زکیه نخعی پناه - دانشجوی کارشناسی ارشد مهندسی معدن، دانشگاه صنعتی شاهرود

یکی از عوارض نامطلوب انفجار در معادن روباز عقب زدگی است که علاوه بر کاهش کیفیت خردایش، باعث کاهش ایمنی پله ها و افزایش هزینه های عملیاتی می گردد. اولین گام برای کنترل این پدیده شناخت پارامترهای موثر بر آن و ساختمدلی برای پیش بینی آن است. میزان عقب زدگی ناشی از چال های انفجاری در معدن سونگون با روش شبکه عصبی مصنوعی به عنوان یکی از قدرتمندترین روش های هوش مصنوعی تخمین زده می شود. از این رو به منظور بررسی کاراییمدل ساخته شده در مقایسه با سایر روش ها، مدل های رگرسیون ساده و چندگانه ساخته شدند. داده های لازم برایمدلسازی از بررسی 175 سایت انفجاری معدن سونگون بدست آمد. 5 پارامتر ضخامت بار سنگ، فاصله چال ها در یک ردیف، گل گذاری، خرج ویژه و نسبت سختی به عنوان ورودی و عقب زدگی به عنوان خروجی مدل تعیین شدند. همچنیناز 122 داده جهت آموزش و 53 داده برای آزمایش شبکه عصبی استفاده شده است. ضریب تعیین ) 2R ( برابر با 9444 / 0 برای داده های آزمایش بدست آمد که بیانگر قدرت شبکه عصبی در پیش بینی مورد نظر بوده است. تحلیل حساسیت انجامشده روی پارامترهای ورودی نشان دهنده این بود که طول گل گذاری بیشترین و فاصله چال ها در یک ردیف کمترینتاثیر را بر عقب زدگی دارند. در نهایت جهت اعتبار سنجی رابطه ارائه شده از داده های واقعی معدن مس سونگون استفاده گردید. نتایج نشان داد که داده های حاصل از مدل و داده های واقعی مطابقت بالایی با هم دارند.

انفجار، رگرسیون چندگانه، شبکه عصبی مصنوعی، عقب زدگی، معادن روباز