استفاده از روش های یادگیری ماشین و الگوریتم های فرا اکتشافی در پیش بینی عقب زدگی ناشی ازعملیات انفجار در معادن
- سال انتشار: 1403
- محل انتشار: اولین همایش ملی صنعت سنگ: استخراج، فرآوری و بازاریابی
- کد COI اختصاصی: CONFSTONE01_019
- زبان مقاله: فارسی
- تعداد مشاهده: 194
نویسندگان
عضو هیات علمی گروه کامپیوتر، واحد میمه، دانشگاه آزاد اسلامی، میمه، ایران،
عضو هیات علمی گروه کامپیوتر، واحد میمه، دانشگاه آزاد اسلامی، میمه، ایران
عضو هیات علمی گروه معدن، واحد میمه، دانشگاه آزاد اسلامی، میمه، ایران
چکیده
انفجار، به عنوان یکی از مراحل اساسی در عملیات معدن کاری، به منظور خرد کردن و جابه جایی توده سنگ مورد استفاده قرار می گیرد. تنها حدود ۲۰ درصد از انرژی ماده منفجره برای انجام کار مفید صرف می شود. یکی از عوارض نامطلوب انفجار در معادن روباز عقب زدگی است که علاوه بر کاهش کیفیت خردایش، باعث افزایش هزینه های عملیاتی و کاهش ایمنی پله ها می شود. یک از ابزارهای موثر برای کنترل این پدیده می تواند مدلسازی میزان عقب زدگی و بازشناسی مهم ترین پارامترهای موثر بر آن باشد. در این مقاله سعی شده است تا با استفاده از روش های مختلف یادگیری ماشین، میزان عقب زدگی در معادن مدل سازی شود. مدل های جنگل تصادفی، K- نزدیک ترین و پرسپترون چند لایه برای این مدلسازی در نظر گرفته شده و پس از بهینه سازی به کمک الگوریتم جستجوی ممنوعه مورد ارزیابی و مقایسه قرار گرفته اند. در نهایت مدل جنگل تصادفی با ضریب تعیین ۰.۹۷۵۴۷ به عنوان بهترین مدل برای این مدلسازی شناخته شد که می تواند پیش بینی دقیقی از این پارامتر ارائه کند. سایر مدل های مورد استفاده نیز پس از بهینه سازی نتایج قابل قبولی از خود نشان داده اند.کلیدواژه ها
عقب زدگی، یادگیری ماشین، جنگل تصادفی، جنگل تصادفی، k-نزدیک ترین، پرسپترون چند لایهاطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.