如图 1。不
W合条g则返回l更新参数ƈq行计算?
Q?-11Q?
格搜索方法(GSMQ和遗传法QGAQ?与支持向?
机模型相l合Q徏立了Z GSM/GA-SVM 的爆破前
冲和后冲距离预测模型?
1
计算原理q?
1
. 1 ZGA的SVM参数优化
?SVM 法中,可以利用核函数向高维I间?
1
. 2 Z|格搜烦?SVM参数优化
ƈ解决非线性的分类问题Q但是核函数参数和惩
|因?C 值对相应预测的精度有很大的媄响。当 C
值变化时Q模型的定w能力变小Q泛化能力也随之?
,当调高相兛_数时Q其_ֺ有所增加但容易出?
q拟合的问题。传l的Ҏ中h为因素比重较大,
主观性较强。遗传算法(GAQ是模仿自然界中生物q?
化机Ӟ优胜劣汰和遗传变异)来搜索样本空间最?
解的优化Ҏ。GA 法讄相应的适应度函数ƈ
对运后子代q行相应的优化,使其收敛q得到最
优解?
SVM 中将h数据q有空间向更高l度转化
q程中,涉及到相兛_数的优化Ҏ有很多。常?
的有人工试算、粒子群优化和遗传算法等方式。h
工试过E中不确定性因素较多,同时主观性比?
较大Q因个体差异而生变化;遗传法模块较ؓ?
z,使得法实现q程中代码较为复杂且难以实现?
同时旉复杂度较为明显,计算q程会耗费较长?
旉Q粒子群优化法在寻求最优解q程中收敛过
早,q且L局部最优解的能力较差。网格搜索法
I间复杂度较为明显,但是其搜索到的可能组合较
为全面。先讄大步长进行粗略搜索,获得目标?
大致范围q根据设|的步长来q行_搜烦Q具
体步骤如下:
Q?Q?
Ҏ GA 的相关特?Q将其与 SVM l合h
q对法中的参数q行优化Q具体步骤如下:
Q?Q收集露天爆破引起后冲数据ƈq行相应?
处理Q进行归一化处理来避免各部分数值相差太?
·
178 ·
何晓华:爆堆前冲和后冲距ȝ GSM/GA-SVM 预测模型
2020q第6?
Q?
1Q采用网格搜索方法来建立 SVM 的惩|因?
控制好爆堆的前冲距离和后冲距Rؓ准确预测?
堆前冲距d后冲距离Q本ơ实验选择W?1排的炮孔
的孔深、孔距、抵抗线距离、坡角、超深长度、药量、炮
孔堵塞长度,以及W?2~8 排炮孔的孔深、孔距、排距?
深长度、药量、炮孔堵塞长度作为媄响因素,以爆
堆的前冲距离和后冲距M为因变量Q分别徏立了
爆破前冲和后冲距预模型?
C、参?g 值和相应的搜索步距。其?C ?g 的范?
-
8
8
都ؓ 2 ~2 Q其值太时会媄响模型的学习能力Q步
镉K讑֮?.5Q徏立v一个C-g坐标pR?
Q?Q采用科学的Ҏ实地攉数据q进行相?
的处理。将爆堆数据Ҏ实际需要进行均匀分组Q?
L挑选其中一l作试之用Q其他数据用来训l?
模型。根?C-g 坐标p随机选择一个参数来q行?
lƈ用测试数据来验证Q计错误率?
Z验证本研I提出的爆破前冲和后冲移动距
预优?SVM 模型的有效性和实用性,在现
行了大量的爆破实验,q实录了 40 l爆破前冲和?
冲移动距d数据(?1Q作?SVM 预测模型的学
习训l样本和试hQ根据预模型的需要,对于
爆破前冲预测模型Q将数据集按?8?的比例划分ؓ
训练集和试集;对于爆破后冲预测模型Q将数据?
按照 7? 的比例划分ؓ训练集和试集。有时收?
到的数据量纲不同或是二者数值相差较大但对目?
