بهینه سازی محدوده نهایی معادن روباز با استفاده از روش هوشمند شبکه عصبی

محدوده نهایی معادن مشخص کننده میزان ماده معدنی و باطله ای است که در طول عمر معدن باید برداشت گردد تا ضمن رعایت تمام محدودیت ها، سود معدن بیشینه گردد. تاکنون الگوریتم های متعددی جهت بهینه سازی محدوده نهایی معادن روباز ارائه گردیده است. این الگوریتم ها بر مبنای برنامه ریزی خطی، برنامه ریزی پویا، پارامتری کردن، شبیه سازی، تئوری گراف و الگوریتم های ابتکاری ارائه گردیده اند. اما وجود برخی معایب از جمله عدم توانایی در اعمال شیب متغیر دیواره های معدن، پیچیده بودن مفاهیم الگوریتم، عدم کاربرد در حالت سه بعدی و نیز عدم کاربرد برای معادن بزرگ سبب گردیده است، که بسیاری از این الگوریتم ها در عمل کاربرد نداشته باشند. از طرف دیگر یکی از مهمترین منابع عدم قطعیت عیار بلوک های استخراجی می باشد که جهت رسیدن به نتایج منطبق بر واقعیت، ضروری است این عدم قطعیت در نظر گرفته شود. در این تحقیق برای بهینه سازی محدوده نهایی معادن روباز در حالت سه بعدی الگوریتمی مبتنی بر شبکه های عصبی ارائه گردیده است. در این الگوریتم ابتدا بلوک ها با استفاده از شبکه عصبی طبقه بندی شده، پس از آن با اعمال محدودیت های مختلف محدوده نهایی معدن به دست می آید. همچنین جهت برآورد عدم قطعیت همراه با تناژ و سود کاواک نهایی از شبیه سازی شرطی جهت تخمین عیار بلوک ها استفاده گردید. جهت اعتبار سنجی مدل، این الگوریتم برای بهینه سازی معدن فسفات اسفوردی یزد به کار گرفته شد. نتایج به دست آمده با نتایج حاصل از نرم افزار تجاری npv+mfo مقایسه گردید. نتایج نشان می دهد که در شرایطی که محدودیت عناصر مزاحم وجود دارد این الگوریتم نتایج به مراتب بهتری نشان داده، و کاواکی با 30 درصد سود بیشتر به دست می دهد.