یکی از مراحل تولید در معادن روباز، عملیات چالزنی و آتشباری است. در هنگام انفجار تمام انرژی ماده منفجره صرف رسیدن به اهداف مطلوب و مورد نظر نمی شود و انفجار علاوه بر محدوده مورد نظر بر منطقه وسیعی از اطراف محل انفجار نیز اثر می گذارد که اغلب این اثرات، نامطلوب و مخرب می باشند. لرزش زمین، پرتاب سنگ و عقب زدگی از جمله مهمترین پدیده های نامطلوب ناشی از آتشباری می‎باشند. به منظور پیش‎بینی و کنترل عوارض اجتناب ناپذیر و خطرناک ناشی از آتشباری لازم است ابتدا عوامل تأثیر گذار بر این فرآیندها، نظیر خصوصیات سنگ، پارامترهای مربوط به ماده منفجره و مشخصات هندسی شبکه انفجار شناسائی شوند. با توجه به تعدد پارامترهای موثر در عملیات آتشباری و درنظر نگرفتن همزمان این پارامترها در روابط تجربی موجود، رویکرد جدید استفاده از متدهای نوین نظیر شبکه‏های عصبی مصنوعی (ann)، الگوریتم ژنتیک (ga)، روش طبقه بندی حداکثر احتمال (mlc) و ... می‏باشد. این روش‏ها علاوه بر دقت لازم در طراحی، از سرعت بالا و سهولت کاربرد نیز برخوردار هستند. در این تحقیق 3 مدل مجزا مبتنی بر شبکه عصبی چند لایه پرسپترون برای شبیه سازی عملیات چالزنی و آتشباری و پیش‎بینی پدیده‎های نامطلوب در معادن مس سرچشمه و مس سونگون با توجه به شرایط محیطی ارائه شده است. بر اساس نتایج بدست آمده می¬توان گفت که شبکه عصبی مصنوعی می¬تواند به طور مؤثری برای طراحی یک الگوی انفجار جهت جلوگیری از وقوع عوارض نامطلوب مورد استفاده قرار گیرد. همچنین ملاحظه گردید که پارامترهای فاصله محل انفجار از محل ثبت لرزه، خرج ویژه، خرج بر تأخیر، بیشترین چال منفجر شده در هر تأخیر و میزان تأخیر بین ردیف‎ها به ترتیب بیشترین تأثیر را بر لرزش زمین داشتند. همچنین پارامترهای خرج ویژه، ضخامت بار سنگ، خرج بر تأخیر و طول گل گذاری به ترتیب بیشترین تأثیر را در میزان پرتاب سنگ و پارامترهای ضخامت بار سنگ، خرج ویژه و خرج بر تأخیر نیز به ترتیب بیشترین تأثیر را در میزان عقب زدگی ناشی از آتشباری داشتند.