پیش بینی خردایش عملیات آتشباری معدن مس سونگون با الگوریتم عصبی ژنتیک

عملیات آتشباری از مهمترین مراحل استخراجی معادن روباز بوده و سایر عملیات شامل بارگیری، حمل و سنگ شکنی در ارتباط مستقیم با نتیجه این عملیات می باشد. در نتیجه بهینه سازی عملیات آتشباری می تواند از نظر فنی و اقتصادی برای یک پروژه معدنی از اهمیت بسزائی برخوردار باشد. در اغلب موارد برای طراحی الگوی آتشباری از روش های تجربی استفاده می شود، ولی این روش ها به دلیل عدم لحاظ کلیه پارامترهای موثر در نتیجه عملیات از دقت خوبی برخوردار نبوده و بنابراین لازم است که از روشهای دیگر با قابلیت های بالا استفاده نمود. در سالهای اخیر، هوش مصنوعی به عنوان یکی از روش های مناسب جایگزین، معرفی و به کار گرفته شده است. در تحقیق حاضر، ابتدا مدلی با استفاده از شبکه عصبی برای پیش بینی خردایش حاصل از عملیات آتشباری معدن مس سونگون ساخته شد. در این مدل قطر چال، ارتفاع پله، فاصله ردیفی، ضخامت بار سنگ، خرج ویژه، خرج بر تاخیر و طول گل گذاری بعنوان پارامتر ورودی و خردایش بعنوان پارامتر خروجی در نظر گرفته شد. در مرحله بعد جهت بهینه سازی عملکرد مدل مذکور، الگوریتم ژنتیک در اصلاح ساختار مدل اولیه مورد استفاده قرار گرفت. مقایسه عملکرد مدل های ساخته شده نشانگر افزایش قابل ملاحظه کارائی مدل ترکیبی عصبی-ژنتیک نسبت به مدل عصبی می باشد. در این ارتباط ضریب تصمیم و خطای مجذور مربع میانگین بین مقادیر واقعی و پیش بینی شده برای مدل عصبی-ژنتیک به ترتیب 0.925و 0.0911 محاسبه گردید. در نهایت تحلیل حساسیت برای تعیین میزان تاثیر پارامترهای ورودی بر خروجی شبکه انجام و مشخص گردید که به ترتیب خرج ویژه و خرج بر تاخیر بیشترین و کمترین اثر را بر خردایش سنگ دارند.