1.一种节理岩体爆破振动PPV智能预测方法，其特征在于，该方法包括：S1：收集不同地质条件、不同爆破炸药量、不同监测位置下的爆破振动PPV试验数据；其中，不同地质包括不同岩性和节理参数；

S2：节理岩体爆破振动PPV智能预测模型建立，采用收集到的爆破振动PPV试验数据，按照基于工况分组的训练集随机采样方法划分训练集和测试集，并在此基础上建立基于梯度提升算法的节理岩体爆破振动PPV预测模型；

S3：节理岩体爆破振动PPV智能预测模型验证与应用；

在步骤S2中，节理岩体爆破振动PPV智能预测模型建立，包括：S2.1：收集不同工况下样本数据进行训练集和测试集数据划分，采用基于工况分组的训练集随机采样方法，使抽取的训练集数据包含不同地质工况和爆破参数组合情况；其中训练集占总数据和80％，测试集占20％；

S2.2：LightGBM梯度提升节理岩体爆破振动PPV智能预测模型建立；

S2.3：节理岩体爆破振动PPV智能预测模型超参数优化；

在步骤S2.1中，采用基于工况分组的训练集随机采样方法，包括：(1)在训练数据集中选择对爆破振动波速度值大小产生影响的重要特征构建分组列表，分组列表中的因素包含现场地质工况因素和爆破施工工况因素两种类型；其中现场地质工况因素参考国际岩体分类标准RMR中考虑的地质参数，包含岩性、单轴抗压强度、节理间距、节理方向参数；爆破工况因素包含炸药量；

(2)根据选择的列表中的重要特征对训练集数据细化分组；

n

(3)得到的m个分组，对每个分组的数据随机选择80％作为训练集，20％作为测试集划分；

(4)将所有分组内的训练集合并为样本训练集，所有分组内测试集合并为样本测试集；

在步骤(2)中，根据选择的列表中的重要特征对训练集数据细化分组，包括：(2.1)按照第一个特征将监测数据分组；

(2.2)对按照第一个特征分组后的每组数据按照分组列表中第二个因素进行分组；

(2.3)重复上述步骤，列表中每个特征有m个分组，共有n个特征，得到m的n次方分组；对于岩性和节理间距两个特征，每个特征两个分组，得到岩性一节理间距一、岩性一节理间距二、岩性二节理间距一、岩性二节理间距二，共计四种工况。

2.根据权利要求1所述的节理岩体爆破振动PPV智能预测方法，其特征在于，在步骤S1中，收集不同地质条件、不同爆破炸药量、不同监测位置下的爆破振动PPV试验数据，包括：S1.1：采用钻爆法开挖方法的施工隧洞选取监测试验工作面，沿隧道两侧、上方和下方进行钻孔岩芯取样；通过室内试验方法测得岩样密度、弹性模量、单轴抗压强度、泊松比物理力学参数；对爆破开挖面50m范围内节理几何参数进行统计节理数量、长度、倾向、倾角参数；

S1.2：不同爆炸当量炸药量安装与爆破振动PPV监测点布设；

S1.3：在不同爆破场地，选择不同地质工况重复上述步骤，收集不同地质条件下的爆破振动PPV数据。

3.根据权利要求1所述的节理岩体爆破振动PPV智能预测方法，其特征在于，在步骤S2.2中，LightGBM梯度提升节理岩体爆破振动PPV智能预测模型建立，包括：采用爆破振动训练集数据进行梯度提升决策树模型训练，首先对不同输入特征离散化得到直方图分箱，通过直方图统计方法获得最佳叶子分裂节点进行构建决策树，其中，最佳叶子分裂节点为分裂增益值最大数值对应的分割节点；

基于当前模型残差进行构建下一层次的决策树直至迭代后的梯度提升模型实现爆破振动PPV最小预测误差；梯度提升树的目标函数由均方误差和L2正则化项构成，表达式为：式中，L(θ)为降低模型与真实值之间误差的损失函数，θ为模型参数， 分别为样本真实值和预测值，N为样本数量，λ2为L2正则化强度参数， 为模型差参数复杂程度的L2范数的惩罚项，m为模型参数的总数量，θj为第j个模型参数；

