استفاده از روش های یادگیری ماشین و الگوریتم های فرا اکتشافی در پیش بینی عقب زدگی ناشی ازعملیات انفجار در معادن

انفجار، به عنوان یکی از مراحل اساسی در عملیات معدن کاری، به منظور خرد کردن و جابه جایی توده سنگ مورد استفاده قرار می گیرد. تنها حدود ۲۰ درصد از انرژی ماده منفجره برای انجام کار مفید صرف می شود. یکی از عوارض نامطلوب انفجار در معادن روباز عقب زدگی است که علاوه بر کاهش کیفیت خردایش، باعث افزایش هزینه های عملیاتی و کاهش ایمنی پله ها می شود. یک از ابزارهای موثر برای کنترل این پدیده می تواند مدلسازی میزان عقب زدگی و بازشناسی مهم ترین پارامترهای موثر بر آن باشد. در این مقاله سعی شده است تا با استفاده از روش های مختلف یادگیری ماشین، میزان عقب زدگی در معادن مدل سازی شود. مدل های جنگل تصادفی، K- نزدیک ترین و پرسپترون چند لایه برای این مدلسازی در نظر گرفته شده و پس از بهینه سازی به کمک الگوریتم جستجوی ممنوعه مورد ارزیابی و مقایسه قرار گرفته اند. در نهایت مدل جنگل تصادفی با ضریب تعیین ۰.۹۷۵۴۷ به عنوان بهترین مدل برای این مدلسازی شناخته شد که می تواند پیش بینی دقیقی از این پارامتر ارائه کند. سایر مدل های مورد استفاده نیز پس از بهینه سازی نتایج قابل قبولی از خود نشان داده اند.

Keywords:

عقب زدگی , یادگیری ماشین , جنگل تصادفی , جنگل تصادفی , k-نزدیک ترین , پرسپترون چند لایه