پيش بيني لرزش زمين ناشي از عمليات آتشباري در معادن با استفاده از رگرسيون خطي چند متغيره، شبكه عصبي مصنوعي و ماشين بردار پشتيبان

Prediction of Ground Vibration in Blasting by MLR, ANN and Support Vector Machine

عمليات حفاري و آتشباري از جمله مهمترين فرآيندهاي استخراج معادن روباز هستند كه گاهي اوقات توأم با پيامدهاي نامطلوب بوده و باعث بوجود آمدن خطرات و مشكلاتي مي شوند. از جمله پيامدهاي خطرناك و نامطلوب عمليات انفجار معادن روباز، پديده لرزش زمين است. كنترل لرزش زمين ناشي از انفجار يك موضوع تحقيقاتي مهم در مهندسي انفجار بوده است و توسط حداكثرسرعت ذره اي اندازه گيري مي شود. در اين مطالعه 37 مورد از رويدادهاي لرزه اي انجام يافته در معدن مس سونگون اهر، مورد بررسي قرار گرفت. در اين مقاله به بررسي اثر پارامترهاي لرزش زمين بر حداكثر سرعت ذره اي با استفاده از رگرسيون خطي چند متغيره،شبكه عصبي مصنوعي و ماشين بردار پشتيبان پرداخته شده است. نتايج آماري مدل نشان مي دهد كه ارتباط بسيار خوبي بين حداكثر سرعت ذرهاي مجموعه آموزش و متغيرهاي سازنده مدل با ضريب تعيين R(2)=0/80 براي رگرسيون خطي چند متغيره، 0/98 براي شبكه عصبي مصنوعي و همچنين ضريب تعيين 0/99 براي ماشين بردار پشتيبان وجود دارد. همچنين مقدار مربع ضريب همبستگي براي داده هاي مجموعه تست، برابر 0/75 0 براي رگرسيون خطي چند متغيره 0/84 براي شبكه عصبي مصنوعي و 0/99 براي ماشين بردار پشتيبان بدست آمد كه نمايانگر توانايي بالاي اين روش هاي مدلسازي در پيش بيني نمونه هاي خارج از آن است.

Drilling and blasting are among the most important operations in open pit mining which sometimes are along with inappropriate events causing to some danger and problems. One of these undesirable and dangerous events is ground vibration phenomenon. The control of blasting ground vibration has been an important research subject in engineering blasting field and is measured by the peak particle velocity (PPV). In this study, 37 blasting events of Ahar Sungun copper mine was investigated. The effect of ground vibration parameters on PPV by multiple linear regressions (MLRs), artificial neural network (ANN) and support vector machine (SVM), has been investigated. Model statistical parameters show that there is a very good relation between PPV and the model variables with a R2=0.80 for MLR, 0.98 for ANN and 0.99 for SVM. Also, the squared correlation coefficient for prediction set was achieved 0.75 for MLR, 0.84 for ANN and 0.99 for SVM. The results represent high ability of these model building methods in prediction of samples not included in the mode.