所述采用爆破振动训练集数据进行梯度提升决策树模型训练，包括：(1)梯度提升决策树以决策树为基本弱学习器单元，通过对弱学习器进行累加迭代优化的方式构造一个强学习器对爆破PPV进行预测；

(2)在每轮迭代中，每一轮都针对前一轮的残差构建一个新的决策树拟合残差，通过计算残差的负梯度方向纠正上一个决策树的误差；

所述通过直方图统计方法获得最佳叶子分裂节点进行构建决策树，包括：(i)对该节点下的每个特征值离散成k个整数，构造直方图；

(ii)遍历样本，将每个样本的梯度值累加至对应直方图区间，每个特征直方分箱区间得到对应的梯度之和；

(iii)对每个特征下的分箱进行遍历分割计算，得到该特征的最佳分裂增益；对比不同特征的分裂增益值得到最优特征及分箱分裂值；

所述基于当前模型残差进行构建下一层次的决策树直至迭代后的梯度提升模型实现爆破振动PPV最小预测误差，包括：(a)基于初始决策树模型进行预测，计算当前初始决策树模型的残差；

(b)构建下一层次的决策树预测残差，将下一层次决策树与当前初始决策树模型按权重叠加；计算叠加后强预测模型的负梯度值对叠加后模型更新；

(c)重复上述步骤，直至达到设置的迭代次数。

4.根据权利要求3所述的节理岩体爆破振动PPV智能预测方法，其特征在于，采用爆破振动训练集数据进行梯度提升决策树模型训练，具体包括：S2.2.1，构建初始决策树模型；

S2.2.11，特征离散化，对训练数据中的一个特征x，将其数值进行离散成k个分箱，每个分箱宽度为：式中，Δ为分箱宽度值，xmax为特征x中的最大值，xmin为特征x中的最小值；

S2.2.12，构建直方图；对于每个特征，将样本按照分箱进行统计，当前节点包含n个样本，计算每个分箱内的梯度信息之和Gk，表达式为：式中， 为在分箱k内每个样本的损失函数偏微分， 为分箱k内每个预测样本的偏微分；

S2.2.13，选择当前特征最优分裂点，对每个不同分箱之间的分裂点计算分裂后增益，对于一个给定的分裂点s，该分裂点左侧包含第1至第l个分箱，共m个样本，右侧包含l+1至第k个分箱，共n个样本，表达式为：式中，Gain(s)为在给定的分裂点s位置处的分裂增益值；

遍历当前特征所有可能的分箱分割点，选择使得增益最大的分裂点进行分割，最优分裂点选择公式如下：s＝arg max(Gain(s))

式中，arg max()为对当前特征中选取不同分箱位置分裂增益最大值；

选择所有特征最优分割点；对不同的特征参数分别得到各个特征参数下的最优分割点集合Gain(si)，其中i代表特征个数；

smax＝argmax(Gain(si))

式中，smax为表示遍历所有i个特征之最大分裂增益值对应的分裂节点；

S2.2.14，按照最优分裂点将原始数据分割为左节点和右节点，并分别对两个节点按照上述步骤S2.2.13重复选择最优分割节点，直至达到决策树所指定的最大深度完成初始决策树的构建；

S2.2.2，残差计算与模型更新；

t‑1

基于骤S2.2.1中得到的决策树模型对训练集数据进行预测，得到预测值F(xi) ，根据预测值和真实值极端模型的参数，其公式如下：(t) t‑1

ri ＝yi‑F(xi)

(t)

式中，ri 为第t轮迭代中真实值与第t‑1轮预测值之间的残差；

训练一个新的弱学习器来拟合残差，得到能够拟合残差误差最小的决策树模型ht(x)；

式中， 为选择拟合误差最小的决策树，h为所有的决策树，h(xi)为依据输入特征xi训练得到的决策树；

将新的弱学习器模型加入当前模型，通过计算迭代模型和训练数据之间的负梯度得到最优合系数γt，表达式为：式中， 为选择最小损失对应的权重系数，L()为计算迭代模型和真实值之间的损失，Ft‑1(xi)为第t‑1轮得到的决策树，γ为待选权重系数，ht(xi)为第t轮训练得到拟合残差最小的决策树；

