جواد غضنفری نیا - کارشناس ارشد استخراج معدن، دانشگاه آزاد اسلامی واحد علوم و تحقیقات

برای تعیین خرج ویژه در انفجار معادن روباز روابط مختلفی موجود است که در ضمن طراحی الگوی انفجار از آنها استفاده م یشود. ولی با توجه به متغیر بودن شرایط کار اغلب باید در عمل چند انفجار آزمایشی جهت نعیین مقدار خرج ویژه انجام داد که این روند تا رسیدن به شرایط مطلوب م یتواند طولانی و هزینه بر باشد . به همین منظور با استفاده از داده های تجربی که از معدن بدست آمده و شبک ه های عصبی ، در این مقاله سعی شده است تا با ارائه مدلی بر اساس نظریه شبکه های عصبی امکان پیش بینی خرج ویژه در انفجار معادن با دقت و سرعت زیادتر ی میسر شود . بدین منظور در این مطالعه کاربرد شبکه های عصبی برای پیش بینی خرج ویژه بر اساس یکسری مشاهدات و پارامترهای ورودی نشان داده شده است. ورود یها شامل پنج عامل زمین شناسی: 1) توصیف توده سنگ، 2) جهت صفحه درزه، 3) فاصله داری صفحه درزه، 4) شاخص وزن مخصوص و 5) سختی، م یباش د و خروج ی آن خرج ویژ ه است. در توسعه مدل از شبکه عصبی چند لایه پیش خور با الگوریتم آموزش پس انتشار، تابع سیگمویید به عنوان تابع تحریک و داده های آموزشی از معدن چادرمل و استفاده ش ده است . در نهایت مدل با یک ورودی ، دو لایه پنهان و یک خروجی برای پیش بینی خرج ویژه تعیین ش د . مدل در معدن چادرملو آزمایش شد و با مقدار خرج ویژه معدن مقایسه گردید، متوسط خرج ویژه در ماده معدنی و با طله به ترتیب 0/23 و 0/2 کیلوگرم بر تن بود و خرج ویژه پیش بینی شده با مدل 0/2349 و 0/2007 کیلوگرم بر تن بدست آمد که خطایی به ترتیب 0/0049 و 0/0007 کیلوگرم بر تن را نشان می دهد. علاوه بر دقت، مدل از این انعطا ف پذیری نیز برخوردار است که در شرایط متفاوت با پارامتر های موثر موجود در هر معدن میزان خرج ویژه را پیش بینی کند.

خرج ویژه، شبکه های عصبی