توسعه مدلي هوشمند به منظور تخمين عقب زدگي: يك مطالعه مقايسه اي

طي ساليان اخير، توسعه مدل هاي تجربي با استفاده از روش هاي آماري و هوشمند به منظور پيش بيني فاصله ي عقب زدگي رشد چشم گيري داشته است. هدف اصلي اين مقاله توسعه مدلي هوشمند براي پيش بيني عقب زدگي در معدن مس سونگون است. اين مدل با استفاده از تكنيك رگرسيون بردار پشتيبان (SVR) و به كمك جعبه ابزار LIBSVM در محيط نرم افزار متلب (Matlab) توسعه يافت. مدل پيشنهادي شامل 5 پارامتر ورودي (بار سنگ، فاصله داري چال ها، طول گل گذاري، خرج ويژه و نسبت سفتي) و يك پارامتر خروجي (عقب زدگي) مي باشد. ارزيابي كارايي مدل نشان داد كه تكنيك SVR ابزاري مناسب براي پيش بيني عقب زدگي مي باشد. بر اساس داده هاي تست، مقادير شاخص هاي ضريب تعيين (R2)، خطاي جذر ميانگين مربعات (RMSE) و متوسط درصد خطاي مطلق (MAPE) براي مدل پيشنهادي به ترتيب برابر با 41/ 99، 16 /0 و 08 /0 به دست آمد.در آخر مقايسه اي بين مدل SVR با دو مدل ديگر (مدل هاي ANFIS و RT) كه بر اساس داده هاي مشابه ساخته و تست شده بودند، انجام گرفت. بر اساس نتايج به دست آمده، هر سه مدل قادر به پيش بيني عقب زدگي با دقت كافي هستند اما مدل ANFIS بالاترين كارايي و با اختلاف اندكي به ترتيب مدل هاي SVR و RT قرار دارند.