بهينه‌سازي عمليات انفجار با استفاده از روش تركيبي عصبي-مورچگان (مطالعه موردي: معدن سنگ آهن دلكن)

OPTIMIZATION OF BLASTING OPERATION USING HYBRID NEURAL NETWORK-ANT COLONY (CASE STUDY: DELKAN IRON MINE)

در يك عمليات مطلوب انفجار، هدف اصلي تامين خردايش مناسب سنگ و جلوگيري از بروز پديده‌هاي نامطلوب و ناخواسته ناشي از انفجار (لرزش زمين، پرتاب‌سنگ و عقب‌زدگي) است. بطور كلي عوامل تاثيرگذار بر عمليات انفجار را مي‌توان به دو گروه پارامترهاي قابل كنترل (الگوي انفجار) و پارامترهاي غير قابل كنترل (خصوصيات ژئومكانيكي توده‌سنگ) تقسيم بندي نمود. پارامترهاي قابل كنترل در عمليات انفجار را مي‌توان با استفاده از مدل‌هاي تجربي تعيين نمود. با توجه به تنوع مقادير بدست آمده براي پارامترهاي قابل كنترل از مدل‌هاي تجربي، بايد از روش‌هاي با كارايي بالاتر استفاده نمود. دليل عمده عدم حصول نتيجه مناسب از مدل‌هاي تجربي، دخيل بودن تعداد زيادي پارامتر در نتيجه حاصل از انفجار است. تركيب روش‌هاي هوشمند و فرا ابتكاري در حل چنين مسائل پيچيده‌اي مي‌تواند بسيار مفيد باشد. در اين تحقيق، كه در آن معدن سنگ آهن دلكن به عنوان مطالعه موردي در نظر گرفته شده، پرتاب سنگ و عقب زدگي از عوارض ناخواسته انفجار مي‌باشند. هدف از اين تحقيق، ساخت يك مدل شبكه عصبي مصنوعي با قدرت پيش بيني بالا و سپس استفاده از الگوريتم مورچگان براي يافتن تركيبي از داده‌هاي ورودي است به گونه‌اي كه عوارض نامطلوب ناشي از انفجار، به كمترين مقدار ممكن برسد. پس از عمليات مدل ‌سازي، بهترين الگوي انفجاري با ضخامت بارسنگ 8/2 متر، فاصله رديفي چال 3/3 متر، طول چال 2/10 متر، گل‌گذاري 5/1 متر و خرج ويژه 201 گرم بر تن انتخاب گرديد. استفاده از الگوي فوق مي‌تواند منجر به كاهش تقريبي 42 درصدي عقب زدگي و 62 درصدي پرتاب‌سنگ گردد.

The main purpose of optimal blasting operation is suitable crushing and prevent undesirable and unwanted phenomena arising from the blasting (ground vibration, flyrock and backbreak). Generally, the parameters affecting the blasting operation divided into two main group controllable (blasting pattern) and uncontrollable (geomechanical properties of rocks) parameters. Controllable parameter can be determined using experimental models. Due to variety of obtained values for controllable parameters from experimental models, it is necessary to use methods with high efficiency. The main reason for not achieving good results in experimental models is engaging a large number of parameters, resulting from blasting. The combination of intelligent and mehta heuristic methods to solve suck problems can be useful. In this study, Delkan iron mine as a case study has a side effects of blasting like as flyrock and backbreak. The main purpose of this paper is making a artificial neural network model as a strong predictor and finding a combination of data using ant colony optimization to minimum the unwanted phenomena. After the Modeling the blast pattern Burden 2.8 m, spacing 3.3 m, hole length 10.2 m, stemming 1.5 m and powder factor is 201 gr/ton. Using this model can lead to a reduction of approximately 42 percent and 62 percent in flyrock and backbreak respectively.