مدل‌سازی آماری و هوشمند وضعیت پایداری سطوح مختلف کارگاه‏های باز زیرزمینی بر مبنای روش نمودار پایداری

روش نمودار پایداری رایج ترین روش پیش بینی پایداری سطوح کارگاه های باز زیرزمینی در معادن فلزی است. به دلیل تجربی بودن این روش و عدم وجود یک نمودار یکتا برای تمام شرایط، و همچنین استفاده از یک نمودار برای سقف و دیواره هاریسک های ناشی از خطاهای تفسیر نتایج در این روش زیاد است. در این مقاله مدل های جدید پیش‌بینی وضعیت پایداری کارگاه ها بر مبنای پارامترهای ورودی روش نمودار پایداری به طور مجزا برای ارزیابی سقف و دیواره ها  با استفاده از روش های رگرسیون منطقی و ماشین بردار پشتیبان باز توسعه داده شده و نتایج با نمودار پایداری سنتی مقایسه شده‌است. برای این منظور از پایگاه داده ای معادن کارگاه باز کانادا و غنا استفاده شده است. نتایج نشان داد دقت پیش بینی وضعیت پایداری سقف با استفاده از روش های نمودار پایداری، مدل رگرسیون منطقی و مدل  svm به‌ترتیب برابر با 29 درصد، 86 درصد و 95 درصد و به همین ترتیب در پیش بینی حالت پایداری دیواره ها برابر با 71 درصد، 81 درصد و 90 درصد بوده‌است. این نتایج موید عملکرد بهتر مدل های جدید نسبت به نمودار پایداری سنتی هستند. علاوه بر این نتیجه گرفته شد که مدل svm دارای بیشترین بهترین عملکرد در مدل سازی وضعیت پایداری سطوح مختلف کارگاه های باز زیرزمینی است یافته های این مقاله نشان داد که جدا کردن ارزیابی پایداری سقف و دیواره ها و استفاده از روش های هوشمند و آماری باعث افزایش قابلیت اطمینان پیش بینی ها نسبت به روش مرسوم نمودار پایداری می‌شود که می توان از این طریق به طور موثری با کمترین میزان خطا وضعیت پایداری سطوح  مختلف کارگاه را ارزیابی و بر این اساس طراحی های روش استخراج کارگاه باز را انجام داد.

Statistical and intelligent modeling of underground open stope stability based on the stability graph method

Summary This paper presents statistical and intelligent models to predict stability of different surfaces in underground open stope mining method on the basis of the stability graph method. For this purpose, logistic regression and support vector machine were used to predict the stability state of walls and back, separately. Introduction The open stope mining method can be considered as the most common method for underground mining of hard rock metal mines around the world. The most common method for the design and evaluation of stopes in the mining technique is the stability graph method which was introduced by Mathews et al. in 1981. The stability graph method is based on data collected from different mines including hydraulic radius, stability number (tunneling modified quality index, rock stress factor, joint adjustment factor, and gravity factor), and related stability conditions. The empirical nature of this method, which results in uncertainties in the values of the parameters, and the existence of different types of charts with different stability regions, interpreting the results becomes a challenge. This increases the risk of error in interpreting the results. In addition to these problems, considering the same conditions for all surfaces, such as walls and back, causes obvious errors in the results of this method. In this regard, this paper incorporated statistical and intelligent methods to predict stability state for a database of open stopes by means of stability graph parameters. The novelty of this paper in addition to the used methods is developing models for evaluation of walls and back separately.   Methodology and Approaches New models to predict the stability state of walls and surface of underground open stopes were developed by using statistical and intelligent techniques. For this purpose, logistic regression (LR), as the most common statistical method for classification, was used. Besides, support vector machine (SVM), which is based on the machine learning theory, was applied as a powerful intelligent technique for classification problems.   Results and Conclusions Results of developed models were compared to those of the stability graph method. The following main conclusions were derived from this study: The accuracy of back stability prediction by using the stability graph method, LR and SVM were 29%, 86%, and 95%, respectively. The accuracy of wall stability prediction by using the stability graph method, LR and SVM were 71%, 81%, and 90%, respectively. In comparison with the stability graph method, LR models of back and walls increase the accuracy of predictions by 57% and 10%, respectively. In comparison with the stability graph method, SCM models of back and walls increase the accuracy of predictions by 66% and 19%, respectively. It was concluded that SVM models possess higher performance in the prediction of stable states when compared to the LR models.