بررسي كاربرد شبكههاي عصبي در پيشبيني ابعاد سنگ پس از...

1386مهر 26 الي 24 -سومين كنفرانس مكانيك سنگ ايران ايران- تهران- صنعتي اميركبير دانشگاه

1005

بيني هاي عصبي در پيشبررسي كاربرد شبكه ابعاد سنگ پس از انفجار

∗∗∗احمد اسدي ; ∗∗ بهاره عاصي; ∗سيد كاظم اورعي

چكيده ده از قبيل تخمين، تشخيص الگو و عصبي ابزاري قدرتمند براي حل مسائل پيچيهاي امروزه شبكه

پس از يني ابعاد سنگ خرد شده ب در اين مقاله با هدف پيش.بندي انواع متغيرها هستندطبقههاي ، ابتدا توانايياز يك شبكه عصبي چند اليه با الگوريتم آموزش پس انتشارانفجار با استفاده

سپس با . ميزان خردشدگي سنگ پس از انفجار بررسي شده است عصبي در تعيين تئوري شبكه، مدلي ارائه شده كه بتواند ميزان Matlabافزار نرمهاي عصبي و با استفاده ازگيري از شبكهبهره

هاي آناليز تصويري و در نهايت با استفاده از روش. خردشدگي سنگ پس از انفجار را تخمين بزند-راملر و كازرم ميزان دقت پيش-بيني خردايش از قبيل مدل الرسون، روزينهاي تجربي پيشمدل

ز براساس ميانگين مربعات خطا انجام مدل مورد ارزيابي قرار گرفته و اعتبارسنجي مدل نيبيني .شده است

معادن روباز، خردايش سنگ، شبكه عصبي : كليديواژه هاي

مقدمه -1ترين عوامل تاثيرگذار بر سيكل عمليات بارگيري و باربري، خردشدگي مطلوب سنگ است يكي از مهم

خوب، سهولت انجام اولين تأثير يك انفجار. شودكه با طراحي مناسب عمليات انفجاري حاصل ميهاي كاهش چشمگير هزينهزشكني و نيمراحل بعدي معدنكاري از جمله بارگيري، حمل و سنگ

-، درجه خردايش عامل مهمي در پايداري شيب دامپ باطله به شمار مينيعالوه بر ا. استشيخردا دآوريفزايش سوبندي سنگ حاصل از انفجار سبب ابيني دانه پيشيبنابراين ارائه مدلي برا. رود

ميزان عصبي در تعيين هاي تئوري شبكههدف از اين تحقيق، بررسي توانايي .شودمعدن ميهاي گيري از شبكهبه اين منظور در مرحله اول با بهره. باشدخردشدگي سنگ پس از انفجار مي

سپس . باشدعصبي، مدلي ارائه شد كه توانايي تخمين ميزان خردشدگي سنگ پس از انفجار را داشتهبيني خردايش از قبيل مدل الرسون، هاي تجربي پيشمدلهاي آناليز تصويري و با استفاده از روش

،مطالعه موردي اين تحقيق .مدل مورد ارزيابي قرار گرفتبيني راملر و كازرم ميزان دقت پيش-روزين .باشد ميون تن ميلي2/191اي معادل با ذخيره سنگ آهن گل گهرمعدن آنومالي شماره يك

uk.ac.stir@1SKO: جنوباستاديار دانشگاه آزاد اسالمي واحد تهران ∗ . com.mine-kavoshgaran@basi : مهندسين مشاور كاوشگران;كارشناس ارشد استخراج معدن ∗∗ . com.yahoo@6asadi: استاديار دانشگاه آزاد اسالمي واحد تهران جنوب∗∗∗


1006

هاي عصبيشبكه -2اين عناصر از . كننداي هسند كه به موازات يكديگر كار ميهاي عصبي تركيبي از عناصر سادهشبكه

دهد، تابع شبكه به همان صورتي كه در طبيعت رخ مي. هاي عصبي زيستي الهام گرفته استسيستمبي اين هاي عصشبكهويژگي ترين لوبمط. شودبطور وسيعي بوسيله اتصاالت بين عناصر تعيين مي

