LA APLICACIN DE RED NEURONAL ARTIFICIAL PARA

LA EVALUACIN DE RENDIMIENTO DE EXPLOSIN

A pesar del progreso tecnolgico en el campo de rotura de la roca, la explosin es
todava unos recursos econmicos de excavacin de la roca para la minera o la
ingeniera civil se proyecta. La explosin tiene algunos efectos secundarios
medioambientales as como tambin de la sociedad como las vibraciones del suelo,
aire Explosiones, ruidos, hacia atrs suspensiones, rocas voladas , polvos y, por
supuesto, la molestia de habitantes viviendo alrededor las zonas mi mineras. Reciente
avances en el campo de tcnicas de voladura pueden minimizar tales efectos adversos
mediante la optimizacin de la roca. El propsito de este escrito es presentar las
tcnicas, los avances, los problemas y la probable direccin de futura evolucin de las
exploraciones de las aplicaciones de Redes Neuronales Artificiales (ANA) en la
fragmentacin de la roca de voladura y su importancia en minimizar
los efectos secundarios para medio ambiente en en particular y la sociedad en general.
Muchos investigadores han encontrado el anterior algoritmo de propagacin en ANA
es especialmente capaz de solucionar problemas de prediccin de voladura de roca .
ANA ha sido exitosamente aplicada en pronosticar, controlar, evaluando impacto de
parmetros del diseo de explosin, vibraciones del suelo, chorros de aire concusin
(GOLPE DE PRESION DE AIRE)(onda de choque) , anteriores suspensiones. etc en las
minas. ANA necesita ser aplicada adentro ciertas zonas grises, como la prediccin y el
control de los peligros de la voladura de roca en minas a cielo abierto, polvo inducido
por la explosin , etc

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.

La iniciacin del explosivo en el barreno convierte energa qumica en un enorme volumen de

gases y vapores. De este modo, intensos esfuerzos dinmicos se genera alrededor del orificio de
explosin debido a la aceleracin repentina de la rockmass por el gas detonante la presin en la
pared lateral. Las ondas de tensin son transmitidos a los rockmass rodean y generan un
movimiento ondulatorio ( Wharton et al., 2000 ) . Estas ondas de tensin llevan energa de
deformacin que es responsable de la fragmentacin de la rockmass por medio de mecanismo de
rotura , tales como trituracin, radial agrietamiento, y la reflexin rotura en presencia de un libre
cara. La zona triturada y zona de fractura radial abarcan una volumen de roca deformada
permanentemente.
A partir de entonces, la intensidad de la onda tensin disminuye y no causa permanente deformacin en la
rockmass . Las ondas se propagan de deformacin a travs del medio como las ondas elsticas . Las ondas en
una zona elstica se caracteriza por la velocidad culmnate de la roca las partculas a travs del cual se
propagan y su comportamiento es esencialmente visco - elstico ( Hagan, 1983 ) .
El desarrollo de la relacin emprica dentro de la parmetros para un sistema dado puede ser til para la
prediccin. Sin embargo, las leyes subyacentes el comportamiento de un sistema no son fciles de entender y
las regularidades empricas no son siempre evidente y, a menudo puede ser enmascarada por los peligros
ambientales . Es por eso que , hoy en da , las tcnicas ms precisas como Redes Neuronales Artificiales (
RNAs ) , mxima verosimilitud Clasificacin ( MLC ) , Algoritmo Gentico ( GA ) , Tcnica para Orden de
Preferencia La similitud con la solucin ideal ( TOPSIS ) , etc. se aplican con frecuencia ( Monjezi et al ,
2007; . Tawadrous , 2006) .
La dificultad general en el modelado de las masas de roca por mtodos numricos es que la roca es un
material natural, por lo que la propiedades fsicas o de ingeniera que se han establecido y la masa rocosa es
en gran parte discontinua, anisotrpico , no homognea y no elstico (Harrison y Hudson, 2000 ) . Este
problema se puede superar en cierta medida en neural redes como las limitaciones geomtricas y fsicas de la
problema que aparece en las ecuaciones de gobierno y constitutiva leyes , cuando se utilizan las tcnicas de
modelizacin numrica , lo hacen no tan dominante en redes neuronales ( Jing, 2003 ) .
LA ARQUITECTURA ANA EN PROBLEMAS DE EXPLOSIONES
Tcnica ANN es relativamente una nueva rama de la "inteligencia artificial" ( AI ) y se ha desarrollado desde
la dcada de 1980 ( Grossber , 1991 ; . Hertz et al , 1990; Rumelhart y McClelland , 1986) . La tcnica ANN
se considera que es una de las herramientas inteligentes ampliamente utilizados para simular problemas
complejos. La ANN es informacin - sistema de procesamiento de la simulacin de estructuras y funciones
del cerebro humano ( Simpson , 1990 ) . Una red neural puede ser considerada como un centro inteligente, ya
que es capaz de predecir un patrn de salida sobre la base de aprendizaje anterior. Tras la finalizacin de la
formacin adecuada, las redes neuronales pueden detectar similitudes cuando se presenta un nuevo modelo y,
en consecuencia, dar lugar a un patrn de salida prevista. Esta propiedad le da la capacidad de interpolacin
excelente a la tcnica, sobre todo cuando los datos de entrada es ruidoso. Esta tcnica tiene la capacidad de
generalizar una solucin del patrn presentado a la misma durante el entrenamiento.
El desarrollo de una red neuronal se puede clasificar en tres etapas: la definicin de la arquitectura de red ,
capacitacin y anlisis ( Freeman y Skapura , 2002) . Una red neuronal debe ser entrenada y probado antes de
interpretar la nueva informacin. La red neuronal se form primero mediante el procesamiento de un gran
nmero de conjuntos de datos. Una serie de algoritmos estn disponibles para el entrenamiento de las redes
neuronales artificiales, entre todos los algoritmos disponibles el algoritmo de retro propagacin desarrollado
por Werbos (1974) se aplica ampliamente en diferentes campos de la ciencia y la ingeniera , ya que es la
tcnica ms verstil y robusta . El algoritmo basado en el mtodo de aproximacin de Levenberg Marquardt
es ms potente que los mtodos de descenso de gradiente de uso comn. Levenberg Marquardt aproximacin

