محمد رضائی

هدف اصلی انفجار معادن روباز، تأمین شکست سنگ مورد نیاز با حداقل مقدار عوارض جانبی مانند پرتاب سنگ، عقب‌زدگی و لرزش زمین است. عقب‌زدگی (BB) یکی از پیامدهای جدی انفجار در معادن روباز است، زیرا اغلب مزایای اقتصادی را کاهش می‌دهد و ایمنی معادن را به شدت تحت تأثیر قرار می‌دهد. در این مقاله از روش‌های الگوریتم جنگل تصادفی و شبکه عصبی حافظه طولانی کوتاه مدت با بکارگیری تکنیک جستجوی شبکه‌ای و روش اعتبارسنجی متقاطع، برای تخمین عقب‌زدگی ناشی از انفجار در معدن سنگ‌آهن سنگان استفاده شده است. بدین منظور، 60 دسته داده مربوط به مجتمع سنگ‌آهن سنگان مشتمل بر 7 پارامتر ورودی موثر بر عقب‌زدگی (BB) از جمله فاصله‌ردیفی چال‌ها (S)، بارسنگ (B)، طول چال (H)، اضافه حفاری (U)، خرج ویژه (P)، حفاری ویژه (SD) و میانگین خرج در هر چال انفجاری (Q) جمع‌آوری و بطور تصادفی به دو بخش آموزش و تست تقسیم شد. سپس، الگوریتم‌های RF و LSTM برای پیش‌بینی (BB) و مقایسه‌ی آن‌ها با هم استفاده شد. به منظور اعتبارسنجی و مقایسه عمکلکر مدل‌های RF و LSTM در مراحل آموزش و تست از دیاگرام تیلور و سه شاخص آماری شامل ضریب تعیین (R2)، ،جذر میانگین مربعات خطا (RMSE) و خطای مطلق میانگین (MAE) استفاده شد. نتایج بدست آمده بر مبنای دیاگرام تیلور و شاخص‌های آماری نشان داد که مدل RF در مقایسه با مدل LSTM عملکرد بهتری دارد و می‌تواند با دقت و قابلیت اطمینان بالاتر و خطای کمتر عقب‌زدگی ناشی از انفجار را پیش‌بینی نماید. در نهایت، نتایج تحلیل اهمیت پارامترهای ورودی نشان داد که پارامتر بارسنگ (B) و طول چال (H) به ترتیب مهمترین پارامترهای تأثیرگذار بر عقب‌زدگی ناشی از انفجار هستند در حالی که فاصله‌ردیفی چال‌ها (S) و میانگین خرج در هر چال انفجاری (Q) کمترین تأثیر را بر عقب‌زدگی ناشی از انفجار دارند.