ها و هاي عصبي در مدلشبكه. شوندهاي يادگيري حل ميماست كه در آنها مسائل از طريق الگوريتدر . ]2[اندهاي چند اليه ساخته شدههاي هاپيلد، شبكههاي كوهونن، شبكهانواع مختلفي از جمله شبكه

تمامي . انفجاري مورد ارزيابي قرار گرفتالگو 50اين تحقيق براي آموزش شبكه عصبي، بيش از ، از روش آناليز سپس. ذخيره شدبانك اطالعاتيآوري و در يك مشخصات الگوهاي انفجاري جمع

به اين منظور ابتدا . پس از انفجار استفاده شدتعيين توزيع ابعادي قطعات سنگجهت تصويريافزارهاي ز ديجيتايز كردن توسط يكي از نرم پس ا سطح توده حاصل از انفجار تهيه وتصاويري از

در اين . بدست آمد بندي دانه آن نمودارهاي براساس و گرديده لي تحل،)GoldSize 2.0(آناليز تصويري عكس از جبهه كار گرفته شد و سپس به كمك 50 تا 25 پس از هر انفجار در حين بارگيري، بين تحقيق

در معدن سنگ آهن . گرديد سنگ ترسيم ابعادي توزيع منحني Goldsizeنرم افزار آناليز تصويري سعي شد اين تحقيقدر . شود نتيت بااليي و مگنتيت پائيني استخراج ميگر سه نوع سنگ اكسيد، مهگ گل. ارزيابي قرار گيرددمور سه نوع سنگ بندي هر ي شوند تا دانهباي انتخا انفجاري بگونهالگو 50تا

در نهايت با استفاده .گيري شد ي روباره و باطله در هنگام بارگيري شاول اندازهبند همچنين توزيع دانههاي انفجاري الگوهايآوري شده از با اطالعات جمعاين مدل. مدلي تهيه شدMATLABافزار از نرم

با كهاي آموزش داده شد بگونه آنبندي حاصل از آناليز تصويري و نمودارهاي دانهمعدن گل گهر اندازه توانمي ، آناليز تصويري بدون نياز به استفاده از روشآتشباريد كردن مشخصات الگوي وار

را كنند از آن عبور مي حاصل از انفجار الگوهاي مختلفهايسنگ درصد 50 و 80سرندي كه بترتيب .بيني نمودپيش

پارامترهاي ورودي و خروجي -2-1د محدوديت در تعداد پارامترهاي ورودي است كه اين عصبي، عدم وجوهاي مدل شبكه يكي از قابليتبيني خردايش با پيشبراي. باشدبيني خردايش مي پيشيها مدل نسبت به ساير مدليايويژگي از مزا

ر خردايش سنگ داشتند، بعنوان گيري كه بيشترين تأثير را ب پارامتر قابل اندازه14هاي عصبي، شبكه . در نظر گرفته شد) 1جدول (روجي پارامتر خ3و پارامتر ورودي

پارمترهاي ورودي و خروجي مدل- 1جدول ابعادمشخصات

ارتفاع چال Burden Spacing انفجاريالگو

عمق آب در چال آبوجود وزن مخصوص نوع سنگ توده سنگمشخصاتپارامترهاي ورودي

بوستر اكريزيطول خ منفجرهطول ماده ويژه خرج منفجرهماده انفجارمشخصات ضريب يكنواختي d80 d63.5 d50 پارامترهاي خروجي

مدلساختار -2-2 آموزش تمي بخش مراحل ساخت مدل با استفاده از شبكه عصبي چند اليه پيش خور با الگورنيدر ا


1007

ي ورود50 قي تحقني كه در اي ورودR مدل ساده با كي، )1( شكل در. شده استپس از انتشار ارائه ، وزن داده )w( مناسب ي وزنبي ضركي با ،يبه هر ورود. شده، نشان داده شده استدرنظر گرفته

يبرا. دهندي ملي را تشكf تابع محرك ي وروداس،ي وزن داده شده و باياهيمجموع ورود. شوديم ]3[ . استفاده كردي از توابع محرك متفاوتتواني موردنظر مي خروججاديا