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) .

El mtodo inteligente artificial de la simulacin y prediccin de voladura es exacta , fiable , prctico ,

orientado a usuario , y fcil de operar , as como tiles para los ingenieros ( Lianjon et al . , 2002) . Modelos
de redes neuronales proporcionan capacidades descriptivas y predictivas y, por esta razn , se han aplicado a
travs de la gama de identificacin de los parmetros de la roca y las actividades de ingeniera ( Hudson y
Hudson, 1997 )
APLICACIONES
Como ANN es de carcter multidisciplinario , que est siendo utilizado con xito en muchas reas industriales
, as como en reas de investigacin . Singh et al. ( 2001) han predicho las propiedades de resistencia de las
rocas esquistosas por red neuronal . La estabilidad del vertedero de residuos de ngulo de la pendiente de
descarga y altura de descarga es investigado por Khandelwal y Singh (2002 ) . Ellos encontraron resultados
muy realistas como en comparacin con el otro enfoque analtico. Yang y Zhang ( 1997 ) han llevado a cabo
las pruebas de carga y punto analizado utilizando ANN . Cai y Zhao ( 1997 ) han discutido sobre el diseo del
tnel y la seleccin ptima de la medida de apoyo de roca para asegurar la estabilidad del tnel usando redes
neuronales . Maulenkamp y Grima (1999 ) han predicho resistencia a la compresin uniaxial usando redes
neuronales . ANN tcnica se ha utilizado para la determinacin de los tipos de eventos , tales como terremotos
, voladura en minas, explosiones qumicas , etc., de datos sismolgicos por ( Dysart y Pulli , 1990 ; Finnie ,
1999 ; Musil y Plensiger , 1996 ; Rudajev y Ciz , 1999 ) . Neaupane y Achet (2004 ) utilizaron de nuevo a la
red neuronal de propagacin para el monitoreo de deslizamientos en mayor regin del Himalaya . Muchos
otros investigadores tambin han utilizado esta tcnica para la prediccin de varios parmetros complejos a
partir de los parmetros de entrada simples ( Dehghani , 2007 ; Kim et al ., 2001; Kosko , 1994; Yang y
Zhang 1997 ) .
3. ANN en las vibraciones del suelo
Explosiones, si no se disea adecuadamente, puede dar lugar a movimientos de tierra de intensidad suficiente
para daar las estructuras cercanas. Planta de vibracin es una onda ssmica que se extendi desde el barreno
cuando deton de manera confinada Khandelwal , (2012 ) . Entre todos los efectos nocivos de la voladura , la
vibracin del suelo es de las principales preocupaciones para los planificadores, diseadores y ambientalistas (
Hagan , 1973) . La prediccin y el control de las vibraciones del suelo inducida por la explosin - ha sido un
tema de inters de los investigadores en los ltimos decenios ( Ambraseys y Hendron , 1968; Dowding , 1996;
Duvall y Fogleson , 1962; Norma de la India , 1973; Langefors , Kihlstrom , Westerberg , 1958 ; Pal Roy ,
1993 ; . . . . Wiss y Linehan , 1978 , Khandelwal , 2012 , Jahed et al 2013 , Duan et al 2010 , Monjezi et al
(2013 ) , Gorgulu et al (2013 , ) la intensidad de la vibracin del suelo inducida por la explosin - se ve
afectada por parmetros tales como las propiedades fsicas y mecnicas de la masa de roca , las caractersticas
del explosivo , y el diseo de voladura ( Gorgulu et al . 2013, Singh , Singh , y Goyal , 1994) . la roca
circundante tipos tienen influencia moderada en la vibracin del suelo en comparacin con diseo de rfaga (
Wiss y Linehan , 1978 ) discontinuidad geolgica tambin juega un papel importante en la transmisin de las
vibraciones del suelo . ( Fourney et al ., 1993; Singh y Sastry , 1986 ) .
La vibracin del terreno se mide por la velocidad de partcula mxima ( PPV) . Un nmero de frmulas
empricas y relaciones existe para la prediccin de PPV como una funcin de la distancia a escala para dadas
las condiciones del sitio geolgicos ( Ambraseys y Hendron , 1968 ; Duvall y Fogleson , 1962 ; Gupta, Pal
Roy, y Singh, 1987 ; Hendron , 1977; Norma de la India , 1973; Langefors U y Kihlstrom , 1978; McMahon ,
1993; Murrell y Joachim , 1996; Wiss , 1981 , M. Monjezi et al 2011) . . Como las propiedades de onda de
tensin se ven afectados por muchas variables inherentes que toman parte en un proceso fsico complejo tal ,
es decir, la densidad de carga , las propiedades de masa de roca, y la geometra de la explosin, se observ
que la diferencia de PPV a la misma distancia de escala diferente hornos pruebas podran variar por ASM100
veces como mucho ( Dowding , 1985 ) . A pesar de los numerosos intentos , an no es posible desarrollar un
predictor que relaciona la intensidad de la vibracin a la gran nmero de parmetros que caracterizan voladura
para una situacin dada , por ejemplo dimetro del agujero y la profundidad , nmero de agujeros critic ,
espaciado , carga , derivada altura de la columna , la cantidad de explosivo critic por demora y distancia
horizontal y radial de la explosin ( Singh , 1995 ; 2004)
M. Monjezi et al. (2011 ) desarrollaron un modelo para predecir la vibracin del suelo blastinduced usando
redes neuronales artificiales (RNA ) en el proyecto Siahbisheh , Irn . Para construir el modelo de carga

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.