对象影响E度相同Q因此需要对攉到的现场数据
q行归一化处理,使其能够在同一q算环境中进?
计算。o Lv、Sv 分别为样本中变量的最大倹{最|
Q?
3Q运用徏立的 GSM-SVM 模型来对所有收集的
h来进行交叉验证训l预倹{?
4Q判断预值是否满x敛条Ӟ若不满?
Q?
更新参数l箋计算Q若满则记录相应优化|用等
高线l出各组 C、g值相对应的预准率Q进而获?
最优C、g倹{?
Q?Q用露天爆破爆堆前冲试数据验证优化?
Q?0Q?
GSM-SVM预测模型计算程囑֦?2所C?
?
则Q意样本变?h可规范化?
R = 2 × ( h - Svv ) - 1.
通过式(1Q的归一化处理之后,各种cd的现?
数据都能够被转换q制在区间Q?1Q?Q之间的?
量,该步骤得数据能够被直接输入到模型中q进
行相兌?
Q?Q?
e
L - S
v
在数据处理中Q经怼遇到特征l度较多甚至
特征l度比样本数量多得多的情况,若直接将所?
的媄响变量用于构建预模型,则会产生不良的媄
响:一是因为冗余的特征会带来一些噪韻I影响计算
的结果;二是因ؓ无关的特征会加大计算量,耗费?
间和资源。因此在构徏预测模型之前Q采?PCA ?
l的技术,PCA 降维技术是指降低空间复杂度的情
况下最大限度地反映目标本n的特性。理ZԌ
对目标搜集的信息多意味着了解全面,但是?
着hl度增加可能会计算量呈指数增长。ؓ?
q旉复杂度和预测准确性之间的关系Q需要我
们尽可能提取的但又能代表目标本质特征的?
敎ͼ同时在高l向低维的跃q过E中可能减数
据信息的损失Q从而提高整个模型的预测准确性?
在本ơ徏模过E中Q通过 PCA 降维技术,输入因?
?13 个下降到 6 个,从而去除了q扰特征Qƈ节省?
计算旉?
2
模型建立与分?
2
. 1 定爆堆前冲和后冲距输?输出参量
在露天采矿中Q往往采用爆破的方式进行矿?
的开采工作,爆破作业虽然高效但是׃爆破效果
受众多因素媄响,因此爆破作业可能会生一些不
良的影响Q比如会引v爆堆前冲和后Ԍ前冲会导?
爆堆沿抵抗线方向抛出一定距,当这一距离q大
Ӟ可能会导致部分矿石移动到临近的台阶上Q从?
影响q输工作Qƈ且可能会对工作h员带来危险;?
破后冲则会引L破威力沿着抉|U相反的方向q?
行传播,从而会降低周围岩石的稳定性。因此必?
2
. 2 爆堆前冲距离预测?GA-SVM 预测模型
定爆堆前冲Ud距离ӞSVM 模型输入向量
·
179 ·
ȝ528?
?
?
?
?
2020q第6?
注:孔深、孔距、抵抗线、超钅R堵塞长度、前冲距R后冲距ȝ单位?mQ坡角的单位为(Q,药量的单位ؓ kg/mQ本ơ试验孔径取 120 mmQ台
阉?~10 mQ装药结构ؓ耦合q箋装药?
为第 1 排的炮孔的孔深、孔距、抵抗线距离、坡角、超
钻长度、药量、炮孔堵塞长度,以及W?2~8排炮孔的?
深、孔距、排距、超钻长度、药量、炮孔堵塞长度,模型
输出为爆堆前冲移动距,在收集的参数和输Z
间由模型建立对应的函数关pR在现场攉到的 40
l数据基上随机挑?8l用作测试数据之用,其余
?32 l数据用于训l模型。在 SVM 模型中,一定范
围内?CD提高模型的预性能Q但是其q高会
得回归效果变差。不敏感参数 g 用于描述相关曲线
的拟合程度,其泛化能力与 g值成反比。SVM 采用?
