براي تعيين خرج ويژه در انفجار معادن روباز روابط مختلفي موجود است كه در ضمن طراحي الگوي انفجار از آنها استفاده م يشود. ولي با توجه به متغير بودن شرايط كار اغلب بايد در عمل چند انفجار آزمايشي جهت نعيين مقدار خرج ويژه انجام داد كه اين روند تا رسيدن به شرايط مطلوب م يتواند طولاني و هزينه بر باشد . به همين منظور با استفاده از داده هاي تجربي كه از معدن بدست آمده و شبك ه هاي عصبي ، در اين مقاله سعي شده است تا با ارائه مدلي بر اساس نظريه شبكه هاي عصبي امكان پيش بيني خرج ويژه در انفجار معادن با دقت و سرعت زيادتر ي ميسر شود . بدين منظور در اين مطالعه كاربرد شبكه هاي عصبي براي پيش بيني خرج ويژه بر اساس يكسري مشاهدات و پارامترهاي ورودي نشان داده شده است. ورود يها شامل پنج عامل زمين شناسي: 1) توصيف توده سنگ، 2) جهت صفحه درزه، 3) فاصله داري صفحه درزه، 4) شاخص وزن مخصوص و 5) سختي، م يباش د و خروج ي آن خرج ويژ ه است. در توسعه مدل از شبكه عصبي چند لايه پيش خور با الگوريتم آموزش پس انتشار، تابع سيگموييد به عنوان تابع تحريك و داده هاي آموزشي از معدن چادرمل و استفاده ش ده است . در نهايت مدل با يك ورودي ، دو لايه پنهان و يك خروجي براي پيش بيني خرج ويژه تعيين ش د . مدل در معدن چادرملو آزمايش شد و با مقدار خرج ويژه معدن مقايسه گرديد، متوسط خرج ويژه در ماده معدني و با طله به ترتيب 0/23 و 0/2 كيلوگرم بر تن بود و خرج ويژه پيش بيني شده با مدل 0/2349 و 0/2007 كيلوگرم بر تن بدست آمد كه خطايي به ترتيب 0/0049 و 0/0007 كيلوگرم بر تن را نشان مي دهد. علاوه بر دقت، مدل از اين انعطا ف پذيري نيز برخوردار است كه در شرايط متفاوت با پارامتر هاي موثر موجود در هر معدن ميزان خرج ويژه را پيش بيني كند.

كلمات كليدي:

خرج ويژه، شبكه هاي عصبي