پيش بيني عقب زدگي ناشي از انفجار با استفاده از روش هاي رگرسيون ـ PSO و شبكه‌هاي عصبي مصنوعي

عقب زدگي اثر جانبي ناخواسته عمليات انفجار در معادن روباز است. اين پديده مي تواند باعث ناپايداري ديواره هاي معدن، سقوط ماشين آلات، خردايش ضعيف، ترقيق بالا، افزايش باطله برداري و نهايتاً رشد هزينه هاي توليد شود. پارامترهاي متعددي بر عقب زدگي تأثير مي گذارند، از جمله پارامترهاي كنترل پذير (مانند پارامترهاي طراحي آتشكاري و ويژگي هاي مواد منفجره) و پارامترهاي كنترل ناپذير (مانند خصوصيات سنگ و ناپيوستگي ها). پيچيدگي پديده عقب زدگي و عدم قطعيت آن از نظر پيامد پارامترهاي مختلف، پيش بيني آن را بسيار دشوار مي سازد. هدف اين مطالعه، پيش بيني عقب-زدگي با استفاده از رويكردهاي مختلف رگرسيون، الگوريتم بهينه سازي انبوه ذرات (PSO) و شبكه هاي عصبي مصنوعي و ارزيابي تأثير پارامترهاي مختلف بر اين پديده است. براي اين امر، پايگاه داده اي متشكل از 60 انفجار انجام شده در معدن شماره يك مجتمع سنگ آهن گل گهر تهيه شد. ابتدا با استفاده از اين پايگاه داده، معادله هاي تجربي مختلف براي پيش بيني عقب زدگي با استفاده از تحليل رگرسيون چندگانه ارائه شد. سپس مدل هاي ساخته شده با استفاده از الگوريتم PSO بهينه شدند. مقايسه نتايج به دست آمده از تحليل رگرسيون و رگرسيون ـ PSO نشان داد كه الگوريتم بهينه سازي انبوه ذرات در اغلب موارد به نتايج بهتري در معيارهاي كارايي مدل هاي مختلف مي رسد. همچنين شبكه هاي عصبي مصنوعي جهت پيش بيني عقب زدگي استفاده شد. نتايج حاصل از بكارگيري شبكه هاي عصبي مصنوعي نشان داد كه شبكه عصبي ابزاري مناسب براي پيش بيني عقب زدگي است و با ضريب تعيين بالاتر (96/ 0 در مقايسه با 90/ 0) و جذر ميانگين مربعات خطاي كمتر (21 /0 در مقايسه با 32/ 0) نتايج بهتري نسبت به مدل رگرسيوني ـPSO بدست مي دهد. در نهايت تحليل حساسيت انجام شده نشان داد كه طول گل گذاري مهم ترين عامل كنترل عقب زدگي است.