كاربرد شبكه هاي عصبي در تخمين عقب زدگي ناشي از انفجار در معادن روبازمطالعه موردي درمعدن باغك از معادن سنگ آهن سنگان

The application of neural networks for the estimation of back breaking generated by the explosions of open pit mines. Case study in the mine baghak of Sangan iron ore mines

عقب زدگي اثر جانبي ناخواسته عمليات انفجار در معادن روباز است. اين پديده مي تواند باعث ناپايداري ديواره هاي معدن، سقوط ماشين آلات، خردايش ضعيف و ترقيق بالاشود. هدف اين مقاله مقايسه و انتخاب مناسب ترين شبكه ازبين شبكه هاي عصبي RBF, MLP و Elman جهت تخمين عقب زدگي ناشي از انفجار مي باشد. براي اين امر، پايگاه دادهاي متشكل از 50 انفجار انجام شده در معدن باغك از معادن سنگ آهن سنگان تهيه شد. در اين پايگاه داده، پارامترهاي نسبت فاصله رديفي چال به بارسنگ، ضريب سفتي، طول انسدادچال، خرج ويژه، چگالي سنگ و مقاومت فشاري تك محوره سنگ ها به عنوان پارامترهاي ورودي و عقب زدگي به عنوان تنها پارامتر خروجي است. ارزيابي مدلهاي ساخته شده نشان داد كه، هر سه شبكه در تخمين عقب زدگي از اقبال مطلوبي برخوردار بوده اند. اما شبكه ي عصبي MLP درتخمين عقب زدگي از عملكرد مطلوبي نسبت به RBF و Elman برخوردار بوده است. البته شبكه ي RBF از ساختار ساده و آموزش سريع نسبت به شبكه هاي عصبي MLP و Elman است.

Backbreaking is the lateral consequence of blasting operations producing in the open pit mines. As a result, it might cause instability of mine walls, falling machines, weak crushing and high dilution. The purpose of this essay,in order to estimate backbreaking which is made by the blasting operations, is to compare and choose the most suitable network from among neural networks as MLP, RBF & Elman. For this reason, a database incorporating of 50 explosions of the Baghak mine, an area located in Sangan iron mine are provided. For the input of the database parameters like ratio of hole spacing to burden, hardness coefficient, stemming length, specific charge, density of rocks, and uni-axial compressive strenght of rocks are included while backbreaking was the sole output parameter. The evaluation of built models indicated that all three network models are Acceptable for the estimation of backbreaking. Nevertheless, for estimating backbreaking, the MLP neural network revealed a more accurate function against Elman and RBF. While RBF network had more simple structure and rapid instruction against MLP and Elman neural networks.