يصب مدل ساده شبكه ع):1( شكل

هاييورود. استفاده شده استديگموئي از تابع محرك تانژانت سياني پنهان مهي دوالي مدل، براني ادر ي تا منفتينهايمثبت ب (ري نشان داده شده است، شامل تمام مقادزين) 2( تابع همانطور كه در شكل نيا .دكني مريي تغكي صفر تا ني آن بهايي كه خروجي درحالباشد،يم) تينهايب

ديگموئي تابع محرك تانژانت س):3( شكل ي تابع محرك خط):2( شكل

. استفاده شده است) 3شكل (purelin ي خور از تابع محرك خطشي پهي شبكه چند الي خروجهي الدر ي كوچكيلي شبكه در دامنه خهاييروج استفاده شود، خديگموئي سهاي آخر شبكه از نرونهياگر در ال

را يرا هر مقدهايروج داشته باشند، خي تابع محرك خطي خروجهي الهاياما اگر نرون. درنگييم قرار-مي سانتيمتر80 تا 20بين از آنجا كه خروجي مدل ابعاد سنگ پس از انفجار. داشته باشندتواننديم

هاي شبكهدر . استفاده شده استpurelinرسد از تابع خطي متر نيز مي سانتي150باشد و گاهي تا استفاده شود كه مشتق آنها ي مسئله قابل توجه است كه از توابع محركنيعصبي چند اليه پيش خور ا

و ي خطهاي ارتباطيريگادي امكان يرخطي با توابع محرك غهي چند الهاينرون .قابل محاسبه باشد به ي خروجهي بودن تابع محرك اليخط. كندي فراهم ما ري و خروجي ورودي بردارهاني بيرخطيغ

. كندجادي را ا1 و -1 خارج از دامنه ي خروجري كه مقاددهديشبكه اجازه م

آموزش شبكه -3 newff، تابع MATLABافزار در نرم. هدف استكي جاديخور اشي شبكه پكي قدم در آموزش نياولهدف شبكه آن، ي داشته و خروجازي ني تابع به چهار ورودنيا. آورديخور را بوجود مشي شبكه پكي ي المان بردارها14 هر ي براري حداقل و حداكثر مقادسي المان با دو ماتر14 ي ورودنياول. باشديم

ني ايدر مطالعه مورد. است هي هر الهاي شامل تعداد نرونهي آراكي ي ورودنيدوم. باشدي ميورود


1008

توابع محرك كه در هر است شامل نامي تك سلولهي آراي ورودنيسوم ].3 3 5[ برابر است با قيتحق مورد يريادگي شامل نام تابع ي ورودنيآخر. }'tansig','tansig','purelin' {شودي استفاده مهيال

. 'traingd' استفاده است المان 14 هر بردار ي و براي بردار ورود50 كه در آن كندي مجادي اايهيال شبكه سهكي newff تابع

باشند، يكي ديگري را تحت تأثير هاي مختلف ميهاي مدل داراي مقياس از آنجا كه ورودي. وجود دارد هاي مختلف اندازه بمنظور قابل مقايسه شدن مقياس. قرار داده و سيستم خوب آموزش نخواهد ديد

مقدار در اين مدل، با استفاده از ماكزيمم . هاي نرماليزه كردن استفاده نمود گيري بايد از يكي از روش بين هاي وروديمقادير المانبطوريكه تمام . مقياس كردن استفاده شده است اي بيهر ورودي بر

نرون قرار داده 3 زي آخر نهي نرون و در ال3 دوم هي نرون، در ال5 اول هيدر ال .صفر و يك قرار گرفتند تابع .باشدي مي آخر خطهي و در الديگموئي اول و دوم، تانژانت سهايهي در الركتوابع مح. شده است . شودي شده آموزش داده ميبا ساختار طراح) ريرابطه ز(آموزش

net=newff(( [min(PT`); max(PT`)] ),[5,3,3 ],{'tansig', 'tansig','purelin'},'traingd' );