纠正上一个模型残差后，得到当前模型：

Ft(x)＝Ft‑1(x)+γtht(x)

式中，Ft(x)为第t轮纠正残差之后的决策树，Ft‑1(x)为第t‑1轮得到的决策树，γt为第t轮的权重系数，ht(x)为第t轮得到的拟合残差最小的决策树；

S2.2.3，重复上一步骤S2.2.2直至达到预定迭代次数；

重复步骤S2.2.2步残差计算与模型更新，经过T轮迭代，得到最终预测模型是所有弱学习器ht(x)的累加：式中，Ft(x)为T轮迭代后的集成决策树，F0(x)为未迭代前的初始决策树，t为第t次迭代，T为总的迭代次数。

5.根据权利要求1所述的节理岩体爆破振动PPV智能预测方法，其特征在于，在步骤S2.3中，节理岩体爆破振动PPV智能预测模型超参数优化，包括：S2.3.1，待优化超参数组合空间参数定义；对集成梯度学习方法中的超参数设置参数搜索连续或离散空间；

S2.3.2，遍历所有超参数，从各个参数定义空间中按一定采样准则进行参数随机采样；

S2.3.3，按照随机获取的一组超参数进行梯度提升树模型训练与目标函数评估；

S2.3.4，重复上述步骤，直至达到指定的迭代次数获停止条件，得到最优超参数组合。

6.根据权利要求1所述的节理岩体爆破振动PPV智能预测方法，其特征在于，在步骤S3中，节理岩体爆破振动PPV智能预测模型验证与应用，包括：S3.1、基于测试集数据对建立的节理岩体爆破振动PPV智能预测模型进行性能验证，评价其在不同地质条件场景下的预测误差和模型鲁棒性；采用均方根指标对比爆破作用下不同炸药当量和节理数目下PPV真实值与模型预测值之间的误差；

S3.2、节理岩体爆破振动PPV智能预测模型工程应用；

S3.2.3，重复上述步骤，得到保障隧道爆破安全下的最大炸药当量和不同距离下的PPV值；

在步骤S3.2中，节理岩体爆破振动PPV智能预测模型工程应用包括：S3.2.1，采用钻爆法施工过程中对节理岩体爆破振动PPV进行实时快速预测时，需要得到的施工爆破开挖位置50m范围内岩体的物理力学参数，参数包括岩样密度、弹性模量、单轴抗压强度、泊松比物理力学参数；统计现场爆源50m范围内节理数量、长度、倾向、倾角参数；收集上述参数进行作为分析当前爆破振动安全分析的输入参数；

S3.2.2，根据工程经验假定满足当前断面爆破开挖所需要的最少炸药当量xkg，以单位增量为2kg，假定爆破面的炸药当量为[x+2，x+4，x+6，x+8，x+10]；分别将每个假定的炸药当量与实测岩石物理力学参数、节理参数分别输入节理岩体爆破振动PPV智能预测模型，得到不同假定炸药当量下、距爆源不同距离的爆破振动PPV值；通过分析距爆源不同爆源距离下的PPV结合安全判据，得到当前炸药当量下的安全状态。

7.一种节理岩体爆破振动PPV智能预测系统，其特征在于，该系统实施如权利要求1‑6任意一项所述节理岩体爆破振动PPV智能预测方法，该系统包括：数据收集模块，用于收集不同地质条件、不同爆破炸药量、不同监测位置下的爆破振动PPV试验数据；其中，不同地质包括不同岩性和节理参数；

节理岩体爆破振动PPV智能预测模型建立模块，用于采用收集到的爆破振动PPV试验数据，按照基于工况分组的训练集随机采样方法划分训练集和测试集，并在此基础上建立基于梯度提升算法的节理岩体爆破振动PPV预测模型；

验证与应用模块，用于节理岩体爆破振动PPV智能预测模型验证与应用。