4. ANN EN EXPLOSION DE AIRE

El Chorro de aire se considera que es uno de los efectos secundarios ms perjudiciales debido a la generacin
de ruido. Inducida por chorro de aire de sobrepresin es la energa transmitida a travs de la atmsfera desde
el lugar de la explosin en la forma de una serie de ondas de presin . Sobrepresin simplemente significa que
la presin por encima de la de la presin atmosfrica est presente y el trmino de AOP se utiliza para
describir la airwave generada por la voladura ( Oriard , 2002) . AOP se mide generalmente en decibelios (dB
), utilizando la ponderacin de frecuencia lineal ( L ) . Cuando un explosivo se deton , se generan ondas de
presin de chorro de aire transitorios ( Wharton et al. , 2000) y estos fenmenos transitorios pasada para un
segundo o as. A diferencia de las vibraciones del suelo inducida por la explosin , los impactos al chorro de
aire de la casa por el techo , paredes y ventanas de las estructuras y en raras ocasiones puede causar daos
escala pesado y grande ( Kuzu et al . , 2009) . Adems , causa molestia a las personas que viven alrededor de
las reas mineras y puede dar lugar a la confrontacin entre la cantera y la gestin de las personas afectadas (
Konya y Walter , 2001; Pal Roy , 2005) .
A veces , chorro de aire se denomina como ' ' el ruido de la explosin " . Pero , el trmino ' ' ruido de
explosin " es engaoso porque el ruido de la explosin se produce en un amplio rango de frecuencias y el
mayor ruido explosin de energa por lo general ocurre a frecuencias inferiores a la de la audicin humana ( <
20 Hz ) . Energa por encima de 20 Hz es perceptible para el odo humano como el sonido, mientras que por
debajo de 20 Hz es inaudible , sin embargo, puede ser detectada en forma de conmocin cerebral. Como su
nombre implica , chorro de aire - sobrepresin es una medida de los cambios de presin transitorios.
Sobrepresin de aire se forma ya sea por la accin directa de los productos de la explosin de un explosivo no
confinada en el aire o por la direccin de un material de confinamiento sometido a la explosin de la carga (
Bhandari , 1997 ) .
Una ecuacin generalizada ha sido propuesto por muchos investigadores para predecir AOP , pero debido a su
naturaleza especfica del sitio , no puede ser aplicable universalmente . Khandelwal y Singh (2005 ) han
intentado predecir el chorro de aire mediante una red neuronal mediante la incorporacin de la carga mxima
por demora y la distancia entre la cara explosin a punto de monitoreo . Ellos compararon los valores medidos
de AOP a las del predicho por ANN , generalizada ecuaciones de prediccin empricos y las relaciones
convencionales y encontraron que el porcentaje medio absoluto de error para ANN fue 2.7437 , mientras que
para la ecuacin generalizada y el anlisis estadstico , fue 8.6957 y 6.9179 respectivamente.

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.

5. ANLISIS FRAGMENTACIN EN ANN

Ruptura de regreso se puede definir como rocas rotas ms all de los lmites de la fila trasera de agujeros en
un patrn de explosin ( Jimeno , Jimeno , y Carcedo , 1995 ) . Backbreak es uno de los efectos secundarios
