خردایش یکی از مهم ترین نتایج انفجار است که مستقیماً بر هزینه های تولید، بارگیری، باربری و حتی سنگ شکنی تأثیرگذار است.خردایش سنگ به عوامل زیادی از جمله خصوصیات توده سنگ، پارامترهای هندسی چال و نوع ماده منفجره بستگی دارد. روش های تجربی متعددی جهت پیش بینی خردایش توسط محققین مختلف ارائه شده است. از آنجایی که در تعیین ضرایب ثابت موجود در روابط تجربی فقط اطلاعات مربوط به یک یا چند منطقه مورد استفاده قرارگرفته، کاربرد این روابط در سایر شرایط ممکن است نتایج نامطلوبی را به همراه داشته باشد. برای به حداقل رساندن خطاهای پیش بینی خردایش می توان از روش های هوش مصنوعی بهره جست. در این تحقیق داده های مربوط به 30 انفجار انجام شده در معدن سنگ آهن گل گهر برداشت شد. برای ارزیابی خردایش از نرم افزار split desktop استفاده شد.خردایش با استفاده از مدل کاز-رام اصلاح شده و روش رگرسیون غیر خطی پیش بینی و توسط الگوریتم بهینه سازی توده ذرات، بهینه سازی شد. برای مدل سازی رگرسیون از نرم افزار spss و برای پیاده سازی الگوریتمpso از نرم افزار matlab استفاده شد. در نهایت خطای حاصل از هر روش محاسبه شد. ضریب تعیین و میانگین مربع خطای مدل کاز-رام اصلاح شده به ترتیب معادل 16/0 و55/33 است. همچنین ضریب تعیین و میانگین مربع خطای روش رگرسیون غیر خطی به ترتیب معادل 54/0 و38/12بدست آمد.با استفاده از الگوریتم بهینه سازی توده ذرات میزان ضریب تعیین روش رگرسیون غیر خطی به 79/0 افزایش و میزان خطا به 19/11 کاهش یافت. نتایج نشان می دهد که روش رگرسیون غیر خطی بهینه شده با الگوریتم بهینه سازی توده ذرات روش مناسب تری نسبت به مدل کاز-رام اصلاح شده و رگرسیون غیرخطی است.