پیش‌بینی کیفیت انفجار در معدن سنگ‌آهن گل‌گهر با استفاده از شبکه‌های عصبی، رگرسیون چند متغیره لجستیک

4. شبکه‌های عصبی و پیش‌بینی کیفیت انفجار با استفاده از شبکه‌های عصبی
شبکه‌های عصبی با الهام از ساختار مغز انسان و عملکرد آن به‌وجود آمده‌اند و تا به حال نتایج شگفت‌آوری به دنبال داشته‌اند. امروزه با استفاده از هوش محاسباتی سیستم‌هایی ساخته شده که قابلیت یادگیری دارند. این سیستم‌ها می‌توانند در محیط متغیر کار کنند[6-4].
شبکه‌های عصبی اطلاعات را براساس آموزش قبلی پردازش می‌کنند. برای حل هر مساله، شبکه‌های عصبی سه مرحله را طی می‌کنند: آموزش، تعمیم، اجرا.
آموزش فرآیندی است که طی آن شبکه یاد می‌گیرد تا الگوی موجود در ورودی‌ها را که به‌صورت مجموعه داده‌های آموزشی است، بشناسد. در این مرحله مجموعه داده‌های آموزشی شامل مقادیر متغیرهای ورودی و جواب مرتبط با آن به شبکه وارد می‌شود. این امر امکان یادگیری شبکه را فراهم می‌کند. برای این منظور شبکه عصبی از مجموعه‌ای از قوانین یادگیری که نحوه یادگیری را تعریف می‌کنند استفاده می‌کند. تعمیم، توانایی شبکه برای ارایه جواب قابل قبول در قبال ورودی‌هایی که در مجموعه آموزشی نبوده‌اند، است. استفاده از شبکه برای انجام عملکردی که به منظور آن طراحی شده را اجرا می‌نامند[7].
در این تحقیق برای ارزیابی داده‌ها به وسیله شبکه عصبی از نرم‌افزار Alyuda NeuroIntelligence استفاده شده که این نرم‌افزار به دو صورت دستی و خودکار داده‌ها را به سه گروه آموزش و آزمون تقسیم می‌کند.
این کار در بخش Analayze صورت می‌‌گیرد. بررسی کیفیت انفجار معدن گل‌گهر با استفاده از شبکه‌های عصبی ورودی و خروجی در نظر گرفته شده مطابق جدول 3 است. در این بخش 50 داده در دسترس به سه بخش آموزش، تست و اعتبارسنجی تقسیم شدند که سهم هر یک از این بخش‌ها به ترتیب برابر 30، 10 و سری داده است.
از آنجایی که مقادیر خروجی متناظر به هر بردار و ورودی معلوم است و در شبکه وارد می‌شود، بنابراین یادگیری با ناظر است. در اینجا بهترین قانون یادگیری با ناظر، قانون یادگیری پس انتشار خطا است. در نتیجه از این روش، به‌عنوان قانون یادگیری تمام شبکه‌های تحت آزمایش به‌کار گرفته شده است.
توابع انتقالی که برای هر نرون در هر لایه مورد آزمایش قرار گرفته شد از نوع سیگمویید بوده‌اند که از جمله کاربردی‌ترین توابع انتقال در حل مسائل مهندسی به شمار می‌رود. این شبکه 4 نرون در لایه ورودی و یک نرون در لایه خروجی دارد. از بین شبکه‌های مفروض، شبکه بهینه دو لایه پنهان با 31 نرون در لایه پنهان اول و 2 نرون در لایه پنهان دوم دارد(شکل 1). این شبکه کمترین خطای شبکه را در بین شبکه‌های طراحی شده دارد که برابر4- 10× 86/5 است (شکل 2).
میزان CCR این شبکه 66/96 است و خطاهای مربوط به آموزش، تست و اعتبارسنجی این شبکه به ترتیب برابر 7- 10×49/2، 4- 10×5 و 3-10×8/4 به‌دست آمد. برخی از مشخصات مربوط به این شبکه عصبی در جدول 9 آورده شده است.
برای مشخص کردن شدت تأثیر هر یک از پارامتر‌های ورودی بر پارامتر خروجی، آنالیز حساسیت انجام شد که نتایج آن در جدول 10 نشان داده شده است.
همان‌طور که از جدول فوق مشخص است میزان اهمیت هر یک از پارامتر‌ها تقریبا به یکدیگر نزدیک است، اما میزان عقب‌زدگی و سنگ‌های بزرگ‌تر از d20 با درصد اهمیت تقریبا برابر بیشترین تاثیر را بر کیفیت انفجار دارند.