destructivos de la operacin de voladura . La reduccin de este evento es muy importante para el desarrollo
econmico de un proyecto minero , Monjezi et al (2013 ) Puede causar dificultad en la perforacin en nuevos
bancos , teniendo canto rodado en la prxima explosin, cadas de rocas , la inestabilidad de la pared final, la
fragmentacin indebida , etc. , y en consecuencia aumentar el costo total de una operacin de minera. Konya
(2003 ) cree que la ruptura de regreso cuando aumenta la carga y / o derivada aumento . Sari et al., 2013
deriva que la longitud resultante es el parmetro ms importante en el control backbreak . Puerta et al. (2005 )
han explicado que la principal razn de la ruptura de regreso es el tiempo de retardo insuficiente y / o
aumentar el nmero de filas en una ronda de explosin.
Monjezi et al. ( 2006a ) han predicho la relacin de pila de escombros antes y despus de la explosin , el
rock y explosivo total utilizada en la operacin de voladura usando redes neuronales artificiales volar. Estas
aplicaciones demuestran que los modelos de redes neurales son eficientes en la solucin de problemas cuando
muchos parmetros influyen en el proceso , y cuando el proceso no se entiende completamente . Monjezi et
al. (2008 ) han utilizado la tcnica de redes neuronales artificiales para determinar el patrn de voladura
ptima cerca para que ruptura de regreso se puede minimizar y se encontr que la proporcin de derivados
para carga , la relacin de la ltima carga fila a carga total , factor de polvo , la carga total por retardo y el
nmero de filas en una ronda de voladura son las principales causas de los problemas de ruptura de regreso .
Li et al. ( 2006) han propuesto un sistema de acoplamiento de la base de datos de ingeniera y tres redes
neuronales propagacin en capas de vuelta para pre - divisin de diseo de voladura . Monjezi et al. ( 2006b )
han estimado la carga en el tnel de voladura con el uso de un multi capa posterior propagacin de redes
neuronales que se utiliza para entrenar y probar el modelo desarrollado para permitir la prediccin de la carga
. Monjezi et al. (2010 ) ha pronosticado fragmentacin de roca en la mina de cobre Sarcheshmeh mediante el
desarrollo de un modelo de uso de la red neuronal artificial . Zhu y Wu (2005 ) han comparado la previsin de
las voladuras y la fragmentacin de las redes neuronales y de correlacin. Ellos encontraron que la red
neuronal mejor la estabilidad del modelo .
Karami et al. (2006 ) han adoptado la tcnica de redes neuronales artificiales (RNA ) en la prediccin de la
ruptura de regreso en Gole - Gohar mina de mineral de hierro , Kerman , Irn y confirm la alta capacidad de
la red neuronal en diseos de hornos.
Tawadrou y Katsabani (2005 ) han puesto de relieve la importancia de las redes neuronales artificiales en la
prediccin de la geometra de los patrones de hornos de superficie en las canteras de piedra caliza . Se utilizan
11 parmetros de entrada que afectan a la diseo de rfaga tales como buzamiento de la formacin , el
dimetro del barreno , inclinacin del barreno , altura del banco , sistema de iniciacin , la gravedad
especfica de la roca, a la compresin y resistencia a la traccin , mdulo de Young , la energa especfica del

