پیش‌‏بینی و بهینه‏‌سازی خردایش سنگ ناشی از انفجار با استفاده از روش‏‌های ترکیبی محاسبات نرم در معدن مس نارباغی

عملیات انفجار در معادن روباز یکی از مراحل پرهزینه و مهم چرخه تولید محسوب می‌شود. طراحی نامناسب الگوی انفجار علاوه بر بروز پیامدهای نامطلوب ازجمله خردایش نامطلوب، پرتاب سنگ و لرزش زمین، باعث افزایش سایر هزینه‌های معدنکاری نیز می‌شود.‌ در این پژوهش با استفاده از اطلاعات 60 عملیات انفجار در معدن مس نارباغی، شامل متغیرهای بارسنگ، فاصله‌داری چال‌، ارتفاع پله‌ها، تعداد چال‌ و تعداد ردیف‌، مدلی برای پیش‌بینی و بهینه‏سازی خردایش ارائه شده است. بدین منظور، از روش شبکه عصبی مصنوعی برای پیش بینی خزدایش که نتایج دقیق‌تری از آن حاصل شده است، استفاده شد. شبکه عصبی سه لایه پس انتشار خطا، با 15 نرون در تک لایه پنهان و تابع انتقال نمایی و لگاریتم سیگموئید با ضریب تعیین 0.94، عملکرد بهتری در مقایسه با سایر روش‌ها به دست آورده است. برای مشخص نمودن میزان تاثیر پارامترهای ورودی بر خروجی مدل شبکه عصبی، تحلیل حساسیت انجام شده ‌است که بر این اساس متغیرهای بارسنگ و فاصله‌داری چال‌ به ترتیب بیشترین تاثیر و ارتفاع پله‌، کمترین تاثیر را در خردایش ناشی از انفجار در معدن موردمطالعه داشته است. در مرحله آخر، الگوی بهینه با استفاده از الگوریتم فرا ابتکاری کرم شب‌تاب محاسبه گردید که بر اساس آن بارسنگ از 2.5 متر به 1.8 متر، فاصله‌داری چال‌ها از3.0 متر به 2.25 و ارتفاع پله از 6 متر به 5.4 متر کاهش یافت. بدین ترتیب مقدار d50 با کاهش 59 تا 88 درصد بهینه‌سازی شد.

prediction and optimization of rock fragmentation induced by blasting using hybrid soft computing methods in the narbaghi copper mine

blasting operations in open-pit mines constitute a crucial and costly stage of the production cycle. poorly designed blast patterns can result in undesirable outcomes such as improper fragmentation، fly rock، and ground vibrations، leading to increased mining costs. this study presents a predictive and optimization model for rock fragmentation using data from 60 blasting operations in the narbaghi copper mine. the input parameters include burden، spacing، bench height، number of holes، and number of rows. an artificial neural network (ann) was employed for fragmentation prediction، yielding superior accuracy. a three-layer backpropagation ann with 15 neurons in a single hidden layer and exponential and logarithmic sigmoid activation functions demonstrated the best performance، achieving an r² value of 0.94. sensitivity analysis revealed that burden and spacing had the most significant impact، whereas bench height had the least effect on fragmentation. finally، the optimal blast pattern was determined using the firefly algorithm، leading to a reduction in burden from 2.5 m to 1.8 m، spacing from 3.0 m to 2.25 m، and bench height from 6.0 m to 5.4 m. consequently، the d50 value was optimized with a reduction of 59% to 88%