انجمن مهندسی معدن ایران نشریه مهندسی معدن 1735-7616 20 2 2025 08 23 Prediction of Peak Particle Velocity Caused by Blasting Using Deep Learning Method in Large-Scale Open-Pit Mines (Case Studies: Sungun Ahar and Golgohar Open-Pit Mines in Sirjan) پیش بینی حداکثر سرعت ذرات ناشی از انفجار با استفاده از روش یادگیری عمیق در معادن روباز 26 52 729981 10.22034/ijme.2025.2055780.2039 FA داود محمدی سرقینی دانشجوی دکتری، دانشکده مهندسی معدن، دانشگاه صنعتی شاهرود، ایران محمد عطایی استاد دانشکده مهندسی معدن، نفت و ژئوفیزیک، دانشگاه صنعتی شاهرود، ایران 0000-0002-7016-8170 رضا میکائیل دانشیار گروه مهندسی معدن، دانشکده صنایع و فناوری‌های معدنی، دانشگاه صنعتی ارومیه، ایران اکبر اسمعیل زاده استادیار گروه مهندسی معدن، دانشکده صنایع و فناوری‌های معدنی، دانشگاه صنعتی ارومیه، ایران 0000-0002-8633-9683 Journal Article 2025 03 12 Mining is one of the most important economic driving sectors of any country, and its production rate is highly dependent on the quality of the blasting process, which is considered one of the most common exploitation methods. One of the main challenges during the blasting process is serious damage to facilities. Therefore, during the construction and operation of these facilities, consideration should be given to investigating and predicting the vibration consequences. For this purpose, by collecting data related to blasting in the two mines of Gol Gohar and Songun , after analyzing and describing them, the peak particle velocity has been predicted based on the distance and amount of explosives. To achieve this goal, considering the quantity and nature of the data, a deep learning method was used. In this study, an attempt was made to obtain acceptable results by searching for optimal values for hyperparameters through trial and error. The coefficient of determination(R2), mean absolute percentage error(MAPE), and root mean square error(RMSE) were considered as indices of model quality evaluation. For better judgment, the performance of the selected method was compared with the performance of three methods: support vector machine, stochastic gradient descent, and adaptive boosting. The R2, for the four above methods was 0.952, 0.809, 0.845, and 0.911, respectively. For the RMSE index, the values were: 2.670, 5.308, 4.773, and 3.631. The values of the MAPE index for the four above methods were: 2.003, 2.119, 2.786, and 1.887. According to the values of the indices, the deep learning method had the best performance due to its flexibility in architecture and better adaptation to the characteristics of the problem. It can be said that in relation to complex and uncertain problems, such as those in the mining field, deep learning-based methods suggests good capabilities. معادن یکی از مهم‌ترین بخش‌های پیشران اقتصادی هر کشوریست که میزان تولید آن وابستگی بسیار زیادی به کیفیت فرآیند انفجار، که از متداول‌ترین روش‌های استخراج محسوب می‌شود؛ دارد. یکی از چالش‌های اساسی در طی فرآیند انفجار، آسیب‌های جدی وارد شده به تاسیسات جانبی می‌باشد. لذا در زمان احداث و و بهره‌برداری از این تاسیسات، بررسی و پیش بینی لرزه‌های ایجاد شده، می‌بایست مورد توجه قرار گیرد. بدین منظور با جمع آوری داده‌های مربوط به انفجارها و لرزه‌های ایجاد شده، در دو معدن گل گهر سیرجان و سونگون اهر، بعد از تحلیل و توصیف آن‌ها؛ اقدام به پیش بینی حداکثر سرعت ذرات، براساس مسافت و مقدار ماده منفجره، شده است. برای دست یابی به این هدف، با توجه به حجم و ماهیت داده‌ها، از روش یادگیری عمیق استفاده شد. در این مطالعه، با جستجوی مقادیر بهینه برای‌ هایپر پارامترها از طریق آزمون و خطا، سعی در گرفتن نتایجی قابل قبول شد. ضریب تعیین، خطای درصد میانگین مطلق و ریشه میانگین مربع خطا، به عنوان شاخص‌های ارزیابی کیفیت مدل در نظر گرفته شدند. برای قضاوت بهتر، عملکرد روش انتخاب شده، با کارکرد سه روش ماشین بردار پشتیبان، گرادیان کاهشی تصادفی و روش تقویت سازگار؛ مقایسه شد. ضریب تعیین برای چهار روش فوق به ترتیب، 952/0، 809/0، 845/0 و 911/0 بدست آمده است. برای شاخص ریشه میانگین مربع خطا، مقادیر برابر با: 670/2، 308/5، 773/4 و 631/3 شده است. مقدار شاخص خطای درصد میانگین مطلق، برای چهار روش فوق الذکر، عبارتند از : 003/2، 119/2، 786/2 و 887/1 است. با توجه به مقادیر شاخص‌ها، روش یادگیری عمیق با توجه به انعطاف در معماری و انطباق بهتر با ویژگی‌های مسئله، بهترین عملکرد را داشته است. می‌توان بیان کرد در ارتباط با مسائلی با پیچیدگی و توام با عدم قطعیت مانند مسائل مطرح در حوزه‌های معدنی، روش‌های مبتنی بر یادگیری عمیق، توانمندی خوبی ارائه می‌دهد. https://ijme.iranjournals.ir/article_729981_b01c0dcb70d179fce41c5875033d66fe.pdf