Application of neural networks for the prediction of rock fragmentation in Chadormalu iron mine / Zastosowanie sieci neuronowych do prognozowania stopnia rozdrobnienia skał w kopalni rud żelaza w Chadormalu

Open access

Abstract

Most open-pit mining operations employ blasting for primary breakage of the in-situ rock mass. Inappropriate blasting techniques can result in excessive damage to the wall rock, decreasing stability and increasing water influx. In addition, it will result in either over and/or under breakage of rocks. The presence of over broken rocks can result in decreased wall stability and require additional excavation. In contrast, the presence of under broken rocks may require secondary blasting and additional crushing. Since blasting is a major cost factor, both cases (under and over breakage) create additional costs reflected in the increase of the operation and maintenance of the machinery. Quick and accurate measurements of fragment size distribution are essential for managing fragmented rock and other materials. Various fragmentation measurement techniques are available and are being used by industry/researchers but most of the methods are time consuming and not precise. An ideally performed blasting operation enormously influences the overall mining cost. This aim can be achieved by proper prediction and attenuation of fragmentation. Prediction of fragmentation is essential for optimizing blasting operation. Poor performance of the empirical models for predicting fragmentation has urged the application of new approaches. In this paper, artificial neural network (ANN) method is implemented to develop a model to predict rock fragmentation size distribution due to blasting in Chadormalu iron mine, Iran. In the development of the proposed ANN model, ten parameters such as UCS, drilling rate, water content, burden, spacing, stemming, hole diameter, bench height, powder factor and charge per delay were incorporated. Training and testing of the model was performed by the back-propagation algorithm using 97 datasets. A four-layer ANN was found to be optimum with architecture of 10-7-5-1. A comparison has made between measured results of fragmentation with predicted results of fragmentation by ANN and multiple regression model. Sensitivity analysis was also performed to understand the effect of each influencing parameters on rock fragmentation.

W większości kopalń odkrywkowych stosuje się prace strzałowe w celu wstępnego rozbicia skał górotworu in situ. Niewłaściwe prowadzenie prac strzałowych spowodować może nadmierne uszkodzenie skał, obniżając stabilność górotworu i powodując zwiększony napływ wód. Ponadto, prowadzić może do nadmiernego lub niedostatecznego rozdrobnienia skał. Obecność nadmiernie rozdrobnionych skał spowodować może zmniejszenie stabilności ścian i wymaga dodatkowego odgruzowania. Z kolei obecność niedostatecznie rozdrobnionych skał powoduje konieczność ponownego wykonania prac strzałowych celem rozdrobnienia dalszego skały. Z uwagi na to, że prace strzałowe stanowią zasadniczy element kosztów, obydwa przypadki (niedostateczne lub nadmierne rozdrobnienie skał) mogą pociągać za sobą dodatkowe koszty, odzwierciedlone w zwiększonych kosztach eksploatacji sprzętu. Szybkie i dokładne pomiary rozkładu wielkości fragmentów skał są niezbędne dla zapewnienia właściwej gospodarki rozdrobnionymi skałami i pozostałymi materiałami. Istnieje wiele metod pomiarów i są one szeroko wykorzystywane przez badaczy oraz w przemyśle, jednakże większość metod okazuje się czasochłonna i niewystarczająco dokładna. Idealne przeprowadzenie prac strzałowych w znacznym stopniu przyczynia się do ograniczenia kosztów prowadzenia prac górniczych. Cel ten osiągnąć można poprzez odpowiednie prognozowanie i kontrolowanie stopnia rozdrobnienia. Prognozowanie konieczne jest dla optymalizacji prowadzenia prac strzałowych. Niska skuteczność metod empirycznych wykorzystywanych do prognozowania stopnia rozdrobnienia skał stanowi zachętę do stosowania nowego podejścia. W artykule przedstawiono zastosowanie metody sztucznych sieci neuronowych (ANN) do opracowania modelu prognozowania rozkładu wielkości skal rozdrobnionych w wyniku prac strzałowych w kopalni Chadormalu, w Iranie. W opracowanym modelu ANN uwzględniono dziesięć parametrów: wytrzymałość skały na ściskanie jednoosiowe (UCS), prędkość wiercenia, zawartość wody, rodzaj nadkładu, rozstawienie, rodzaj przybitki, wysokość ławy, rodzaj materiału wybuchowego oraz wielkość ładunku w stosunku do zwłoki czasowej. Uczenie i testowanie modelu odbywa się przy użyciu algorytmu propagacji wstecznej (back-propagation) z wykorzystaniem 97 baz danych. Stwierdzono, że optymalna sieć złożona jest z czterech warstw a jej architekturę opisać można jako 10-7-5-1. Wyniki pomiarów stopnia rozdrobnienia porównano z wyniki prognoz stopnia rozdrobnienia przeprowadzonych przy pomocy sieci neuronowej w oparciu o metodę regresji wielokrotnej. Przeprowadzono analizę wrażliwości dla lepszego zrozumienia wpływu poszczególnych parametrów na stopień rozdrobnienia skały.

References
  • Karakus D., Pamukcu C., Onur A.H., Konak G., Safak S., 2010. Investigation of the Effect of Ground Vibration onBuildings due to Blasting. Arch. Min. Sci., Vol. 55, No 1, p. 123-140.

  • Bhandari S., 1997. Engineering rock blasting operations. A.A. Balkema, Rotterdam.

  • Cunningham C.V.B., 1983. The Kuz-Ram model for prediction of fragmentation from blasting. Proceedings of the first international symposium on rock fragmentation by blasting, Lulea, Sweden, p. 439-54.

  • Cunningham C.V.B., 1987. Fragmentation estimations and the Kuz-Ram model. In: Proceedings of the second international symposium on rock fragmentation by blasting, Keystone, p. 475-87.