·
180 ·
何晓华:爆堆前冲和后冲距ȝ GSM/GA-SVM 预测模型
2020q第6?
斯核函数样本由低维I间向高l空间的转换Q同
时根?GA 法扑և C ?g 的各U组合ƈҎ相应?
数寻求最优组合,M的P代过E如?3 所C。GA-
SVM l合模型的算法过E代码由 Matlab 实现Q在
LibSVM 工具q基础上进行交叉验证,最l获取组
合模型最优情况下?C、g倹{交叉验证系Cؓ 5QGA
法中相应参数取值如下:h大小?20Q极限P?
2
ơ数?100。其中,C ?g 的调整范围是QC∈E0Q?0Q,
2
g∈E0Q?0Q,分别得到训练集和试集的真实g?
值的ҎQ如?4、图 5 所C。最后,采用qx相关
pL R2 和均方误?MSE 2 个指标来衡量l合模型?
?4、图 5中的信息可知QGA-SVM l合模型的预曲
U与实际情况Ҏ可知其脓合度较高Q且二者误?
在一个可以接受的范围内。因此,用该l合模型?
用性较强,在爆堆前冲预方面性能优越?
性能?
2
R2 = 1 - ( Pi - Mi )2 / Mi ,
Q?Q?
Q?Q?
?
?
i
i
2
MSE = ( P
- M
)
n,
i
i
式中QMiQPi 表示实测值和预测|n 表示输入数据?
的数量?
׃q预结果可?GA-SVM l合模型h?
够 SVM 法模型适用范围更加q泛Q对数据分析
更全面的优点。将l构风险降到最低和泛化能力?
?SVM 的突出特性,二者有机结合v来能够I补单
?GA 法难以q行pȝ调控的缺点,同时获得多个
局部最优解q且{选出整体最优倹{SVM 法中凸
函数优化求解问题能够避免{选的目标D于片?
化,保得到的是全局最优解Q同时有利于降低向量
的维度。在爆堆前冲预测问题中,GA-SVM与真实结
果较为接q。该l合模型在原有模型适用范围基础
上,q一步增强其数据整合分析的能力。在现场?
到的此类问题中,可根据实际选取h代表性的?
据进行分析预?
2
. 3 爆堆后冲距离预测?GSM-SVM 预测模型
同理Q确定爆堆后冲距LQSVM 模型输入向量
为第 1 排的炮孔的孔深、孔距、抵抗线距离、坡角、超
钻长度、药量、炮孔堵塞长度,以及W?2~8排炮孔的?
深、孔距、排距、超钻长度、药量、炮孔堵塞长度,模型
输出为爆堆后冲移动距,q根据此建立映射Q选取
攉?40 l爆堆后冲移动样本中 28 lؓ训练hQ?
余下12l作为测试样本?
由图 3得出Q子代代数增加得相兛_数的适应
度接q于一个定|在这个过E中 GA 法的作用得
C现。在q化 1 代左叛_Q最佳适应度值收敛,?
q计,当爆堆前冲距d归预模型的 SVM 参
Cؓ C=5.966 9Qg=95.594 8 Ӟ对应的训l样?R2 ?
处理U性不可分问题Ӟ目标由低维向更?
l度映射时其相关参数的挑选十分关键。常见的
SVM 径向基函数Uؓ内置核函敎ͼ同样 C ?g 在预
9
9.01%Q测试样?R2=99.99%Q详见表 2。根据表 2 ?
·
181 ·
ȝ528?
?
?
?
?
2020q第6?
精度上发挥着臛_重要的作用,其会Ҏ上述 2?
参数的选取不同而异。利?LibSVM 中的回归Ҏ?
及Matlab实现相关的算法流E代码,交叉验证q设|?
阈值来获得优化后的目标参数。设定参数对 C、g ?
-
8
8
_2 Q?Q,交叉验证pL?10Q经q模型计后?
