به گزارش ایلنا و به نقل از روابط عمومی دانشگاه صنعتی امیرکبیر، آرین خیری دانشجوی دکتری مهندسی عمران-ژئوتکنیک دانشگاه صنعتی امیرکبیر طرحی با عنوان "به کارگیری مدل‌های هیبریدی برای بهینه‌سازی چند هدفه در فرآیند حفاری و آتشکاری در معادن روباز و زیرزمینی" را ارائه کرد.
وی گفت: امروزه علی رغم پیشرفت فناوری در سطوح مختلف مهندسی معدن و زمین شناسی، از انجام برخی از فعالیت‌ها نمی‌توان اجتناب کرد که از آن جمله می‌توان به فرآیندهای حفاری و آتشکاری در اکثر معادن روباز و زیرزمینی به منظور استخراج ماده معدنی اشاره کرد.
خیری خاطر نشان کرد: در عملیات‌های آتشکاری، تنها درصد کمی از انرژی مواد منفجره برای خردایش سنگ‌ها استفاده می‌شود و بخش بزرگی از این انرژی به صورت لرزش، امواج فشاری و پرتاب سنگ از دست می‌رود.
این دانشجوی دانشگاه صنعتی امیرکبیر: هدف اصلی این ایده را، کاهش اثرات جانبی مانند لرزش‌های زمین، پرتاب سنگ و آلودگی‌های صوتی ذکر کرد و گفت: این روش در عین حال، خردایش بهینه سنگ‌ها، کاهش هزینه‌های مربوط به مواد منفجره و جلوگیری از آسیب به محیط زیست را تضمین می‌کند.
وی افزود: برای رسیدن به این هدف، استفاده از مدل‌های یادگیری ترکیبی (Hybrid Learning) که شامل یادگیری تقویتی (Reinforcement Learning) در کنار شبکه‌های عصبی مصنوعی (ANN) و الگوریتم‌های بهینه‌سازی ژنتیکی (GA) است، پیشنهاد می‌شود.
به گفته خیری، این مدل‌ها می‌توانند با دریافت داده‌های مختلفی شامل پارامترهای قابل کنترل مانند فاصله چال‌ها، عمق حفاری، نوع و مقدار مواد منفجره و همچنین پارامترهای غیرقابل کنترل مانند ویژگی‌های زمین‌شناسی و کیفیت سنگ، الگوهای بهینه حفاری و آتشکاری را ارائه دهند.
این دانشجوی دانشگاه صنعتی امیرکبیر گفت: به عنوان مثال، این مدل قادر است با استفاده از تکنیک‌های شبیه‌سازی، میزان لرزش و پرتاب سنگ‌ها را در زمان واقعی تخمین بزند و به طراحان انفجار کمک کند تا با تنظیم بهینه پارامترها، میزان مصرف مواد منفجره را کاهش داده و از اثرات زیست‌محیطی جلوگیری کند.
وی تاکید کرد: از این ایده می‌توان در عملیات‌های عمرانی نظیر تامین مصالح ساختمانی، ترانشه زنی، پی کنی و حفاری فضاهای زیر زمینی که به عملیات آتشکاری و انفجار وابسته هستند، بهره برد.
خیری گفت: این ایده در هشتمین جشنواره اندیشمندان و دانشمندان جوان به عنوان "برگزیده نهایی" در بخش ایده پردازان حوزه زمین شناسی انتخاب شد.