6. نتیجه‌گیری
بعد از تعیین پارامتر‌های موثر بر خردایش در معدن سنگ‌آهن گل‌گهر و آنالیز آنها به وسیله شبکه‌های عصبی و رگرسیون چند متغیره لجستیک، الگوی مناسب جهت انجام انفجار در این معدن ارایه شد. پس از انجام آنالیز حساسیت و تحلیل‌های آماری صورت گرفته بر خروجی‌ها مدلسازی انجام شده، نتایج زیر حاصل شد:
هر چند جمع‌آوری داده‌های مورد نیاز برای شبکه عصبی بسیار مشکل است، اما بعد از انجام تجزیه و تحلیل‌های لازم به‌دست آوردن نتایج خیلی سریع صورت می‌گیرد به‌طور کلی می‌توان شبکه‌های عصبی را به‌عنوان یکی از راه‌های مناسب برای بررسی انفجار در معادن مطرح معرفی کرد.
همچنین استفاده از رگرسیون لجستیک برای بررسی کیفیت انفجارها در معدن گل‌گهر روشی جالب توجه است. این روش در معدن سنگ‌آهن گل‌گهر با ضریب همبستگی 8/0 جواب بسیار مناسبی را برای پیش‌بینی کیفیت داشت. البته شبکه‌های عصبی در این زمینه با ضریب همبستگی (CCR) جواب بهتری ارایه داد که نسبت به رگرسیون لجستیک قابل اعتمادتر است.


7. منابع

[4]. منهاج، محمد باقر، 1384، مبانی شبکه‌های عصبی، جلد اول، انتشارات دانشگاه امیرکبیر.

[5]. شالکف؛ رابرت، ت: جورابیان، محمود، زارع، طناز، استوار، امید، 1382، شبکه‌های عصبی مصنوعی، انتشارت دانشگاه شهید چمران.

[6]. کیا مصطفی، 1387، آموزش شبکه‌های عصبی در مطلب، انتشارات قبا.

[7]. مهدی زاده، محمد باقر، شبکه‌های عصبی مصنوعی و کاربرد آن در مهندسی عمران، انتشارات عبادی، تبریز.

[8] M. G. S¸enyur, 1998, A Statistical Analysis of Fragmentation After Single Hole Bench Blasting, Rock Mechanics and Rock Engineering, p.181–196.

[9] Rustan, A. 1998, Rock Blasting Terms and Symols, Balkema.

[10] J. ALER, J. DU MOUZA, M. ARNOULD, 1996, Measurement of the Fragmentation Efficiency of Rock Mass Blasting and its Mining Applications, Pergamo, p.125-139.

[11] Ratan Raj, T. 2005, Surface and Underground Excavation, Balkema.

[12] N. V. MELNIOV, 1987, Blasting methods to improve rock Fragmentation, Pergamo, p.102-112.

[13] Lopez jimeno, C, 2005, Drilling and Blasting of Rocks, Balkema.

[14] Hustrulid. W, 2000, Blasting Principles for open pit mining Vol.1, Balkema.

[15] Mario A. Morin, Francesco Ficarazzo, 2006, Monte Carlo simulation as a tool to predict blasting fragmentation based on the Kuz–Ram model, Computers & Geosciences, p. 352–359.

[16] Sig o Olafson, 1998, Applied Explosives Technology for Construction, Balkema.

[17] H.T. Ozkahraman, 2006, Fragmentation assessment and design of blast pattern at Goltas Limestone Quarry, Turkey, International Journal of Rock Mechanics & Mining Sciences, p. 628–633.

[18] Persson,P., Holmberg,R., Lee,J.2002, Rock blasting & explosives engineering, CRC press.

پدیدآورندگان:
ایمان عنایت‌الهی فارغ‌التحصیل دانشکده تحصیلات تکمیلی و احمد اسدی عضو هیات علمی دانشگاه آزاد اسلامی واحد تهران جنوب

 

جداول: