پيش بيني بهتر لرزش زمين ناشي از انفجار با استفاده از آناليز خوشه اي

A cluster analysis for proper prediction of ground vibration caused by blasting

لرزش زمين اطراف مناطق معدني يكي از پديده هاي نامطلوب حاصل از انفجارهاي توليدي است. پيش بيني شدت لرزش ها اهميت زيادي در طراحي بهتر الگوهاي انفجاري وكاهش اثرهاي نامطلوب انفجار دارد. در اين تحقيق سعي شد با طبقه بندي نگاشته اي لرزه اي ثبت شده در قسمتي از محدوده ي استخراجي معدن مس سرچشمه، مدل هايي براي پيش بيني دقيق ترحداكثر سرعت ذره ايجاد شود. ابتدا مشخص هاي امواج لرزشي ناشي از انفجارهاي انجام شده توسط دستگاه هاي لرزه نگاريثبت شدند. سپس بر اساس پارامترهاي طراحي انفجار، با استفاده از تحليل خوشه اي سلسله مراتبي، داده هاي لرزه اي ثبت شده به دو گروه تقيسم شدند. بعد از طبقه بندي داده ه اي لرزه اي به كمك روش آناليز رگراسيون چند متغيره، براي هر يك از گروه ها بطور جداگانه مدل هاي جهت پيش بيني حداكثر سرعت ذره ارائه شد. قبل از انجام آناليز خوشه اي بر روي پايگاه داده جمع آوري شده، مدلي بر اساس 88 نگاشت لرزه اي توسط آناليز رگراسيون با ضريب تعيين 0/6152 ساخته شد. بعد از اينكه داده هاي لرزه اي توسط آناليز خوشه اي به دو گروه طبقه بندي شدند، مقدار ضرايب تعيين مربوط به مدل هاي ساخته شده براي گروه هاي اول و دوم بترتيب 0/7266 و 0/7139 ارائه شدند.

Ground vibration, which is caused by blasting, is one of the undesirable phenomena around mining areas. Hence, predicting vibrations intensity, which has a great impact on proper blast design parameters and also decreases the undesirable blasting effects, is absolutely important. In this light, the present study was carried out to find models for predicting peak particle velocity with much higher accuracies. This paper presents real-time classified data for recorded seismic values in a part of Sarchechmeh Copper Mine. The characteristics of vibration waves, caused by blasting, were recorded by seismometers. Thereafter, seismic data were divided into two groups based on the blast design parameters and using Hierarchical Cluster Analysis. After classification of seismic data using multivariate regression analysis, some models were built for each group separately to predict the projected peak particle velocity. Before performing cluster analysis on the collected database, a model based on 88 seismic data with the coefficient of determination 0.6152 was built by regression analysis. After the seismic data were classified into two groups by cluster analysis, the determination coefficients of the model were presented, which for the first and second groups were 0.7266 and 0.7139 respectively.