Wyniki wyszukiwania - BazTech

1

Prediction of backbreak in the blasting operations using artificial neural network (ANN) model and statistical models (case study: Gol-e-Gohar iron ore mine No. 1)

Sirjani Abbas Khajouei, Sereshki Ferhang, Ataei Mohammad, Hosseini Mohammad Amir

Archives of Mining Sciences

|

2022

|

Vol. 67, no. 1

107--121

EN

Backbreak is an undesirable phenomenon in blasting operations, which can bedefined as the undesirable destruction of rock behind the last row of explosive holes. To prevent and reduce its adverse effects, it is necessary to accurately predict backbreak in the blasting process. For this purpose, the data obtained from 66 blasting operations in Gol-e-Gohar iron ore mine No. 1 considering blast pattern design Parameters and geologic were collected. The Pearson correlation results showed that the parameters of the hole height, burden, spacing, specific powder, number of holes, and the uniaxial compressive strength had a significant effect on the backbreak. In this study, a multilayer perceptron artificial neural network with the 6-12-1 architecture and six multiple linear and nonlinear statistical models were used to predict the backbreakin the blasting operations. The results of this study demonstrated that the prediction rate of backbreak using the artificial neural network model with R2 = 0.798 and the rates of MAD, MSE, RMSE and, MAPE were0.79, 0.93, 0.97 and, 11.63, respectively, showed fewer minor error compared to statistical models. Based on the sensitivity analysis results, the most important parameters affecting the backbreak, including the hole height, distance between the holes in the same row, the row spacing of the holes, had the most significant effect on the backbreak, and the uniaxial compressive strength showed the lowest impact on it.

2

Minimising backbreak at the Dewan Cement limestone quarry using an artificial neural network

Muhammad K., Shah A.

Archives of Mining Sciences

|

2017

|

Vol. 62, no. 4

795--806

EN

Backbreak, defined as excessive breakage behind the last row of blastholes in blasting operations at a quarry, causes destabilisation of rock slopes, improper fragmentation, minimises drilling efficiency. In this paper an artificial neural network (ANN) is applied to predict backbreak, using 12 input parameters representing various controllable factors, such as the characteristics of explosives and geometrical blast design, at the Dewan Cement limestone quarry in Hattar, Pakistan. This ANN was trained with several model architectures. The 12-2-1 ANN model was selected as the simplest model yielding the best result, with a reported correlation coefficient of 0.98 and 0.97 in the training and validation phases, respectively. Sensitivity analysis of the model suggested that backbreak can be reduced most effectively by reducing powder factor, blasthole inclination, and burden. Field tests were subsequently carried out in which these sensitive parameters were varied accordingly; as a result, backbreak was controlled and reduced from 8 m to less than a metre. The resulting reduction in powder factor (kg of explosives used per m3 of blasted material) also reduced blasting costs.

PL

Kruszenie części złoża poza obszarem prowadzonych prac strzałowych oznacza nadmierne pękanie skał poza ostatnim rzędem otworów strzałowych w trakcie prac w kamieniołomach i prowadzi do destabilizacji górotworu poprzez zmianę nachylenia warstw skalnych, powoduje niepotrzebną fragmentację skał i obniża efektywność prac wiertniczych. W pracy tej wykorzystano sztuczną sieć neuronową (ANN) do przewidywania zasięgu kruszenia dalszej części złoża przy wykorzystaniu 12 parametrów wejściowych. Parametry te opisują różne zmienne czynniki, np. charakterystyka materiału wybuchowego czy przyjęty plan prac strzałowych w kamieniołomie Deewan w regionie Hattar w Pakistanie. Prowadzono proces uczenia sieci dla różnej architektury modelu, wybrano model 12-2-1 ANN, jako model najprostszy, zapewniający najlepszy wynik a współczynniki korelacji uzyskane dla fazy uczenia i walidacji wyniosły odpowiednio 0.98 i 0.97. Przeprowadzona analiza wrażliwości modelu wykazała że zasięg kruszenia dalszych części złoża obniżyć można poprzez zmianę parametrów ładunku strzelniczego, zmianę nachylenia otworów strzałowych oraz zmianę przybitki. Badania terenowe w czasie których ulegały zmianie wartości wyżej wymienionych wrażliwych parametrów wykazały, że zasięg kruszenia złoża poza obszarem prac strzałowych ograniczono z uprzednich 8 m do wielkości poniżej jednego metra. Obniżenie współczynnika charakteryzującego ładunek (kg zastosowanego materiału wybuchowego przypadający na 1 m3 rozkruszonego materiału skalnego) pozwoliło także na obniżenie kosztów prac strzałowych.

3

Prediction of backbreak in open pit blasting by Adaptive Neuro-Fuzzy Inference System

Bazzazi A. A., Esmaeili M.

Archives of Mining Sciences

|

2012

|

Vol. 57, no. 4

933--943

EN

Adaptive neuro-fuzzy inference system (ANFIS) is powerful model in solving complex problems. Since ANFIS has the potential of solving nonlinear problem and can easily achieve the input-output mapping, it is perfect to be used for solving the predicting problem. Backbreak is one of the undesirable effects of blasting operations causing instability in mine walls, falling down the machinery, improper fragmentation and reduction in efficiency of drilling. In this paper, ANFIS was applied to predict backbreak in Sangan iron mine of Iran. The performance of the model was assessed through the root mean squared error (RMSE), the variance account for (VAF) and the correlation coefficient (R2) computed from the measured of backbreak and model-predicted values of the dependent variables. The RMSE, VAF, R2 indices were calculated 0.6, 0.94 and 0.95 for ANFIS model. As results, these indices revealed that the ANFIS model has very good prediction performance.

PL

Adaptywny system wnioskowania wykorzystujący elementy sieci neuronowych i logiki rozmytej (ANFIS) stanowi potężny narzędzie do rozwiązywania złożonych problemów. Ponieważ model ANFIS może być wykorzystywany do rozwiązywania problemów nieliniowych i umożliwia wygodne przedstawienie problemu w formie: wejście - wyjście, jest idealnym narzędziem do rozwiązywania problemów związanych z prognozowaniem. Pękanie skał w odkrywce jest jednym z niekorzystnych skutków prowadzenia prac strzałowych, powoduje niestabilność ścian, uszkodzenia maszyn i urządzeń, nieodpowiednią fragmentację skał oraz prowadzi do obniżenia efektywności wierceń. W pracy przedstawiono zastosowanie systemu ANFIS do prognozowania pękań skał w kopalni rud żelaza w Sangan (Iran). Działanie modelu zbadano na podstawie wartości błędu średniokwadratowego (RMSE), wariancji (VAF) i współczynnika korelacji (R2) obliczonego na podstawie pomiarów pęknięć skał i wartości uzyskanych z modelowania. Wartości wskaźników RMSE, VAF i R2 obliczonych przy użyciu modelu ANFIS wynoszą odpowiednio 0.6, 0.94 i 0.95. Wielkości te wyraźnie potwierdzają wysoką skuteczność modelu.