照预精度最高的那组来挑选相应的参数倹{根
据最高精度 92.76%Q确定对应的 C=8Qg=0.125Q图 6
为参C化过E示意图。由上述分析可知Q该l合
模型在预爆堆后冲距L面效果良好,能满_
际工E的需要,同时参数之间的互相解耦保证了q?
可行性。图 7 和图 8 分别为真实值同训练集及?
l集预测值的Ҏ图,?3 ?GSM 优化 SVM 中参?
C、g 的最佛_及回归效果评hl果Q由?8 及表 3 ?
得,模型的预精度ؓ 79.44%Q有较好的预期效果,
也体现该模型在此U问题的预测斚w较ؓ可靠?
型在充分发挥原有模型性能的基上,提高了对?
数的全面分析和表辄能力?
2
. 4 l果分析
l合?2、表 3 可以看出QGA-SVM ?GSM-SVM
爆堆位移预测模型的效果都很理惻I?GA-SVM ?
优,?GSM-SVM 的预精度相对较低,l过分析Q可
能是׃以下原因Q①遗传法在优化支持向量机
参数时相比|格搜烦更具有优势,|格搜烦有时
易陷入局部最|?用于预测爆堆后冲距离的数
据集数量比较,增加数据集的数量有助于构建泛
化能力更强的预测模型Q③ 影响爆堆后冲距离的媄
响因素还有待于深入挖掘,更ؓU学合理的输入参
数有助于产生更加_的预结果;?爆堆前后?
预测评估问题涉及C多媄响因素,q是一个及?
复杂的高l度、非U性问题,而基于支持向量机的预
模型能够在一定程度上扑֯出媄响爆堆前后冲?
参数与爆堆前后冲的非U性映?
M上来_利用启发式算法能够快速有效地
协助 SVM L出最佳的参数l合Q在提高 SVM 预测
_ֺ的同时也提升了速度。有鉴于此,采用支持?
量机回归理论Qƈl合启发式算法的扑֯最优解{?
略,能够比较真实地反映爆堆前后冲情况Qؓ爆破?
数设计提供一定的参考。当应用到工E实际中Ӟ
输入相应的输入参数|能够通过本文已经构徏?
的预模型得Z个预的爆堆前后冲距d|q?
通过调整改进输入参数的|最l可以得Zl满
求的爆堆前后冲距d|防止爆堆前后冲距?
本文中提出的 GSM-SVM l合模型在预爆?
后冲距离斚w有不俗的表现Q同时对于将数据和变
量之间的复杂关系q行装Q得整体算法流E较
为简z,增加可读性。工E实际中攉的参数非?
有限且大多属于非U性问题,GSM-SVM 对于非线?
问题的动态处理能力得其更加贴合实际Q更h
可操作性。尽?SVM 在此c问题的预测斚w效果?
人满意,但是对于影响其精度的参数选取和进一?
优化斚wq有待提高。M来讲QGSM-SVM l合?
·
182 ·
何晓华:爆堆前冲和后冲距ȝ GSM/GA-SVM 预测模型
2020q第6?
3
8Q?Q?163-165.
q大Q对其他工作面造成影响?
Sun Xipeng. Discussion on the application of blasting technologyin
3
l??
mining engineeringQJQ? Shaanxi CoalQ?019Q?8Q?Q? 163-165.
Q?Q综合媄响爆堆前后冲距离的参敎ͼq结?
Q?
4Q?Xie L XQZhang Q BQGu J CQet al. Damage evolution mechanism
in production blasting excavation under different stress fieldsQJQ?
Simulation Modelling Practice and TheoryQ?019Q?7:101969.
SVM 的工作机理,利用 SVM 能有效地解决爆堆前后
冲的预测问题Q对于爆堆前冲距ȝ预测采用 GA-
SVM 预测模型Q测试集的预精度ؓ 99.99%Q说?
GA-SVM 模型在预该l数据集时具有很强的拟合
能力Q同时也说明影响爆堆位移的因素选择比较?
?
Q?
