ارائه يك رابطه رياضياتي جهت پيش بيني عقب زدگي ناشي از انفجار

Development of a Mathematical Equation for Predicting the Back

عقب زدگي پديدهاي ناخوشايند در عمليات انفجار است كه ميتواند باعث عواملي همچون ناپايداري ديواره هاي معدن، سقوط ماشين آلات، خردايش نامناسب، كاهش بازده حفاري و غيره گردد. براي برطرف كردن اي مشكل پارامترهايي نظير خيواص مكانيكي و فيزيكي توده سنگ، مشخصات مواد منفجره و الگوي هندسي انفجار بايد بررسي گردند تا طرح مناسب بدست آيد. به علت تعدد پارامترهاي موثر و پيچيدگي روابط ميان اي پارامترها، روش هاي تجربي موجود ممك است نتوانند مناسب تري الگوي انفجار را ارائه دهند. به منظور رفع اين مشكل، بايد از تكنيك هاي كارآمدتري همچون شبكه عصبي مصنوعي، منطق يازي و غيره بهره جست. در مقاله حاضر، تكنيك هاي شبكه عصبي مصنوعي و آناليز ابعادي براي تعيين مناسب تري الگوي انفجار و به منظور تخمين عقب زدگي مورد استفاده قرار گرفتند. براساس آنالييز حساسيت انجام شده بر روي روش شبكه عصبي، يك رابطه رياضياتي جديد جهت پيش بيني عقب زدگي ارائه شد. نتايج تحقيق نشان داد رابطه ياد شده با ضريب همبستگي 87 % توانايي تخمين مييان عقب زدگي را در معدن گل گهر دارد.

Back break is an undesirable phenomenon in blasting operations. It can cause instability of mine walls, falling down of machinery, improper fragmentation, reduced efficiency of drilling, etc. To solve this problem, parameters such as the physic-mechanical properties of rock mass, explosives specifications and geometrical particulars of blast design should be considered to obtain optimum design. Due to multiplicity of effective parameters and complexity of interactions among these parameters, empirical methods may not be fully appropriate for blasting pattern design. In this paper, the artificial neural network technique and dimensional analysis was used to determine the near optimum blasting pattern so that back break is reduced. In the second step, a new formula was developed applying dimensional analysis on results obtained from the sensitivity analysis of the ANN consequences. Conclusion of this research work shows that the presented formula can predict the Back break in Gol-e-Gohar mine with 78 percent correlation of coefficient.