پيش بيني ضخامت بارسنگ با استفاده از شبكه هاي عصبي مصنوعي با نگرشي خاص به معدن مس سونگون

Prediction of burden thickness using artificial neural networks with a special reference to Sungun copper mine

بارسنگ به عنوان مهمترين و بحراني ترين متغير در طراحي الگوي انفجار معادن روباز محسوب ميشود و ارتباط مستقيمي با ساير عمليات آتشكاري در معدن دارد. در معادن روباز عدم كنترل ضخامت بارسنگ، اثرات نامطلوبي از قبيل خردايش نامطلوب، عقب زدگي،پرتابسنگ و … به بار مي آورد. در اين مطالعه از شبكه هاي عصبي مصنوعي نوع پس انتشار در جهت پيش بيني ضخامت بارسنگ با استفاده از تاثير پارامترهايي نظير قطر چال، عمق چال و فاصلهي رديفي چالها، با مطالعه موردي در معدن مس سونگون، بهره گرفته شده است. نتايج حاصل، توافق نزديك ميان داده هاي تجربي موجود با داده هاي پيش بيني شده توسط شبكه هاي عصبي را نشان ميدهد. در پايان، شبكه هاي عصبي نوع پس انتشار با ويژگيهاي ذكر شده براي پيش بيني پارامترهاي آتشباري، بخصوص ميزان بهينه ضخامت بار سنگ در معادن روباز، پيشنهاد ميشود

The burden is the most critical and significant variable in designing of the blasting patterns, and directly affect the other operational conditions. In surface mines, lack of controlling the burden thickness will cause undesirable affects such as inappropriate fragmentation, back break, flyrock, etc. In view of that, in this study, the back propagation (BP) algorithm of the ANNs was used in order to predict the burden thickness by use of the other influencing parameters such as blasthole diameter, depth and longitudinal distance of the holes with a case study in Sungun copper mine. Finally, a comparison showed that, there is a good agreement between the experimental and predicted results. As an ultimate conclusion of this study, the BP algorithm of ANNs is proposed to the predictions of the blasting related parameters, specially the optimal burden thickness in surface mines.