Académique Documents
Professionnel Documents
Culture Documents
INTRODUCCIN
Perforacin y voladura es todava un mtodo ms barato de la rotura de la roca en la
minera, funciona tambin as como en la construccin civil. De la Voladura se
obtienen fragmentos de la roca en trozos que son adecuados para la trituracin
(Lawrence et al., 2002 ) o ms procesamiento y sigue siendo el mtodo ms
comnmente aplicado . La fragmentacin de la roca ha sido la preocupacin de
muchas investigaciones ya que se considera como el aspecto ms importante de
voladuras de produccin , ya que afecta a los costos de perforacin , voladura y la
eficiencia de todos los subsistemas , tales como carga , acarreo y trituracin en las
operaciones mineras , Farmarzi et al. ( 2013 ) .
Cuando un explosivo detona en un barreno, libera instantneamente alrededor del agujero enorme cantidad de
energa en forma de presin y la temperatura. Sin embargo significativos acontecimientos han tenido lugar en
la tecnologa de explosivos, la utilizacin de la energa explosiva no ha avanzado mucho debido a la
complejidad de los diversos parmetros de roca ( Cheng y Huang, 2000 ; ISRM , 1992 ; McKenzie, 1990 ) .
Slo una pequea proporcin del total de energa se utiliza para la rotura real y el desplazamiento de la masa
de roca y el resto de la energa es gastado en efectos secundarios no deseados como vibraciones de la tierra ,
aire explosiones , ruidos , flyrocks , polvos , etc. ( Bajpayee et al., 2004 ; Hagan, 1973 ; Singh et al., 1994a ;
Wiss y Linehan , 1978 ) , lo que puede causar ms molestia a las personas que viven rodea las zonas mineras (
Raina et al . , 2004 ) .
Si bien, estos efectos negativos no se pueden eliminar completamente todava se puede minimizar hasta un
grado de lmites permisibles para evitar daos en los alrededores medio ambiente y las estructuras existentes
(Singh et al., 1994a ; Wiss y Linehan , 1978) . Un estudio ( Raina et . Al, 2004) de la respuesta humana a la
voladura en las localidades mineras de la India ha demostrado que la respuesta no es simplemente poltico
social, como asumido con frecuencia. Se ha informado de que, independientemente de los interrogados; una
preocupacin fundamental para la seguridad de los bienes fue la principal respuesta.
hace que el entrenamiento ms preciso y ms rpido cerca de los mnimos en la superficie de error ( Demuth y
Beale, 1994 )
El algoritmo de retropropagacin es especialmente capaz de resolver los problemas de prediccin ( Huang y
Wfinstedt , 1998 ; Tawadrous y Katsabanis , 2006) . La red neural de retropropagacin de alimentacin de
avance ( BPNN ) siempre se compone de al menos tres capas ; capa de entrada , capa oculta y capa de salida (
Neaupane y Adhikari , 2006) . Cada capa consiste en un nmero de unidades de procesamiento elementales ,
llamadas neuronas , que estn conectados a la capa siguiente a travs de pesos , es decir, cada neurona en la
capa de entrada, se enviar su salida (como en put ) para las neuronas en la capa oculta y similar es el
conexin entre la capa oculta y de salida. El nmero de capas ocultas y el nmero de neuronas en las capas
ocultas cambian segn el problema a resolver .
Las fuerzas de conexin, tambin llamados pesos de la red , se ajustan de tal manera que la salida de la red
coincide con la respuesta deseada ( Lippman , 1987) . En el entrenamiento de propagacin hacia atrs , los
pesos de conexin se ajustan para reducir el error de salida ( Tawadrous , 2006 ) . Por ejemplo, en la red de
propagacin hacia atrs , el objetivo del aprendizaje es minimizar el error entre las salidas deseadas (destino)
y las salidas reales de la red.
Las redes neuronales artificiales son altamente distribuidas interconexiones de los elementos adaptativos de
procesamiento no lineal. La red neuronal de propagacin hacia atrs se construye de tal manera que cada capa
est totalmente conectada a la siguiente capa . En otras palabras, cada neurona en la capa de entrada, se
enviar su salida a cada neurona en las capas ocultas , y cada neurona en las capas ocultas enviar su salida a
cada neurona en la capa de salida . El nmero de neuronas en las capas de entrada son iguales al nmero de
variables de entrada seleccionadas para el problema a resolver ( Grznr et al ., 2007; Huang y Wfinstedt ,
1998) . Red neuronal de retropropagacin feed-forward es una fuerte tcnica de modelado para la entrada /
salida de los problemas de identificacin de patrones ( Monjezi et al . , 2011) . Una red neuronal de tres capas
feed-forward propagacin hacia atrs con la arquitectura 2-5-1 fue entrenado y probado utilizando 130
registros experimentales y monitoreados explosin de las minas de carbn de superficie de minas de carbn
Singareni Company Limited , Kothagudem , Andhra Pradesh , India, para evaluar y predecir la explosin
inducida vibraciones . ( Khandelwal et al. 2011 ).
