پیش بینی عقب زدگی ناشی از انفجار با الگوریتمهای جنگل تصادفی (RF) و شبکه عصبی حافظه طولانی کوتاه مدت :(LSTM) معدن سنگ آهن سنگان سنگ آه

هدف اصلی انفجار معادن روباز تامین شکست سنگ مورد نیاز با حداقل مقدار عوارض جانبی مانند پرتاب سنگ عقب زدگی و لرزش زمین. عقب زدگی (BB) یکی از پیامدهای جدی انفجار در معادن روباز است، زیرا اغلب مزایای اقتصادی را کاهش میدهد و ایمنی معادن را به شدت تحت تاثیر قرار میدهد. در این مقاله از روشهای الگوریتم جنگل تصادفی و شبکه عصبی حافظه طولانی کوتاه مدت با بکارگیری تکنیک جستجوی شبکه ای و روش اعتبارسنجی، متقاطع برای تخمین عقب زدگی ناشی از انفجار در معدن سنگ آهن سنگان استفاده شده است. بدین منظور ۶۰ دسته داده مربوط به مجتمع سنگ آهن سنگان مشتمل بر ۷ پارامتر ورودی موثر بر عقب زدگی (BB) از جمله فاصله ردیفی چالها (S) بارسنگ (B)، طول چال (H) اضافه حفاری (U) خرج ویژه (P) حفاری ویژه (SD) و میانگین خرج در هر چال انفجاری (Q) جمع آوری و بطور تصادفی به دو بخش آموزش و تست تقسیم شد. سپس، الگوریتمهای RF و LSTM برای پیش بینی (BB) و مقایسه ی آنها با هم استفاده شد به منظور اعتبار سنجی و مقایسه عمکلکر مدلهای RF و LSTM در مراحل آموزش و تست از دیاگرام تیلور و سه شاخص آماری شامل ضریب تعیین (R) جذر، میانگین مربعات خطا (RMSE) و خطای مطلق میانگین (MAE) استفاده شد. نتایج بدست آمده بر مبنای دیاگرام تیلور و شاخصهای آماری نشان داد که مدل RF در مقایسه با مدل LSTM عملکرد بهتری دارد و میتواند با دقت و قابلیت اطمینان بالاتر و خطای کمتر عقب زدگی ناشی از انفجار را پیش بینی نماید در نهایت نتایج تحلیل اهمیت پارامترهای ورودی نشان داد که پارامتر بارسنگ (B) و طول چال (H) به ترتیب مهمترین پارامترهای تاثیرگذار بر عقب زدگی ناشی از انفجار هستند در حالی که فاصله ردیفی چالها (S) و میانگین خرج در هر چال انفجاری (Q) کمترین تاثیر را بر عقب زدگی ناشی از انفجار دارند.

کلیدواژه ها:

معدن سنگ آهن سنگان ، عقب زدگی ، الگوریتم جنگل تصادفی ، الگوریتم شبکه عصبی حافظه طولانی کوتاه مدت