پیش بینی عقب زدگی ناشی از انفجار با استفاده از روش های رگرسیون ـ pso و شبکه های عصبی مصنوعی

عقب زدگی اثر جانبی ناخواسته عملیات انفجار در معادن روباز است. این پدیده می تواند باعث ناپایداری دیواره های معدن، سقوط ماشین آلات، خردایش ضعیف، ترقیق بالا، افزایش باطله برداری و نهایتاً رشد هزینه های تولید شود. پارامترهای متعددی بر عقب زدگی تأثیر می گذارند، از جمله پارامترهای کنترل پذیر (مانند پارامترهای طراحی آتشکاری و ویژگی های مواد منفجره) و پارامترهای کنترل ناپذیر (مانند خصوصیات سنگ و ناپیوستگی ها). پیچیدگی پدیده عقب زدگی و عدم قطعیت آن از نظر پیامد پارامترهای مختلف، پیش بینی آن را بسیار دشوار می سازد. هدف این مطالعه، پیش بینی عقب زدگی با استفاده از رویکردهای مختلف رگرسیون، الگوریتم بهینه سازی انبوه ذرات (pso) و شبکه های عصبی مصنوعی و ارزیابی تأثیر پارامترهای مختلف بر این پدیده است. برای این امر، پایگاه داده ای متشکل از 60 انفجار انجام شده در معدن شماره یک مجتمع سنگ آهن گل گهر تهیه شد. ابتدا با استفاده از این پایگاه داده، معادله های تجربی مختلف برای پیش بینی عقب زدگی با استفاده از تحلیل رگرسیون چندگانه ارائه شد. سپس مدل-های ساخته شده با استفاده از الگوریتم pso بهینه شدند. مقایسه نتایج به دست آمده از تحلیل رگرسیون و رگرسیون ـ pso نشان داد که الگوریتم بهینه سازی انبوه ذرات در اغلب موارد به نتایج بهتری در معیارهای کارایی مدل های مختلف می رسد. همچنین شبکه های عصبی مصنوعی جهت پیش بینی عقب زدگی استفاده شد. نتایج حاصل از بکارگیری شبکه های عصبی مصنوعی نشان داد که شبکه عصبی ابزاری مناسب برای پیش بینی عقب زدگی است و با ضریب تعیین بالاتر (0.96 در مقایسه با 0.90) و جذر میانگین مربعات خطای کمتر (0.21 در مقایسه با 0.32) نتایج بهتری نسبت به مدل رگرسیونی ـ pso بدست می دهد. در نهایت تحلیل حساسیت انجام شده نشان داد که طول گل گذاری مهم ترین عامل کنترل عقب زدگی است.