كليدواژه :
معدن سنگان , خردايش سنگ , پس انتشارخطا , شبكه عصبي مصنوعي
چكيده فارسي :
يكي از مهمترين اهداف عمليات آتشباري در معادن سطحي، خردايش بهينه سنگ است. به دليل وجود خصوصيات متفاوت در جبهه كارهاي مختلف معدن سنگ آهن در هر جبهه كار از الگوهاي متفاوت چال زني استفاده مي شود. از اين رو پيش بيني ميزان خردشدگي حاصل از انفجار، كمك شاياني در طراحي و اجراي الگوي انفجار خواهدكرد. در مقاله حاضر به وسيله يكي از روش هاي هوشمند، به نام شبكه هاي عصبي مصنوعي، خردايش حاصل از انفجار در معدن باغك از معادن سنگ آهن سنگان خواف پيش بيني شده است. براي تشكيل شبكه عصبي مصنوعي از ميان شبكه هاي مختلف ساخته شده، يك شبكه با الگوريتم آموزش Levenberg-Marquardt backpropagation ، با يك لايه ورودي با 8پارامتر، يك لايه پنهان با 10 نرون و يك لايه خروجي با يك پارامتر خروجي به عنوان شبكه مطلوب انتخاب شد. پارامترهاي ورودي شبكه بارسنگ، فاصله رديفي چال ها، ارتفاع پله، خرج ويژه، گل گذاري، چگالي، قطرچال، مقاومت تراكمي تك محوره سنگ مي باشند و متوسط ابعاد سنگ حاصل از خردايش به عنوان پارامتر خروجي درنظر گرفته شد. 50 سري داده كه از معدن باغك سنگان خواف تهيه شده است (34 سري آن براي آموزش و 16 سري آن براي آزمايش و اعتبار سنجي) استفاده مي شود. در نهايت ميانگين مربعات خطا و ضريب همبستگي براي شبكه منتخب، براي داده هاي آموزش، آزمون و كل داده ها به ترتيب برابر 9/3، 8/4، 46 و 0/96، 0/95، 0/99 بدست آمد.
چكيده لاتين :
Efficient rock crushing is one of the main objectives of blasting operations in surface mining. Due
to the presence of different rock types in working benches of an iron ore mine, usually different
blasting and drilling patterns is required. Therefore, prediction of the fragmentation degree after
explosion will help in the design and implementation of the blasting pattern. In this paper, by means
of an artificial neural network (ANN), size of the crushed rocks after explosion is predicted for iron
ore of Sangan Baghak mine. Among the various networks built, a Levenberg-Marquardt back
propagation network with an input layer having 8 neurons, one hidden layer with 10 neurons and an
output layer with a single output was selected as the preferred network. Network inputs include the
rock burden, spacing, bench height, powder factor, stemming, rock density, hole diameter, and
uniaxial compressive strength of rock. The average size of crushed rock was considered as the
output parameter. Out of total 50 data sets 34 sets were used for learning, and 16 sets were used for
test and validation of ANN. Finally, the mean square error and correlation coefficient for the
training, testing and all data obtained as 9.3, 8.4, 46, 0.96, 0.95, 0.99, respectively for the selected
network.
