شبکه های عصبی آگاه از فیزیک (PINNS) در ارزیابی آسیب ناشی از آتشباری و بهینه سازی حد پیت

صنعت معدنکاری روباز با چالش جدی ارزیابی دقیق آسیب های ناشی از آتشباری و بهینه سازی همزمان حد پیت تحت قیود ژئومکانیکی مواجه است. روش های تجربی و عددی سنتی به ترتیب با محدودیت های تعمیم پذیری و هزینه های محاسباتی سرسام آور دست و پنجه نرم می کنند. در این میان شبکه های عصبی آگاه از فیزیک (PINNs) به عنوان یک پارادایم محاسباتی نوظهور با گنجاندن مستقیم معادلات دیفرانسیل با مشتقات جزئی (PDEs) در تابع هزینه شبکه، امکان شبیه سازی انتشار امواج تنش، تخمین پارامترهای ژئومکانیکی از طریق حل مسائل معکوس و بهینه سازی تطبیقی پیت را با داده های پراکنده فراهم می آورند. این مقاله با به کارگیری رویکرد مرور نظام مند و پروتکل PRISMA، از میان ۷۴۲ مقاله اولیه، ۴۹ مطالعه نهایی را در بازه زمانی ۲۰۱۹ تا ۲۰۲۶ تحلیل و سنتز کرده است. یافته ها نشان می دهد که PINNs با دستیابی به دقت بیش از ۹۰ درصد در پیش بینی دامنه سرعت ذرات (PPV) و کاهش چشمگیر نیاز به داده های میدانی، عملکردی برتر از روش های کلاسیک دارند. با این حال، چالش های جدی در زمینه حساسیت به ابرپارامترها، مدل سازی محیط های ناپیوسته و کمی سازی عدم قطعیت مسیر پذیرش صنعتی این فناوری را با مانع مواجه ساخته است. پژوهش حاضر با ترسیم چشم اندازی از کاربردهای کنونی و ارائه رهنمودهایی برای توسعه معماری های ترکیبی و اعتبارسنجی میدانی طولی، نشان می دهد که PINNs می توانند انقلابی در مدیریت پویای پایداری شیب های معادن روباز ایجاد کنند.

کلیدواژه ها:

شبکه های عصبی آگاه از فیزیک ، ارزیابی آسیب آتشباری ، بهینه سازی حد پیت ، انتشار امواج تنش ، حل مسائل معکوس ، مرور نظام مند