explosivo y el promedio resultante tamao de la fragmentacin y la carga prevista y el espaciamiento de la

explosin. El modelo construido se utiliz para llevar a cabo estudios paramtricos para mostrar el efecto del
dimetro del barreno y altura del banco en la geometra del patrn de explosin.
La distribucin de la fragmentacin lodo - pila basado en patrones de hornos diseados utilizando la funcin
de base radial ( RBF ) de red neuronal ha sido predicho por Moghadam et al . (2006 ) . Utilizaron dimetro
explosin hoyos , nmero de hoyos, carga , espacio , profundidad del agujero , derivado, nmero de filas , la
velocidad de detonacin , cargo por demora , el factor de polvo , ndice blastability , nivel de agua como
parmetros de entrada y el de salida se presenta en trminos de tamao equivalente pantalla que pasa a 80 %
de los materiales chorreados , tamao de pantalla equivalente que pasa a 63,2 % de los materiales chorreados ,
y el ndice de uniformidad .
Bahrami et al. (2011 ) haban desarrollado un modelo para predecir la fragmentacin de la roca debido a la
voladura mediante la implementacin de mtodo de redes neuronales artificiales ( ANN ) . En el desarrollo de
propuestas modelo de ocho parmetros tales como el dimetro del orificio , la carga , el factor de polvo , el
ndice de blastability etc. , fueron incorporados . Formacin de modelo se realiz mediante retropropagacin
algorithem utilizando 220 conjuntos de datos. Una de cuatro capas ANN se tom como ptima con la
arquitectura 10-9-7-1 . El anlisis de sensibilidad revel que los parmetros ms eficaces en la fragmentacin
de la roca son ndice blastability , cargo por demora, carga , factor de SMR y polvo .
El uso de ANN , Jong y Lee (2004 ) explic la influencia de las condiciones geolgicas en el factor de polvo
para voladura del tnel . Leu et al. ( 1998 ) analiz en profundidad la influencia de factores en polvo para
chorro de tnel. Jong y Lee (2002 ) predijo factor de polvo y velocidad de partcula mxima de voladura del
tnel . Shan et al. (2007 ) demostraron la circulacin del tnel en trminos de un kilogramo de explosivos y
un metro de longitud del barreno.
6. ANN PELIGROS EN LA VOLADURA DE LA ROCA
Flyrock se define como la roca impulsado ms all del rea de la explosin por la fuerza de una explosin
(IME , 1997 ) . Cuando estos fragmentos de roca son arrojados fuera del rea protegida , que resultan en
lesiones humanas , muertes y daos de estructura . Flyrock que surge de las operaciones de detonacin es uno
de los problemas cruciales y complejos en la industria minera y su prediccin desempea un papel importante
en la reduccin al mnimo de los peligros relacionados. ( Ebrahim Ghaesemi et al . 2012) .La falta de
seguridad y rea de la explosin Flyrock represent el 68.2 % accidentes en EE.UU. ( Kecojevic y Radomsky
, 2005) . Un anlisis de la voladura accidentes en las minas de la India indic que ms del 40 % de los
mortales y el 20 % de los accidentes graves fueron causadas por Flyrock ( Bhandari , 1997) . Las principales
causas de Flyrock en minas a cielo abierto se reducen carga , longitud inadecuada derivada , perforacin
defectuosa , backbreak , y roca suelta en la parte superior de la banca debido a la mala explosin anterior ,
muy alta concentracin explosiva , el tiempo de retardo apropiado , y su secuencia , la inexactitud de retrasos
condiciones geolgicas desfavorables , tales como juntas abiertas , costuras dbiles , cavidades , etc. (
Adhikari , 1999 ; Fletcher y D' Andrea , 1986 ; Persson , Holmberg , y Lee , 1984 ; ehk et al , 2001 ; . Shea
y Clark , 1998 ; Siskind y Kopp, 1995 ; Workman y Calder, 1994 ) . Cualquier desequilibrio entre la
distribucin de la energa explosiva , fuerza geomecnica del macizo rocoso que rodea , y el confinamiento
crea una situacin de peligro potencial mediante la canalizacin de la energa a travs del camino de la menor
resistencia . Tal desequilibrio puede impulsar Flyrock ms all del rea de la explosin protegida y crear un
potencial de lesiones graves y muertes ( Bajpayee et al . , 2004) . Los resultados muestran que el factor de
carga en polvo y por retardo son los parmetros ms eficaces sobre la distancia de Flyrock .
Aplicacin de redes neuronales para predecir y controlar los peligros Flyrock en minas a cielo abierto no se ha
informado hasta el momento. Sin embargo , el intento ha sido hecho por Monjezi et al . (2007 ) para controlar
la mosca de la roca en las operaciones de voladura usando mtodo TOPSIS . En los ltimos aos , varias
investigaciones se han realizado para predecir Flyrock y la vibracin suelo por medio de backpropagation
convencional ( BP) de red neural artificial ( ANN) , Armaghmi et al., ( 2013 ) .
Monzei et al. (2013 ) aplicaron la red nueral Artificiales ( ANN ) para predecir Flyrock en voladuras
operacin de la mina de cobre Sungun , Irn . Nmero de modelos de RNA se trat utilizando diversos