5Q?齐留z,郭徏斎ͼ春?. Z Weibull 模型的爆堆Ş态神l网
l预EJQ?有色金属:矿山部分Q?019Q?1Q?Q?92-95.
Qi LiuyangQGuo JianxinQGu Chunlei. Prediction of blast-heap
morphology based on Weibull modelQJQ? Nonferrous Metals:Mining
SectionQ?019Q?1Q?Q? 92-95.
Q?Q对于爆堆后冲距ȝ预测采用 GSM-SVM ?
Q?Q?董成?.Z SVM 的露天矿爆堆矿石质量预测研究QJQ?有色?
?矿山部分Q?015Q?7Q?Q?97-99.
模型,试集的预测_ֺ?79.44%Q训l集的预?
_ֺ?92.76%Q预精度明显不?GA-SVM 模型Q这
可能是由于用于构建预模型的数据集比较少Q或
者对影响因素的考虑不够全面造成的?
Dong Chenglong. Study on predicting the ore quality of blasting
muckpile in open pit mine based on SVMQJQ? Nonferrous Metals:
Mining SectionQ?015Q?7Q?Q? 97-99.
Q?
7Q?Vapnik V N. The Nature of Statistical Learning TheoryQMQ? New
Q?Q在未来的研I中Q可以考虑加入更多的数?
York: SpringerQ?995.
集,或者是更加全面地考虑影响爆堆前后冲的因素Q?Q?Q?Zhou JQLi XQShi X.Long-term prediction model of rockburst in un?
derground openings using heuristic algorithms and support vector
构徏爆堆前后冲距L据库Q以侉K时调用升U;?
machinesQJQ? Safety ScienceQ?012Q?0Q?Q? 629-644.
一斚wQ可以考虑采用更ؓ先进的监督室学习Ҏ
Q?
9Q?王健伟,徐玉胜,李俊?. Z|格搜烦支持向量机的边坡E?
和启发式法Q以构徏泛化能力更强Q预精度更?
的爆堆前后冲预测模型?
定性系数预EJQ? 铁道建筑Q?019Q?9Q?Q? 94-97.
Wang JianweiQXu YushengQLi Junxing. Prediction of slope stabili?
ty coefficient based on grid search support vector machineQJQ? Rail?
way EngineeringQ?019Q?9Q?Q? 94-97.
????
Q?
10Q?Shi X ZQZhou JQWu B BQet al. Support vector machines ap?
proach to mean particle size of rock fragmentation due to bench
blasting predictionQJQ? Trans Nonferrous Met Soc ChinaQ?012Q?2
Q?Q? 432-441.
Q?
1Q?孙d宁,??. 岩石明挖爆破技术应用及其对周边建筑物媄
响研IӞEJQ?有色矿冶Q?019Q?Q?18-20.
Sun DeningQTeng Yue. Application of rock open-cut blasting tech?
nology and influence on surrounding buildingsQJQ? Non-Ferrous
Mining and MetallurgyQ?019Q?5Q?Q? 18-20.
Q?1Q?张天宇,?义,施式亮,{?. Z支持向量机分cȝ法的多煤
U煤自燃危险性预EJQ? 湖南U技大学学报:自然U学版,
2019Q?4Q?Q?11-17.
Q?
2Q?
?
?. 公\隧道光面爆破技术研I及应用QJQ? 工程与设
计,2019Q?8Q?74-75.
Zhang TianyuQLu YiQShi ShiliangQet al.Prediction on coal spon?
taneous combustion risk for multi-coal based on SVMQJQ? Journal
of Hunan University of Science & Technology:Natural Science Edi?
tionQ?019Q?4Q?Q? 11-17.
Wang Gang. Research and application of smooth blasting technolo?
gy for highway tunnelQJQ? Construction & Design for EngineeringQ?
2
019Q?8Q? 74-75.
Q?
3Q?孙喜?. 爆破技术在采矿工程的应用探讨EJQ? 陕西煤炭Q?019Q?
·
183 ·
/pdf/swf/202007/2020_0716_164427_243.swf