Un estudio comparativo sobre la aplicacin de diversas redes neuronales artificiales para la prediccin simultnea de fragmentacin de roca y backbreak

A. Sayadi una , M. Monjezi b , N. Talebi una , Manoj Khandelwal c ,

una b

Universidad Azad Islmica, Tehern South Branch, Tehern, Irn

Facultad de Ingeniera, Universidad Tarbiat Modares, Tehern, Irn Maharana Pratap Universidad de Agricultura y Tecnologa, Udaipur, India

Recibido el 27 de Marzo de 2012, revisada 05 de julio 2012, aceptado 25 de julio 2012, disponible en lnea 25 de mayo 2013

Acceso abierto financiado por la Academia China de Ciencias Elija una opcin para localizar / acceder a este artculo:
Mostrar menos

http://dx.doi.org/10.1016/j.jrmge.2013.05.007

Abstracto
En operacin de voladura, el objetivo es lograr la fragmentacin adecuada y para evitar eventos indeseables tales como backbreak. Por lo tanto, la prediccin de fragmentacin de roca y backbreak es muy importante para llegar a un resultado tcnicamente y econmicamente exitoso. Dado que muchos parmetros afectan a los resultados de voladura en un mecanismo complicado, el empleo de mtodos robustos, tales como la red neuronal artificial puede ser muy til. En este sentido, el presente trabajo se ocupa de la prediccin simultnea de fragmentacin de roca y backbreak en la operacin de voladura de Tehern de cemento de la compaa de minas de piedra caliza en Irn. Volver red de propagacin neural (BPNN) y la red de base radial funcin neural (RNFBR) se adoptan para la simulacin. Adems, se realiz un anlisis de regresin entre las variables independientes y dependientes. Para el modelado BPNN, una red con arquitectura 6-10-2 se encuentra para ser ptima, mientras que para la RNFBR, arquitectura 6-36-2 con el factor de propagacin de 0,79 proporciona la mxima capacidad de prediccin. Comparacin del rendimiento de los modelos desarrollados se ha cumplido con la cuenta de valor (VAF), raz del error cuadrtico medio (RMSE), el coeficiente de determinacin ( R 2 ) y el error relativo mximo (MRE). Como tal, se observa que el modelo BPNN es el modelo ms preferible proporcionar la mxima precisin y error mnimo. Adems, el anlisis de sensibilidad muestra que los insumos de la carga y

derivados son los parmetros ms eficaces sobre la fragmentacin y backbreak salidas, respectivamente. Por otro lado, por tanto de las salidas, carga especfica es el parmetro menos eficaz.

Palabras clave
Fragmentacin de Roca ; Backbreak ; De redes neuronales artificiales ; Propagacin hacia atrs ; Funcin de base radial

1. Introduccin
Backbreak es uno de los fenmenos indeseables en la operacin de voladura. En otras palabras, una explosin, sin efectos no deseados se puede evaluar como una actividad exitosa, y en ese tipo de actividad, una gran parte de la energa disponible se ha consumido en la direccin correcta, es decir, la fragmentacin de roca. La fragmentacin de la roca puede ser considerado como el objetivo principal de la operacin de voladura. La distribucin de tamao de los fragmentos de roca es muy importante en la economa de la minera y el procesamiento de las plantas en general ( Michaux y Djordjevic, 2005 y Monjezi et al., 2009 ).Por otro lado, la operacin de voladura generalmente se acompaa de diversos fenmenos no deseados tales como backbreak. Backbreak es la zona de fractura ms all de la ltima fila de voladura ( Jimeno et al., 1995 ). La ocurrencia de este fenmeno es una indicacin de desperdiciar energa potencial explosivo.Adems, tiene algunos otros efectos peligrosos tales como la inestabilidad de laderas. Por lo tanto, las medidas correctivas se deben presentar para la disminucin y / u omitir backbreak. Los parmetros de diseo hornos eficaces son (1) la voladura componentes del patrn, (2) el rock propiedades geomecnicas de mas as, y (3) las especificaciones de explosivos ( Thornton et al., 2002 , Zhu et al., 2007 y Zhu et al., 2008 ). La aplicacin de un patrn de voladura adecuado, como un parmetro controlable, es muy importante en la prevencin de backbreak y el logro de la fragmentacin adecuada ( Monjezi y Dehghani, 2008 ). Gates y otros. (2005) sealaron que la backbreak se incrementa cuando se aplica temporizacin de retardo apropiado. Muchos investigadores creen que la carga excesiva es la causa principal de la backbreak y la produccin de fragmentos de rocas de gran tamao ( Konya y Walter, 1991 y Konya, 2003 ). Hasta la fecha, se han desarrollado varios modelos empricos para predecir los resultados de voladura. Sin embargo, la complicada naturaleza del problema debido a la multiplicidad de los parmetros efectivos ha provocado el desarrollo de modelos de prediccin simplificado con un nmero limitado de variables independientes. Las suposiciones de simplificacin son la principal causa de los malos resultados de los modelos empricos. Por otra parte, la prediccin simultnea de backbreak y la fragmentacin no es

