توسعه مدلهای جدید برای ارزیابی میزان پرتاب سنگ در معادن روباز

در این تحقیق، مطالعه جامعی به منظور پیشبینی پرتاب سنگ به عنوان یک پدیده رایج و نامطلوب ناشی از عملیات آتشباری در معدنکاری روباز صورت گرفته است. علیرغم در دسترس بودن چندین مدل تجربی برای پیش بینی فاصله پرتاب سنگ، پیچیده بودن ارزیابی پرتاب سنگ موجب کاهش کارایی این مدلها شده است. بنابراین، از روش های آماری و هوشمند مصنوعی قدرتمند برای پیش بینی پرتاب سنگ در معدن مس سونگون در ایران استفاده شده است. برای این منظور، روش رگرسیون چندمتغیره خطی (LMR) الگوریتم رقابت استعماری (ICA) سیستم استنتاج عصبی-فازی تطبیقی (ANFIS) و شبکه عصبی مصنوعی برای پیش بینی پرتاب سنگ با در نظر گرفتن پارامترهای موثر شامل قطرچال، گلگذاری، بارسنگ، خرج ویژه و حداکثر خرج در هر تاخیر مورد استفاده قرار گرفته ا ست. با توجه به نتایج به د ست آمده، شبکه ع صبی با ساختار 5 ورودی، 8 نرون در لایه پنهان و یک خروجی با الگوریتم یادگیری لونبرگ – مارکوارت (ML) و 2 توابع انتقال لگاریتمی سیگمویید به عنوان بهترین شبکه با مقادیر جذر میانگین مربعات خطا (RMSE (و ضریب همب ستگی (R) به ترتیب برابر با 04/5 متر و 6/95 درصد برای پیشبینی پرتاب سنگ انتخاب گردید. همچنین نتایج نشان داد که روش ICA دارای قابلیت نسبتا بالایی در پیش بینی پرتاب سنگ میباشد و روش های LMR و ANFIS نیز در رده های بعدی قرار گرفتند. در نهایت، آنالیز حساسیت نشان داد که پارامترهای خرج ویژه و قطر چال بیشترین تاثیر را بر روی پرتاب سنگ در این تحقیق دارد.