与松动爆破相比，抛掷爆破振动强度大，频率低，对露天矿安全生产影响更大。为准确预测抛掷爆破振动速度，利用文献整理数据及抛掷爆破现场监测数据，分析了抛掷爆破振动速度相关数据特征，利用皮尔逊（Pearson）相关性分析明确了抛掷爆破振动速度关键影响因素，构建了抛掷爆破振动速度预测指标体系。分别选择遗传算法优化最小二乘支持向量机（GA-LSSVM）模型与埃尔曼神经网络优化自适应增强算法（Elman-Adaboost）模型构建了抛掷爆破振动速度预测单一模型，利用倒数误差法进行模型集成，构建了抛掷爆破振动速度集成预测模型，并提出了模型评价准则及检验方法。结果表明：爆心距离、高差、排数、总药量、炸药单耗、孔距是影响抛掷爆破振动速度的主要因素，选择该6个因素构建了抛掷爆破振动速度预测指标体系。优化确定最大迭代次数为100、激活函数为Relu、随机数种子为42、神经元数量为30、数据分配比为8：2。与单一模型相比，集成预测模型能够克服传统单一预测模型的局限，具有更好的信息捕获能力，提高振动速度预测模型的鲁棒性及预测精度。该模型的评价指标决定系数(R2)、均方根误差（RMSE）、平均绝对误差（MAE）分别为0.957、4.382、2.173，相较于GA-LSSVM、Elman-Adaboost模型R2分别提升5.51%、12.34%，RMSE分别提升15.88%、25.63%，MAE分别提升35.99%、33.34%。本研究可为科学设计抛掷爆破参数、降低抛掷爆破振动效应提供可靠依据。

0 引言
1 抛掷爆破振动数据来源及分析
1.1 抛掷爆破振动现场监测
1.1.1 工程概况
1.1.2 监测设备选型
1.1.3 监测点布置
1.1.4 监测结果
1.2 文献数据整理
1.3 数据分析
1.3.1 数据特征分析
1.3.2 振动速度影响因素相关性分析
2 振动速度集成预测模型构建
2.1 预测模型构建思路
2.2 基于GA-LSSVM的振动速度预测模型
2.3 基于Elman-Adaboost的振动速度预测模型
2.4 预测模型集成方法
2.5 评价准则
3 结果与讨论
3.1 数据归一化以及参数设置
3.1.1 数据归一化
3.1.2 预测指标选取
3.1.3 模型参数设置
3.2 模型结果对比分析
3.3 模型检验
4 结论

肖双双,林士桢,刘锦,等.基于倒数误差法的抛掷爆破振动速度集成预测模型[J/OL].煤炭科学技术,1-12[2024-09-03].http://kns.cnki.net/kcms/detail/11.2402.td.20240902.1441.012.html.