linear multivariate regression
در نشریات گروه مهندسی معدن-
در این تحقیق، مطالعه جامعی به منظور پیشبینی پرتاب سنگ به عنوان یک پدیده رایج و نامطلوب ناشی از عملیات آتشباری در معدنکاری روباز صورت گرفته است. علیرغم در دسترس بودن چندین مدل تجربی برای پیش بینی فاصله پرتاب سنگ، پیچیده بودن ارزیابی پرتاب سنگ موجب کاهش کارایی این مدلها شده است. بنابراین، از روش های آماری و هوشمند مصنوعی قدرتمند برای پیش بینی پرتاب سنگ در معدن مس سونگون در ایران استفاده شده است. برای این منظور، روش رگرسیون چندمتغیره خطی (LMR) الگوریتم رقابت استعماری (ICA) سیستم استنتاج عصبی-فازی تطبیقی (ANFIS) و شبکه عصبی مصنوعی برای پیش بینی پرتاب سنگ با در نظر گرفتن پارامترهای موثر شامل قطرچال، گلگذاری، بارسنگ، خرج ویژه و حداکثر خرج در هر تاخیر مورد استفاده قرار گرفته ا ست. با توجه به نتایج به د ست آمده، شبکه ع صبی با ساختار 5 ورودی، 8 نرون در لایه پنهان و یک خروجی با الگوریتم یادگیری لونبرگ – مارکوارت (ML) و 2 توابع انتقال لگاریتمی سیگمویید به عنوان بهترین شبکه با مقادیر جذر میانگین مربعات خطا (RMSE (و ضریب همب ستگی (R) به ترتیب برابر با 04/5 متر و 6/95 درصد برای پیشبینی پرتاب سنگ انتخاب گردید. همچنین نتایج نشان داد که روش ICA دارای قابلیت نسبتا بالایی در پیش بینی پرتاب سنگ میباشد و روش های LMR و ANFIS نیز در رده های بعدی قرار گرفتند. در نهایت، آنالیز حساسیت نشان داد که پارامترهای خرج ویژه و قطر چال بیشترین تاثیر را بر روی پرتاب سنگ در این تحقیق دارد.
کلید واژگان: پرتاب سنگ، رگرسیون چند متغیره خطی، الگوریتم رقابت استعماری، سیستم استنتاج عصبی - فازی تطبیقی، شبکه عصبی مصنوعیIn this research work, a comprehensive study is conducted to predict flyrock as a typical and undesirable phenomenon occurring during the blasting operation in open-pit mining. Despite the availability of several empirical methods for predicting the flyrock distance, the complexity of flyrock analysis has resulted in the low performance of these models. Therefore, the statistical and robust artificial intelligence techniques are applied for flyrock prediction in the Sungun copper mine in Iran. For this purpose, the linear multivariate regression (LMR), imperialist competitive algorithm (ICA), adaptive neuro-fuzzy inference system (ANFIS), and artificial neural network (ANN) methods are applied to predict flyrock with effective parameters including the blasthole diameter, stemming, burden, powder factor, and maximum charge per delay. According to the attained results, the ANN model with the structure of 5-8-1, Levenberg-Marquardt as the learning algorithm, and log-sigmoid (logsig) as the transfer functions are selected as the optimal network with the RMSE and R2 values of 5.04 m and 95.6% to predict flyrock, respectively. Also it can be concluded that the ICA technique has a relatively high capability in predicting flyrock, with the LMR and ANFIS models placed in the next. Finally, the sensitivity analysis reveal that the powder factor and blasthole diameters have the most importance on the flyrock distance in the present work.
Keywords: Flyrock distance, linear multivariate regression, Imperialist Competitive Algorithm, Adaptive Neuro-Fuzzy Inference System, Artificial Neural Network
- نتایج بر اساس تاریخ انتشار مرتب شدهاند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شدهاست. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که میخواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.