permutacin y combinaciones , y se observ que un modelo entrenado con el algoritmo de retropropagacin

tener 9-5-2-1 arquitectura es la mejor ptimo. Flyrock tambin se calcula a partir de diversos modelos
empricos disponibles sugeridos por Lundborg . Modelos estadsticos tambin se ha hecho para comparar la
capacidad de prediccin de ANN sobre otros mtodos . La comparacin de los resultados mostr superioridad
absoluta del modelado ANN sobre lo emprico , as como modelos estadsticos .
7. CONCLUSIONES
Una red neuronal se ha encontrado para ser un buen enfoque para los problemas de fragmentacin de roca de
voladura y que est asociada a los riesgos ambientales como el rock mosca , las vibraciones del suelo , chorro
de aire , polvo, etc. en los que el mecanismo es muy compleja , hay muchos factores que influyen en la
proceso y los resultados . Muchos investigadores han encontrado la exactitud de la prediccin , el grado de
robustez o la tolerancia a fallos en ANN mejor que las tcnicas empricas y otras debido a la capacidad de
reconocimiento de patrones y aprendizaje continuo .Ms ms , el predictor red neuronal toma mucho menos
tiempo para interpretar los nuevos datos que los existentes echniques una vez que est entrenado
adecuadamente .
La capacidad de las redes neuronales para generalizar , es decir , para producir soluciones para los datos de
entrada previamente no se ve es la base misma de su previsibilidad . La previsibilidad de una red neuronal se
incrementa con el aumento del nmero de variables de entrada , ya que mejora la capacidad de ANN para
aprender y capacitarse . Alimente hacia adelante de nuevo algoritmo de propagacin se ha utilizado
ampliamente , debido a su robustez en problemas de prediccin , especialmente en materia de ciencia e
ingeniera de roca .
Se puede esperar que con la mejora de la base de datos de entrenamiento , en trminos de tamao, as como la
diversidad de los valores de las variables , las redes neuronales ms robustos pueden ser construidos para la
mejor representacin del sistema fsico para la solucin completa de hornos relacionada efectos peligrosos
que lo har ms tarde con la ayuda de proponer directrices ms cientficos para suavizar las operaciones de
voladura en particular, as como para mantener y proteger la geo- medio ambiente en general .