خطاي شبكه -4

شبكه هايي مدل ورودنيدر ا. داردازي از رفتار مناسب شبكه نهايي نمونهي سركي آموزش به نديفرآPT ي واقعهاييو خروج TTشبكه، ييدر طول آموزش بمنظور به حداقل رساندن كارا. باشندي م شبكه با يي خور، كاراس پهايدر شبكه. شوندي شبكه بطور مكرر انطباق داده مهاياسها و بايوزن

-ي ميابيارز) TT (ي واقعهاييو خروج) YT( شبكه هايي خروجنيب) MSE( مربعات خطا نيانگيم ). 4شكل (باشدي م10- 3 مربعات خطا بهنيانگي مدل هدف رساندن منيدر ا. شود

شبكهي خطا):4( شكل

خطاي آموزش و اعتبارسنجي مدل -5% 20با سپس . ها انجام شد آن درصد80آموزش شبكه با كه عدد بود560هاي مدل حدود كل داده

محاسبه خطاي مطلق و خطاي نسبي را به دو صورت و مقدار خطاشدمانده مدل تست باقي دادهو مقدار خروجي توسط ) مقدار واقعي(تفاضل مقدار خروجي شبكه براي آموزش : خطاي مطلق :گرديد )بيني شدهمقدار پيش(شبكه

: خطاي نسبي

در تمامي . ارائه شده استd80بيني شده ي و پيشخطاي مطلق و نسبي بين مقادير واقع) 2(در جدول

بيني شدهمقدار پيش مقدار واقعي

خطاي نسبي= 100 - 100×


1009

اين نشان دهنده .باشد درصد و قابل قبول مي1ميزان خطاي بدست آمده كمتر هاي انجام شده آزمايش . و معادن مشابه آن قابل استفاده استگهر اين است كه اين مدل در معدن سنگ آهن گل خطاي مطلق و نسبي):2(جدول

10 9 8 7 6 5 4 3 2 1 شماره آزمايشخطاي 013/0 073/0 112/0 088/0 103/0 024/0 127/0 097/0 114/0 054/0 نسبي

006/0 035/0 054/0 044/0 051/0 012/0 062/0 047/0 053/0 026/0 مطلق آموزش اعتبارسنجي 051/0 429/0 176/0 198/0 081/0 161/0 039/1 855/0 141/0 071/0 نسبي 042/0 194/0 087/0 106/0 081/0 297/0 438/0 759/0 067/0 035/0 مطلق

آناليز حساسيت -6توانند دهي است، به صورتي كه مي توانايي آنها در تعميم،هاي عصبيهاي شبكه ويژگيتريناز مهم

با توجه به تحقيقدر اين . دبندي كنناند به درستي طبقهالگوهايي را كه در آموزش مشاهده نكردههاي روباره، باطله، اكسيد، مگنتيت بااليي و مگنتيت پاييني، تأثير تغيير اين ورودي در بخشپارامترهاي

پارامترها روي ابعاد سنگ پس از انفجار با متغير بودن يك پارامتر و ثابت بودن پارامترهاي ديگر . باشند ميspacing و خرج ويژهترهاترين پارام آناليز حساسيت نشان داد كه حساسنتايج. بدست آمد

ابعاد سنگ حاصل از انفجار به اندازه قابل توجهي كاهش ،، با افزايش آن بطوريكه در مورد خرج ويژه سانيمتر شده به اين معني 40 سنگ d80، كيلوگرم بر مترمكعب15/1 با خرج ويژه بطوري كه. دبايمي حاصل از تغيير نتايج . باشدمتر مي سانتي40 درصد ابعاد سنگ خردشده پس از انفجار زير 80كه

Spacing در موارديكه داده است نيز نشان spacing باشد با توجه به ثابت متر مي8/5 تا 5/4 بينباشند و بهترين نتيجه را متر مي سانتي40 تا 28رصد ابعاد سنگ خرد شده بين د80، بودن بقيه عوامل

-باشد، ابعاد سنگ پس از انفجار داراي نرمه زياد مي ر مت5/4 كمتر از spacingدر صورتي كه . دهدميتي كنند و درصورباشد كه عالوه بر افزايش هزينه حفاري و آتشباري در فرآوري نيز مشكل ايجاد مي