  • Thornton D.M., Kanchibotla S.S., Esterle J.S., 2001. A fragmentation model to estimate ROM size distribution of softrock types. In: 27th Annual Conference on Explosives and Blasting Techniques, Orlando, Florida, p. 41-53

  • Ouchterlony F., 2005. The Swebrec & function: linking fragmentation by blasting and crushing. IMM Trans. Sect. A;114(1): 29-44.

  • Kou S., Rustan A., 1993. Computerized design and result prediction of bench blasting. Proc. lh Int. Symp. on Rock Fragmentation by Blasting, H-P Rossmanith ed, pp. 263-271. Balkema, Rotterdam.

  • Chung S.H., Katsabanis P.D., 2000. Fragmentation prediction using improved engineering formulas. Int. J. Fragmentation by Blasting, 4; 198-207.

  • Jimeno C., Jimeno E., Carcedo F., 1995. Drilling and blasting of rocks. A.A. Balkema, Roterdam, 391 p.

  • Kemeny J., Mofya E., Kaunda R., Lever P., 2002. Improvements in Blast Fragmentation Models using digital imageprocessing. Proceedings Fragblast, 6; 311-320.

  • Sanchidrian J.A., Segarra P., Lopez L.M., 2006. A Practical Procedure for the Measurement of Fragmentation by Blastingby Image Analysis.

  • Siddiqui F.I., Ali Shah S.M., Behan M.Y., 2009. Measurement of size distribution of blasted rock using digital imageprocessing. JKU: Eng. Sci., 20: 75-86.

  • Ozkahraman H.T., 2006. Fragmentation assessment and design of blast pattern at Goltas Limestone Quarry, Turkey. International Journal of Rock Mechanics & Mining Sciences 43; 628-633.

  • Sudhakar J., Adhikari G.R., Gupta R.N., 2006. Comparison of Fragmentation Measurements by Photographic and ImageAnalysis Techniques. Rock Mech. Rock Engng. 39 (2): 159-168.

  • Maerz N.H., Zhou W., 2000. Calibration of optical digital fragmentation measuring systems. FRAGBLAST, The International Journal For Blasting and Fragmentation, v. 4, no. 2, pp. 126-138.

  • Kulatilake P.H.S.W., Qiong Wu, Hudaverdi T., Kuzu C., 2010. Mean particle size prediction in rock blast fragmentationusing neural networks. Engineering Geology 114; 298-311.

  • Sonmez H., Gokceoglu C., Nefeslioglu H.A., Kayabasi A., 2006. Estimation of rock modulus: For intact rocks with anartificial neural network and for rock masses with a new empirical equation. International Journal of Rock Mechanics & Mining Sciences 43; 224-235.

  • Gholamnejad J., Tayarani N., 2010. Application of artificial neural networks to the prediction of tunnel boring machinepenetration rate. Mining Science and Technology 20; 0727-0733.

  • William W., Guo, 2010. A novel application of neural networks for instant iron-ore grade estimation. Expert Systems with Applications 37; 8729-8735.

  • Lowery M., Kemeny J., Girdner K., 2000. Advances in blasting practices through the accurate quantification of blastfragmentation. 2000 SME Annual Meeting, Salt Lake City, UT, USA.

  • Maji V.B., Sitharam T.G., 2008. Prediction of Elastic Modulus of Jointed Rock Mass Using Artificial Neural Networks, Geotech. Geol. Eng., 26: 443-452.

  • Wang H.B., Xu W.Y., Xu R.C., 2005. Slope stability evaluation using Back Propagation Neural Networks. Engineering Geology 80: 302-315.

  • Park J.M., Kang H.T., 2007. Prediction of fatigue life for spot welds using back-propagation neural networks. Materials and Design 28: 2577-2584.

  • Monjezi M., Dehghani H., 2008. Evaluation of effect of blasting pattern parameters on back break using neural networks. Int. J. Rock Mech. Min. Sci. 45:1446-1453. doi: 10.1016/j.ijrmms.2008.02.007.

  • Lu Y., 2005. Underground blast induced ground shock and its modeling using artificial neural network. Computers and Geotechnics 32: 164-178.

  • Meulenkamp F., Alvarez Grima M., 1999. Application of neural networks for the prediction of the unconfined compressivestrength (UCS) from Equotip hardness. Int. J. Rock Mech. Min. Sci., 36: 29-39. doi: 10.1016/S0148- 9062(98)00173-9

  • Cabalar A.F., Cevik A., 2009. Modelling damping ratio and shear modulus of sand-mica mixtures using neural networks. Engineering Geology. 104: 31-40.

  • Zhang Y.J., Wu G.G., Xu H.F., Meng X.L., Wang G.Y., 2009. Prediction of oxygen concentration and temperaturedistribution in loose coal based on BP neural network. Mining Science and Technology, 19: 216-219.

  • Monjezi M., Rezaei M., Yazdian A., 2010. Prediction of backbreak in open-pit blasting using fuzzy set theory. Expert Systems with Applications. 37: 2637-2643.

  • Jong Y.H., Lee C.I., 2004. Influence of geological conditions on the powder factor for tunnel blasting. International Journal of Rock Mechanics and Mining Sciences. 41: 533-538.

Archives of Mining Sciences

The Journal of Committee of Mining of Polish Academy of Sciences

Journal Information


IMPACT FACTOR 2016: 0.550
5-year IMPACT FACTOR: 0.610

CiteScore 2016: 0.72

SCImago Journal Rank (SJR) 2016: 0.320
Source Normalized Impact per Paper (SNIP) 2016: 0.950

Metrics

All Time Past Year Past 30 Days
Abstract Views 0 0 0
Full Text Views 6 6 6
PDF Downloads 1 1 1