Una vez que la red neuronal se ha entrenado con xito con suficiente nmero de conjuntos de datos de la
muestra, que se pone a prueba por unos conjuntos de datos cuya produccin ya se conoce. Despus de la
validacin de una red neuronal , que puede ser utilizado para las predicciones de parmetro de salida para los
parmetros de entrada correspondientes en funcin de su aprendizaje previo de los patrones similares (Singh ,
2004 ) . Los investigadores en la ciencia de la roca y la ingeniera son en su mayora utilizando mltiples
capas traseras redes neuronales de propagacin con una capa oculta ( Khandelwal y Singh , 2002; 2006; Singh
y Singh , 2005; . Sawmliana et al , 2007 ) o dos capas ocultas ( Jing y Hudson , 2002; adems de capas de
entrada y de salida en funcin del problema en estudio Singh et al , 2005) ; Lu , 2005; . Monjezi et al., 2008 .
Tambin se utilizan como red neuronal perceptrn multicapa ( MLP) , de funcin de base radial ( RBF ) , y
muchos otros. ( Haykin ., 1994; Rai et al, 2004) .
Jing y Hudson (2002) describen las diversas ventajas y desventajas de las redes neuronales. Las ventajas de
las redes neuronales son que (1) Las restricciones geomtricas y fsicas del problem , que dominan las
ecuaciones de gobierno y leyes constitutivas no son un problema. (2) Diferentes tipos de redes neuronales se
pueden aplicar a un problema. (3) Existe la posibilidad de que la ' percepcin ' , que disfrutamos con el
cerebro humano , puede ser imitado en la red neuronal , por lo que los programas pueden incorporar juicios
sobre la base de aprendizaje y experiencias. El inconveniente de las redes neuronales es sper complicado
curva de ajuste o bien exceso de montaje o en virtud de ajuste ( Jing, 2003 ) . Para formular la red para
cualquier problema especfico, super complicado ajuste de la curva se produce principalmente debido a la
formacin de la red con demasiados pocas. Una estrategia desarrollada para evitar el exceso de ajuste o bajo
-guarnicin es investigar la bondad de la prediccin utilizando diferentes tipos de arquitectura de red y
seleccione la red con raz de mnimo error cuadrtico medio ( Hornik , 1991) y con la aplicacin de la regla
bayesiana ( MacKay , 1992 ), mientras que la construccin de la red neuronal . Una vez ms , las redes
neuronales con el mayor nmero de variables de entrada tienen una mayor previsibilidad ( Mohamed , 2009) .
mxima por demora, distancia de la voladura cara al punto de control , derivada y la profundidad del agujero
se toman como parmetros de entrada , mientras que , la velocidad de partcula mxima ( PPV ) se considera
como un parmetro de salida . Una base de datos que consta de 182 conjuntos de datos se recogieron en
diferentes lugares estratgicos y vulnerables en los alrededores del proyecto . A partir de la base de datos
preparada , se utilizaron 162 conjuntos de datos para la formacin y las pruebas de la red , mientras que 20
conjuntos de datos seleccionados al azar se utilizaron para la validacin del modelo ANN . A cuatro
feedforward capa de red neural de retropropagacin con topologa 4-105-1 se encontr que era ptima.
Tang et al. (2007 ) han adoptado el modelo de red neuronal de retropropagacin para predecir la velocidad
pico de la vibracin explosin. A su juicio, el dimetro del orificio de carga , distancia , profundidad ,
distancia entre agujeros de la columna de carga , lnea de menor resistencia , la carga mxima de un solo
orificio , el peso mximo de carga por demora, derivada de longitud , carga total , la magnitud de la altitud
relativa y la distancia explosiva como parmetros de entrada y ha encontrado los resultados predichos de la
red neuronal artificial ms cerca que los de predictores empricos.
Singh ( 1995a ) estudi la vibracin inducida por explosin en planta Dharapani Magnesita Mina ,
Pitthoragarh Himalaya en la India y predijo PPV usando redes neuronales . Khandelwal y Singh (2006 ) han
puesto de relieve la importancia de la red neuronal en la prediccin de la vibracin del suelo y la frecuencia .
Utilizaron todos los posibles parmetros que influyen de masa de roca , caractersticas explosivas y diseo
explosin como parmetros de entrada en una red neuronal que fue entrenado en un 150 conjunto de datos
con 458 pocas , probados y verificados por 20 nuevo conjunto de datos . Ellos encontraron que el coeficiente
de correlacin determinado por ANN fue 0,9994 y 0,9868 para la velocidad pico de partcula ( PPV ) y la
frecuencia , mientras que el coeficiente de correlacin mediante anlisis estadstico fue 0.4971 y 0.0356 .
