پيش بيني عقب زدگي ناشي از انفجار در معادن روباز و ارزيابي پارامترهاي موثر بر آن

يكي از عوارض نامطلوب انفجار در معادن روباز عقب زدگي است كه علاوه بر كاهش كيفيت خردايش، باعث كاهش ايمني پله ها و افزايش هزينه هاي عملياتي مي گردد. اولين گام براي كنترل اين پديده شناخت پارامترهاي موثر بر آن و ساخت مدلي براي پيش بيني آن است. ميزان عقب زدگي ناشي از چال هاي انفجاري در معدن سونگون با روش شبكه عصبي مصنوعي به عنوان يكي از قدرتمندترين روش هاي هوش مصنوعي تخمين زده مي شود. از اين رو به منظور بررسي كارايي مدل ساخته شده در مقايسه با ساير روش ها، مدل هاي رگرسيون ساده و چندگانه ساخته شدند. داده هاي لازم براي مدلسازي از بررسي 175 سايت انفجاري معدن سونگون بدست آمد. 5 پارامتر ضخامت بار سنگ، فاصله چال ها در يك رديف، گل گذاري، خرج ويژه و نسبت سختي به عنوان ورودي و عقب زدگي به عنوان خروجي مدل تعيين شدند. همچنين از 122 داده جهت آموزش و 53 داده براي آزمايش شبكه عصبي استفاده شده است. ضريب تعيين (R2) برابر با 9444/0 براي داده هاي آزمايش بدست آمد كه بيانگر قدرت شبكه عصبي در پيش بيني مورد نظر بوده است. تحليل حساسيت انجام شده روي پارامترهاي ورودي نشان دهنده اين بود كه طول گل گذاري بيشترين و فاصله چال ها در يك رديف كمترين تاثير را بر عقب زدگي دارند. در نهايت جهت اعتبار سنجي رابطه ارائه شده از داده هاي واقعي معدن مس سونگون استفاده گرديد. نتايج نشان داد كه داده هاي حاصل از مدل و داده هاي واقعي مطابقت بالايي با هم دارند.