مقاله (قسمت دوم)؛
پيش‌بيني كيفيت انفجار در معدن سنگ‌آهن گل‌گهر با استفاده از شبكه‌هاي عصبي، رگرسيون چند متغيره لجستيك
بررسي كيفيت انفجار، يكي از مسائلي است كه در معادن توجه زيادي به آن مي‌شود.
شبكه‌هاي عصبي با الهام از ساختار مغز انسان و عملكرد آن به‌وجود آمده‌اند و تا به حال نتايج شگفت‌آوري به دنبال داشته‌اند. امروزه با استفاده از هوش محاسباتي سيستم‌هايي ساخته شده كه قابليت يادگيري دارند. اين سيستم‌ها مي‌توانند در محيط متغير كار كنند[6-4].
شبكه‌هاي عصبي اطلاعات را براساس آموزش قبلي پردازش مي‌كنند. براي حل هر مساله، شبكه‌هاي عصبي سه مرحله را طي مي‌كنند: آموزش، تعميم، اجرا.
آموزش فرآيندي است كه طي آن شبكه ياد ميگيرد تا الگوي موجود در ورودي‌ها را كه به‌صورت مجموعه داده‌هاي آموزشي است، بشناسد. در اين مرحله مجموعه داده‌هاي آموزشي شامل مقادير متغيرهاي ورودي و جواب مرتبط با آن به شبكه وارد مي‌شود. اين امر امكان يادگيري شبكه را فراهم مي‌كند. براي اين منظور شبكه عصبي از مجموعه‌اي از قوانين يادگيري كه نحوه يادگيري را تعريف مي‌كنند استفاده مي‌كند. تعميم، توانايي شبكه براي ارايه جواب قابل قبول در قبال ورودي‌هايي كه در مجموعه آموزشي نبوده‌اند، است. استفاده از شبكه براي انجام عملكردي كه به منظور آن طراحي شده را اجرا مي‌نامند[7].
در اين تحقيق براي ارزيابي داده‌ها به وسيله شبكه عصبي از نرم‌افزار Alyuda NeuroIntelligence استفاده شده كه اين نرم‌افزار به دو صورت دستي و خودكار داده‌ها را به سه گروه آموزش و آزمون تقسيم مي‌كند.
اين كار در بخش Analayze صورت ميگيرد. بررسي كيفيت انفجار معدن گل‌گهر با استفاده از شبكه‌هاي عصبي ورودي و خروجي در نظر گرفته شده مطابق جدول 3 است. در اين بخش 50 داده در دسترس به سه بخش آموزش، تست و اعتبارسنجي تقسيم شدند كه سهم هر يك از اين بخش‌ها به ترتيب برابر 30، 10 و سري داده است.
از آنجايي كه مقادير خروجي متناظر به هر بردار و ورودي معلوم است و در شبكه وارد مي‌شود، بنابراين يادگيري با ناظر است. در اينجا بهترين قانون يادگيري با ناظر، قانون يادگيري پس انتشار خطا است. در نتيجه از اين روش، به‌عنوان قانون يادگيري تمام شبكه‌هاي تحت آزمايش به‌كار گرفته شده است.
توابع انتقالي كه براي هر نرون در هر لايه مورد آزمايش قرار گرفته شد از نوع سيگموييد بوده‌اند كه از جمله كاربردي‌ترين توابع انتقال در حل مسائل مهندسي به شمار مي‌رود. اين شبكه 4 نرون در لايه ورودي و يك نرون در لايه خروجي دارد. از بين شبكه‌هاي مفروض، شبكه بهينه دو لايه پنهان با 31 نرون در لايه پنهان اول و 2 نرون در لايه پنهان دوم دارد(شكل 1). اين شبكه كمترين خطاي شبكه را در بين شبكه‌هاي طراحي شده دارد كه برابر4- 10× 86/5 است (شكل 2).
ميزان CCR اين شبكه 66/96 است و خطاهاي مربوط به آموزش، تست و اعتبارسنجي اين شبكه به ترتيب برابر 7- 10×49/2، 4- 10×5 و 3-10×8/4 به‌دست آمد. برخي از مشخصات مربوط به اين شبكه عصبي در جدول 9 آورده شده است.
براي مشخص كردن شدت تأثير هر يك از پارامتر‌هاي ورودي بر پارامتر خروجي، آناليز حساسيت انجام شد كه نتايج آن در جدول 10 نشان داده شده است.
همان‌طور كه از جدول فوق مشخص است ميزان اهميت هر يك از پارامتر‌ها تقريبا به يكديگر نزديك است، اما ميزان عقب‌زدگي و سنگ‌هاي بزرگ‌تر از d20 با درصد اهميت تقريبا برابر بيشترين تاثير را بر كيفيت انفجار دارند.
6. نتيجه‌گيري
بعد از تعيين پارامتر‌هاي موثر بر خردايش در معدن سنگ‌آهن گل‌گهر و آناليز آنها به وسيله شبكه‌هاي عصبي و رگرسيون چند متغيره لجستيك، الگوي مناسب جهت انجام انفجار در اين معدن ارايه شد. پس از انجام آناليز حساسيت و تحليل‌هاي آماري صورت گرفته بر خروجي‌ها مدلسازي انجام شده، نتايج زير حاصل شد:
هر چند جمع‌آوري داده‌هاي مورد نياز براي شبكه عصبي بسيار مشكل است، اما بعد از انجام تجزيه و تحليل‌هاي لازم به‌دست آوردن نتايج خيلي سريع صورت ميگيرد به‌طور كلي مي‌توان شبكه‌هاي عصبي را به‌عنوان يكي از راه‌هاي مناسب براي بررسي انفجار در معادن مطرح معرفي كرد.
همچنين استفاده از رگرسيون لجستيك براي بررسي كيفيت انفجارها در معدن گل‌گهر روشي جالب توجه است. اين روش در معدن سنگ‌آهن گل‌گهر با ضريب همبستگي 8/0 جواب بسيار مناسبي را براي پيش‌بيني كيفيت داشت. البته شبكه‌هاي عصبي در اين زمينه با ضريب همبستگي (CCR) جواب بهتري ارايه داد كه نسبت به رگرسيون لجستيك قابل اعتمادتر است.
7. منابع
[4]. منهاج، محمد باقر، 1384، مباني شبكه‌هاي عصبي، جلد اول، انتشارات دانشگاه اميركبير.
[5]. شالكف؛ رابرت، ت: جورابيان، محمود، زارع، طناز، استوار، اميد، 1382، شبكه‌هاي عصبي مصنوعي، انتشارت دانشگاه شهيد چمران.
[6]. كيا مصطفي، 1387، آموزش شبكه‌هاي عصبي در مطلب، انتشارات قبا.
[7]. مهدي زاده، محمد باقر، شبكه‌هاي عصبي مصنوعي و كاربرد آن در مهندسي عمران، انتشارات عبادي، تبريز.
[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.
پديدآورندگان:
ايمان عنايت‌الهي فارغ‌التحصيل دانشكده تحصيلات تكميلي و احمد اسدي عضو هيات علمي دانشگاه آزاد اسلامي واحد تهران جنوب