شماره ركورد كنفرانس :
5505
عنوان مقاله :
استفاده از روش‌هاي يادگيري ماشين و الگوريتم‌هاي فرا اكتشافي در پيش بيني عقب زدگي ناشي از عمليات انفجار در معادن
پديدآورندگان :
محمودي مريم Mahmoudi.m174@yahoo.com گروه كامپيوتر، واحد ميمه، دانشگاه آزاد اسلامي، ميمه، ايران , اشرفي خوزاني ندا Ashrafi_neda@yahoo.com گروه كامپيوتر، واحد ميمه، دانشگاه آزاد اسلامي، ميمه، ايران , طاهري فر رضا rtf55@yahoo.com گروه معدن، واحد ميمه، دانشگاه آزاد اسلامي، ميمه، ايران
كليدواژه :
عقب‌زدگي , يادگيري‌ماشين , جنگل تصادفي , جنگل تصادفي , k-نزديك‌ترين , پرسپترون چند لايه
عنوان كنفرانس :
اولين همايش ملي صنعت سنگ استخراج، فرآوري و بازاريابي
چكيده فارسي :
انفجار، به عنوان يكي از مراحل اساسي در عمليات معدن‌كاري، به منظور خرد كردن و جابه‌جايي توده سنگ مورد استفاده قرار مي‌گيرد. تنها حدود 20 درصد از انرژي ماده منفجره براي انجام كار مفيد صرف مي‌شود. يكي از عوارض نامطلوب انفجار در معادن روباز عقب‌زدگي است كه علاوه بر كاهش كيفيت خردايش، باعث افزايش هزينه‌هاي عملياتي و كاهش ايمني پله‌ها مي‌شود. يك از ابزارهاي موثر براي كنترل اين پديده مي‌تواند مدلسازي ميزان عقب‌زدگي و بازشناسي مهم‌ترين پارامترهاي موثر بر آن باشد. در اين مقاله سعي شده است تا با استفاده از روش‌هاي مختلف يادگيري ماشين، ميزان عقب‌زدگي در معادن مدلسازي شود. مدل‌هاي جنگل تصادفي، k-نزديك‌ترين و پرسپترون چند لايه براي اين مدلسازي در نظر گرفته‌شده و پس از بهينه‌سازي به كمك الگوريتم جستجوي ممنوعه مورد ارزيابي و مقايسه قرار گرفته‌اند. در نهايت مدل جنگل تصادفي با ضريب تعيين 0.97547 به عنوان بهترين مدل براي اين مدلسازي شناخته شد كه مي‌تواند پيش‌بيني دقيقي از اين پارامتر ارائه كند. ساير مدل‌هاي مورد استفاده نيز پس از بهينه‌سازي نتايج قابل قبولي از خود نشان داده‌اند.
