ارائه مدل ریاضی برای پیش‌بینی خردایش حاصل از انفجار با در نظر گرفتن سرعت امواج کشسانی

عملیات انفجار یکی از مراحل حیاتی در استخراج معادن روباز است و تاثیر زیادی بر راندمان سایر مراحل معدنکاری دارد. پیش‌بینی خردایش ناشی از انفجار از اهمیت ویژه‌ای برخوردار است و در این راستا، مدل‌های ریاضی و هوشمند به‌منظور بهبود دقت پیش‌بینی‌ها توسعه یافته‌اند. در این مطالعه، معدن شماره یک گل‌گهر به عنوان مطالعه موردی انتخاب شد. با استفاده از دستگاه لرزه‌نگار درون‌چاهی، سرعت امواج کشسانی (طولی و عرضی) برای سیزده بلوک انفجاری اندازه‌گیری گردید و کیفیت خردایش با استفاده از روش آنالیز تصویری ارزیابی شد. دو مدل ریاضی مبتنی بر رگرسیون چندمتغیره توسعه یافت: یکی مدل خطی و دیگری مدل غیرخطی. نتایج نشان داد که مدل غیرخطی با ضریب تعیین 95% عملکرد بهتری نسبت به مدل خطی با ضریب تعیین 80% داشت. این مطالعه نشان داد که لحاظ کردن ویژگیهای امواج کشسانی توده سنگ می تواند بهبود قابل توجهی در پیش بینی خردایش انفجار ارائه دهد.

development of a mathematical model for predicting blast-induced fragmentation considering elastic wave velocities

blasting is a critical step in open pit mining and has a significant impact on the efficiency of other mining operations. predicting blasting fragmentation is of particular importance, and in this regard, mathematical and intelligent models have been developed to improve the accuracy of predictions. in this study, golgohar mine no. 1 was selected as a case study. using a downhole seismograph, the elastic wave velocities (longitudinal and transverse) were measured for thirteen blast blocks, and the quality of the fragmentation was evaluated using an image analysis method. two mathematical models based on multivariate regression were developed: one was a linear model and the other was a nonlinear model. the results showed that the nonlinear model with a determination coefficient of 95% performed better than the linear model with a determination coefficient of 80%. these findings indicate that considering the elastic wave characteristics of the rock mass can significantly increase the accuracy of predicting blasting fragmentation. therefore, using these advanced models can help improve the mining process and reduce costs. this study also emphasizes the importance of using seismic data in optimizing blasting operations.