پيش بيني خرج ويژه در انفجار معادن روباز بر اساس شبكه هاي عصبي مطالعه موردي: معدن سنگ آهن چادرملو

Prediction of Open Pit Mine Blasting Powder Factor Based Upon Neural Networks

براي تعيين خرج ويژه در انفجار معادن روباز روابط مختلفي موجود است كه در ضمن طراحي الگوي انفجار از آنها استفاده م يشود. ولي با توجه به متغير بودن شرايط كار اغلب بايد در عمل چند انفجار آزمايشي جهت نعيين مقدار خرج ويژه انجام داد كه اين روند تا رسيدن به شرايط مطلوب م يتواند طولاني و هزينه بر باشد . به همين منظور با استفاده از داده هاي تجربي كه از معدن بدست آمده و شبك ه هاي عصبي ، در اين مقاله سعي شده است تا با ارائه مدلي بر اساس نظريه شبكه هاي عصبي امكان پيش بيني خرج ويژه در انفجار معادن با دقت و سرعت زيادتر ي ميسر شود . بدين منظور در اين مطالعه كاربرد شبكه هاي عصبي براي پيش بيني خرج ويژه بر اساس يكسري مشاهدات و پارامترهاي ورودي نشان داده شده است. ورود يها شامل پنج عامل زمين شناسي: 1) توصيف توده سنگ، 2) جهت صفحه درزه، 3) فاصله داري صفحه درزه، 4) شاخص وزن مخصوص و 5) سختي، م يباش د و خروج ي آن خرج ويژ ه است. در توسعه مدل از شبكه عصبي چند لايه پيش خور با الگوريتم آموزش پس انتشار، تابع سيگموييد به عنوان تابع تحريك و داده هاي آموزشي از معدن چادرمل و استفاده ش ده است . در نهايت مدل با يك ورودي ، دو لايه پنهان و يك خروجي براي پيش بيني خرج ويژه تعيين ش د . مدل در معدن چادرملو آزمايش شد و با مقدار خرج ويژه معدن مقايسه گرديد، متوسط خرج ويژه در ماده معدني و با طله به ترتيب 0/23 و 0/2 كيلوگرم بر تن بود و خرج ويژه پيش بيني شده با مدل 0/2349 و 0/2007 كيلوگرم بر تن بدست آمد كه خطايي به ترتيب 0/0049 و 0/0007 كيلوگرم بر تن را نشان مي دهد. علاوه بر دقت، مدل از اين انعطا ف پذيري نيز برخوردار است كه در شرايط متفاوت با پارامتر هاي موثر موجود در هر معدن ميزان خرج ويژه را پيش بيني كند.

In the last decades, several researches have worked to develop equations to calculate the powder factor for open pit mine blasting operations. Most of these equations must be adjusted by trial and error method based on field data. In this research based upon a series of observations and required input parameters, the Neural Networks (NN) algorithm is used to develop a model for powder factor prediction .The input parameters which are used including (1) rock mass description (2) joint plane orientation (3) joint plan spacing (4) specific gravity index (5) hardness and the output is powder factor. The data is collected from Chador-Maloo Iron mine of Iran and multilayer feed forward NN using a back propagation learning algorithm and Sigmoid function are used as an activating function. Using field data from Chador-Maloo mine, applying NN, the model is developed with one input layer, two hidden layers and one output layer to predict the powder factor. The average actual powder factor is 0.23kg/t in ore and 0.2kg/t in waste materials and the predicted one in ore and waste are on 0.2349kg/t and 0.2007kg/t respectively, which shows a good agreement between the actual amount and the predicted one.