يز زياد شده كه نياز به ن اسهاي بزرگ مقي متر نيز شود پس از انفجار، سنگ8/5 بيش از spacingكه . گردد ميافزايش هزينه آتشباريسبب نبال آن و به دداشته انويهآتشباري ث

تحليل مدل -7هاي واقعي معدن بيني ابعاد سنگ پس از انفجار با استفاده از شبكه عصبي چندين بار با دادهمدل پيش

بيني خردايش در اين بخش، با استفاده از معادالت پيش. هن گل گهر موردآزمايش قرار گرفتآسنگ انفجاري مورد مطالعه الگو 4ز تصويري منحني توزيع ابعادي سنگ در و آناليكوزنتسوف، كازرم

دهد كه در بسياري از موارد نشان ميهاي فوقهاي بدست آمده از روشمنحني انطباق. رسم شدبيني مدل پيشاستفاده از شبكه عصبي اختالف بسيار اندكي با آناليز تصويري دارد و همچنين

هر چند مدل ). 5( توان در شرايط معدن گل گهر بكار برد شكلمي )حيحبا كمي تص(يش كازرم را خردا خردايش است اما عدم تطابق اندك مدل كازرم با شبكه عصبي و آناليز بينيكازرم بهترين مدل پيش

نشده و ي طور كامل بررسهتصويري به اين علت است در مدل كازرم تأثير خصوصيات توده سنگ ب . قابل اعتماد باشد در همه شرايطتواندينم


1010

خردايشي پيش بيني بدست آمده از مدل شبكه عصبي و مدل هاهاي ي منحن):5( شكل

نتيجه -8يني ابعاد سنگ خرد شده از يك شبكه عصبي چند اليه با الگوريتم آموزش پس انتشار ب پيشبراي

ر بعنوان پارامتر خروجي پارامت3 پارامتر بعنوان پارامترهاي ورودي و 14با استفاده از . استفاده شد از توابع همچنين. ، دو اليه پنهان و يك اليه خروجي آموزش داده شد بهترين شبكه با يك اليه ورودي

مدل هيچ محدوديتي در تعداد پارامترهاي . خطي و سيگموئيد نيز بعنوان توابع تحريك استفاده شد .باشد بيني خردايش مي هاي پيش ير مدلهاي مدل نسبت به سا ورودي ندارد كه اين ويژگي از قابليت

بيني آزمايش مدل در معدن گل گهر، با مقايسه سايز قطعات خرد شده واقعي و سايز قطعات پيشبا. درصد بدست آمد3ها خطاي ميانگين مدل كمتر از در تمامي آزمايش. شده، ميزان دقت مدل تأييد شد

از انفجار ستوان ابعاد سنگ پ انفجاري ميالگوصات كند كه با وارد كردن مشخاي عمل ميمدل بگونه شبكه بندي سنگ با استفاده از مدل، منحني توزيع دانه مختلفالگو 4 نهايت براي در .بيني نمودرا پيش

. مورد مطالعه قرار گرفتKuz-Ramو مدل ) Goldsizeنرم افزار (هاي آناليز تصويري روش عصبي ومده نشان داد كه نتايج حاصل از مدل شبكه عصبي با روش آناليز تصويري هاي بدست آانطباق منحني

يكسان است وهمچنين مقايسه آنها با روش كازرم از خطاي قابل توجهي برخوردار است كه اين قريباًًتتوان ناشي از عدم در نظر گرفتن نوع سنگ و خصوصيات مكانيك سنگي آن در روش كازرم را مي

توان در شرايط معدن گل گهر يم) تصحيحيبا كم( رم را - خردايش كوزبينيدانست ولي مدل پيش . بكار برد

مراجع -9[1] Hekmat, A. 2003, Prediction of Loading system (shovel) efficiency based up on large fragmented rock caused by blasting operation, MSc. Thesis, Amirkabir University of Technology, Tehran, Iran [2] Philip, P., Wasserman, 1987, “ Neural Networks Theory and Practice ”. [3] Haykin, S., Neural Networks. A Comprehensive Foundation., Second Edition, Prentice-Hall, Inc., New Jersey, 1999.

بررسي كاربرد شبكههاي عصبي در پيشبيني ابعاد سنگ پس از...

Documents