Chakraborty et al. (2004) han puesto de relieve la eficacia de perceptrn multicapa (MLP) redes para la
estimacin de la voladura de vibracin y propuso una red de fusin que combina varios MLP y la tcnica de
seleccin de caractersticas en lnea para obtener una estimacin ms fiable y exacta sobre los predictores
empricos . Khandelwal y Singh (2007) han utilizado la red de nuevo propagacin neuronal feed-forward de
tres capas para predecir el nivel de vibracin del suelo inducida por la explosin en una mina - magnesita en
terreno montaoso - tecto dinmicamente vulnerables en la regin del Himalaya en la India . Se han
comparado los valores medidos y predichos de PPV utilizando cuatro predictores de vibracin del suelo
ampliamente usadas de ecuaciones a saber USBM (1962 ), la ecuacin Ambraseys Hendron (1968 ) , la
ecuacin Langefors - Kihlstrom (1958 ) , y la ecuacin de la India Standard Predictor (1973 ) y encontr una
muy pobre correlacin entre los valores medidos y predichos PPV . Una vez ms, se utilizaron los mismos
conjuntos de datos para predecir los valores de PPV por redes neuronales y encontraron una mejor correlacin
entre los valores medidos y predichos.
Mohamed ( 2009 ) ha utilizado tres modelos diferentes de ANN para la prediccin de la velocidad de
partcula mxima ( PPV ) debido a vibraciones blastinduced de tierra y se observ que el modelo ANN
utilizando un gran nmero de parmetros de entradas proporciona una mejor prediccin de PPV en los
modelos de RNA utilizando nica o dos parmetros de entradas . Adems, el modelo de ANN con parmetros
de dos entradas ofrece mejores resultados que el modelo con un parmetro de entrada . Es decir , el aumento
en el nmero de variables de entrada los resultados en el aumento de la capacidad de ANN para aprender y
para predecir con mayor precisin.
Singh y Singh (2005 ) han estudiado la vibracin inducida por la explosin de tierra en minas a cielo abierto
de la India frecuencia de las vibraciones del suelo previstos. Compararon midieron valores de frecuencias con
la de los valores pronosticados utilizando ANN y el anlisis de regresin multivariante y encontrado
coeficiente de correlation0.905and 0,716 respectivamente . Singh (2004 ) han intentado predecir la vibracin
del suelo y su frecuencia en la India rocas medida del carbn utilizando la red neuronal artificial y , una vez
ms se confirm que la red proporciona mejores resultados que un mtodo de regresin multivariante
convencional .
Velocidad de partcula mxima ( PPV) se utiliza generalmente para evaluar el potencial de daos por
vibracin explosin a las estructuras acostado en superficie, pero este parmetro no se puede explicar
completamente el efecto sobre estructuras tales como edificios de superficie situados lejos desde el punto de
voladura y que puede ser daado incluso a muy baja VPP . El anlisis espectral indica que las vibraciones del
suelo de baja frecuencia ( 6-12 Hz) son ms dainos que las frecuencias altas ( 22 a 80 Hz ( Ramchandar y
Singh , 2001 ; Singh , Singh y Singh , 1994 ) La longitud de onda ms larga y ms pequea caracterstica de
amplitud de stas . vibraciones daan las estructuras con mayor severidad que mayor amplitud , longitud de
onda ms corta ( vibraciones Perrson , 1997) . Yang y Feng ( 2004) han identificado la respuesta de
estructuras de superficie cuando se somete a la explosin inducida por la vibracin del suelo cerca de las
minas a cielo abierto utilizando un enfoque evolutivo - neuronal hbrida , la combinacin de algoritmos
genticos (gas) y redes neuronales artificiales y han encontrado un excelente rendimiento de enfoque hbrido .
Maity y Saha ( 2004 ) han evaluado los daos en las estructuras debido a la variacin de los parmetros
estticos utilizando la red neural.
El uso de ANN , la velocidad de la onda P y la propiedad anisotrpico de rocas fueron investigados por Singh
et al ( 2004a ) . Yong Lu (2005 ) ha estudiado los choques inducidos hornos de tierra utilizando redes
neuronales artificiales para minas subterrneas . Singh et al. (2005 ) han estudiado las constantes dinmicas de
masa de roca con la red neuronal y el sistema - neurro difusa . Singh et al. (2004b ) han predicho vibraciones
de la tierra debido a la voladura con error inferior.
Sawmliana et al. (2007 ) han investigado en los parmetros ms influyentes que afectan AOP como el peso
mximo de carga por demora , la profundidad de enterramiento de carga , carga total despedido por la
explosin de ronda y la distancia de medicin y prediccin AOP utilizando la red neuronal artificial . Los
valores predichos de AOP por Ann se compararon con los predichos por la ecuacin generalizada
incorporacin de peso mxima por demora y distancia de medicin . Los resultados obtenidos del anlisis de
redes neuronales mostraron que la profundidad de enterramiento de los cargos y el peso mximo de carga por
retraso fueron algunos de los parmetros de hornos diseados que tienen ms influencia en la AOP . El
porcentaje medio de error de prediccin para la ANN y la ecuacin generalizada fueron 2,05 , 5,97 ,
respectivamente, y el coeficiente de correlacin fueron 0,931 y 0,867 , respectivamente . Una vez ms, est
conformada que la relacin entre medidos y los valores predichos de AOP se encontr que era ms lgico en
el caso de ANN .
Remennikov y Mendis (2006 ) han puesto de relieve la importancia de modelo basado en redes neuronales
para predecir la carga de chorro de aire en configuraciones ambientales complejos, tales como un entorno
urbano denso o un entorno de explosin detrs de una barrera de explosin.