بهینه سازی الگوی آتشباری معدن سنگ آهن سنگان با استفاده از روش ترکیبی عصبی- فازی

یکی از مهمترین فعالیت های مرتبط با استخراج مواد معدنی، عملیات حفاری و انفجار است. در این راستا خردایش مناسب سنگ و کاهش عوارض جانبی پس از انفجار از اهمیت بالایی برخوردار است. عدم طراحی دقیق و حتی اجرای نامناسب الگو، موجب عدم دسترسی به اهداف مورد نظر می گردد. بنابراین در طراحی یک الگوی انفجار مطلوب، هر دو گروه عوامل قابل کنترل و غیرقابل کنترل باید تواماً مورد توجه قرار گیرند. شرایط زمین شناسی منطقه، کیفیت توده سنگ (مقاومت، شرایط درزه داری و ...)، هندسه الگو، نوع تجهیزات بارگیری و حمل، نوع سیستم انتقال انفجار و ... از جمله مواردی هستند که باید مورد توجه طراح باشد. طراحی الگوها براساس روش های تجربی صورت می گیرد. در این روش ها معمولاً سعی بر آن بوده با ساده سازی، فقط تعداد محدودی از پارامترهای موثر در نظر گرفته شود که این امر باعث ضعف نسبی این روش ها شده است. البته در سال های اخیر روش های هوش مصنوعی بطور گسترده ای در علوم مختلف برای حل مسائلی که در آن ها تعداد پارامترهای موثر زیاد می باشند استفاده شده است. در این تحقیق، پس از بررسی نتایج انفجارهای متعدد در معدن سنگ آهن سنگان، مشکلات و نواقص موجود شناسایی و پس از بررسی دلایل احتمالی بروز آن ها، پیشنهاداتی جهت بهبود وضع موجود ارائه شده است. اما از آنجایی که درنظر گرفتن همزمان کلیه پارامترهای موثر در بررسی نتایج یک الگوی انفجار جهت بهینه سازی کاری دشوار است، از روش های آماری و هوش مصنوعی جهت پیش بینی خردایش سنگ و عقب زدگی استفاده شد. شبکه های عصبی مصنوعی، منطق فازی و روش عصبی- فازی anfis ، روش های هوشمندی هستند که جهت مدلسازی مورد استفاده قرار گرفت. از بین روش های فوق، مدل عصبی- فازی anfis با کمترین خطا و بیشترین دقت ( در مدل خردایش و در مدل عقب زدگی) بعنوان بهترین روش شبیه سازی خردایش و عقب زدگی در نظر گرفته شد. در ادامه با بررسی تاثیر هر یک از متغیرهای ورودی روی توابع هدف، مشخص شد که مقادیر خرج ویژه (pf)، فاکتور سنگ (rf)، تاخیر به ازای هرمتر بارسنگ (del/b) و حفاری ویژه (sd) از بیشترین اهمیت در مدل های پیش بینی برخوردارند. بنابراین با توجه به بررسی های انجام شده در این تحقیق، می توان گفت در کنار رعایت اصول فنی در طراحی و اجرای دقیق الگوهای حفاری و انفجار، مدل های پیش بینی ارائه شده، ابزاری مناسب در جهت کنترل و کاهش اثرات نامطلوب انفجارها خواهد بود. کلمات کلیدی : تحلیل انفجار، عقب زدگی، خردایش، هوش مصنوعی، عصبی-فازی، پیش بینی.