استفاده از روش‌های یادگیری ماشین و الگوریتم‌های فرا اکتشافی در پیش بینی عقب زدگی ناشی از عملیات انفجار در معادن

انفجار، به عنوان یکی از مراحل اساسی در عملیات معدن‌کاری، به منظور خرد کردن و جابه‌جایی توده سنگ مورد استفاده قرار می‌گیرد. تنها حدود 20 درصد از انرژی ماده منفجره برای انجام کار مفید صرف می‌شود. یکی از عوارض نامطلوب انفجار در معادن روباز عقب‌زدگی است که علاوه بر کاهش کیفیت خردایش، باعث افزایش هزینه‌های عملیاتی و کاهش ایمنی پله‌ها می‌شود. یک از ابزارهای موثر برای کنترل این پدیده می‌تواند مدلسازی میزان عقب‌زدگی و بازشناسی مهم‌ترین پارامترهای موثر بر آن باشد. در این مقاله سعی شده است تا با استفاده از روش‌های مختلف یادگیری ماشین، میزان عقب‌زدگی در معادن مدل‌سازی شود. مدل‌های جنگل تصادفی، k-نزدیک‌ترین و پرسپترون چند لایه برای این مدلسازی در نظر گرفته‌شده و پس از بهینه‌سازی به کمک الگوریتم جستجوی ممنوعه مورد ارزیابی و مقایسه قرار گرفته‌اند. در نهایت مدل جنگل تصادفی با ضریب تعیین 0.97547 به عنوان بهترین مدل برای این مدلسازی شناخته شد که می‌تواند پیش‌بینی دقیقی از این پارامتر ارائه کند. سایر مدل‌های مورد استفاده نیز پس از بهینه‌سازی نتایج قابل قبولی از خود نشان داده‌اند.