اجرای صحیح عملیات آتشباری علاوه بر کاستن هزینه های معدنکاری، تا حدود زیادی از بروز پدیده های نامطلوب ناشی از آتشباری مانند پرتاب سنگ و عقب زدگی جلوگیری می کند. به علت زیاد بودن پارامترهای الگوی آتشباری و رابطه پیچیده بین این پارامترها و پدیده های نامطلوب ذکر شده، معمولاً مدلهای تجربی عملکرد ضعیفی نشان می دهند. در این تحقیق، یک شبکه عصبی مصنوعی با 9 پارامتر ورودی (شامل قطر چال، طول چال، فاصله ردیفی چالها، ضخامت بار سنگ، طول گل گذاری، اضافه حفاری ، خرج ویژه، خرج در تأخیر و امتیاز توده سنگ) و 2 پارامتر خروجی (شامل پرتاب سنگ و عقب زدگی) در نظر گرفته شد. به منظور پیش بینی پرتاب سنگ و عقب زدگی، با یک رویکرد عصبی – ژنتیک، ساختار شبکه عصبی (تعداد نرونهای لایه های پنهان، نرخ یادگیری و مومنتم) تعیین گردید و یک شبکه عصبی با ساختار 2-16-9 با نرخ یادگیری 0.58 و مقدار مومنتم 0.46 به عنوان شبکه بهینه (با کمترین مقدار خطا و بیشترین ضریب همبستگی) بدست آمد. در نهایت پس از انجام آنالیز حساسیت مشخص گردید که پارامترهای طول گل گذاری و خرج ویژه بیشترین تأثیر بر پرتاب سنگ و نیز پارامترهای طول گل گذاری و خرج در تأخیر مؤثرترین پارامترها بر پدیده عقب زدگی در عملیات آتشباری معدن مس سونگون می باشند.