posible utilizando modelos desarrollados anteriormente. Con el fin de superar las deficiencias de los modelos empricos, la inteligencia artificial (AI) mtodos basados pueden efectivamente ser aplicados a la solucin de problemas complicados.Algunos de los paradigmas ms populares de AI son la red neuronal artificial (ANN), el sistema de inferencia difuso (FIS) y el algoritmo gentico (GA). ANN tiene la capacidad de aprender, evocar y generalizar a partir de los patrones dados ( Cheng y Ko, 2006 ).Su alto rendimiento en la solucin de problemas complejos ha hecho que esta tcnica tan aplicable. Varias aplicaciones del mtodo de ANN en ingeniera de rocas han sido reportados en la literatura ( Cai y Zhao, 1997, Yang y Zhang, 1997a , Yang y Zhang, 1997b , Maulenkamp y Grima, 1999 , Benadros y Kaliampakos, 2004 y Ermini et al. , 2005 ). Adems, varios investigadores han aplicado el mtodo en el campo de la mina de voladura ( Khandelwal y Singh, 2005 , Khandelwal y Singh, 2006 , Khandelwal y Singh, 2007 , Khandelwal y Singh, 2009 , Bakhshandeh et al., 2010 , Kulatilake et al. , 2010 , Khandelwal, 2010 , Khandelwal, 2012 y Monjezi et al., 2010 ). En este trabajo, un intento se ha hecho para predecir simultneamente backbreak y fragmentacin debido a la voladura de la operacin en el cemento de la compaa de minas de piedra caliza de Tehern con el mtodo ANN.

2. Estudio de caso
Tehern Cement Company minas de piedra caliza, es decir Bibishahrbanoo, Nesari y Safaie, se encuentran en el sureste de Tehern. Estas minas estn en desarrollo y tienen un total de depsitos de piedra caliza probadas de 41,3 millones de toneladas. Desde el punto de vista geolgico, estas minas estn situadas en las rocas sedimentarias del Cretcico. Las capas de piedra caliza con una extensin eastwest tienen 75 dip hacia el norte. La piedra caliza es la capa de la exposicin principal de la zona, mientras que en algunas partes se observan tambin esquisto negro y crema margas. La mina Nesari est a 10 km al noreste de Tehern Cement Company. Las capas de dolomita y piedra caliza dolomtica se observan en esta mina en una formacin estrecha franja. Safaie Mountain tambin se encuentra en el noroeste de Bibishahrbanoo Montaa ( . Fig. 1 ).

La figura. 1. Tehern minas de piedra caliza de la empresa de cemento. Opciones Figura

Las especificaciones de patrones de voladura de minas de piedra caliza se presentan en la Tabla 1 . La media de tamao de los fragmentos de 45 cm es adecuado para el chancador primario mo.
Tabla 1. Voladura especificaciones de patrones de las minas de piedra caliza. Tipo explosivo principal ANFO Tipo de explosivo secundario Emulacin Patrn de agujeros de voladura V-cut (escalonada) Altura del banco (m) 15 Dimetro del agujero (mm) 76 Filas por explosin 1-4 Los agujeros por fila 10-15 Opciones de la tabla

Los parmetros controlables de la carga, el espaciamiento, derivado, altura del banco, cargo especfico y perforacin especfica se consideran como insumos para desarrollar un modelo para predecir la ANN backbreak y fragmentacin de roca como los resultado s de los modelos. Fig. 2 muestra la backbreak indeseable despus de la voladura en las minas.

La figura. 2. El backbreak indeseable despus de la voladura en las minas. Opciones Figura

Se observa que, para determinar la calidad de la fragmentacin, se emplea el mtodo de procesamiento de imgenes. Como tal, el 80% el tamao de paso (D80) se considera como el ndice de evaluacin de la fragmentacin. Variaciones de los parmetros de entrada y de salida se dan en la Tabla 2 . En este estudio, 103 conjuntos de datos se recogen de las operaciones prcticas de voladura de las minas. Los conjuntos de datos disponibles se agrupan en la formacin y las pruebas de datos. Para ello, utilizando el mecanismo de seleccin, el 10% de los conjuntos de datos se mantienen separados para las pruebas y la evaluacin de las simulaciones.
Tabla 2. Estadsticas bsicas de las entradas y los parmetros de salida. Carga B (m) Separacin S (m) Altura AgujeroH (m) PartiendoT (m) Cargo especfico S C(kg / m 3 ) Perforacin especfica S D (m / m 3 ) Ruptur a de regreso porBB (m) 1-4 (2.41) Fragmentacin Fr (m)

01.08 a 04.05 (3.02)

1.7 a 4.3 (3.35)

2,5 a 28,5 (17,8)

1.6-3 (2.8)

1,96 a 28,68 (8.303)

0,063-0,226 (0.109)

0,37 a 1,76 (0,82)

Nota : Los nmeros entre parntesis representan los valores medios.

Opciones de la tabla

3. El anlisis estadstico
Anlisis multivariado de regresin (MVRA) es una extensin del anlisis de regresin, que se emple en primer lugar por Pearson en 1908 ( Yilmaz y Yuksek, 2009 ). Este mtodo se puede utilizar fcilmente para determinar la lineal y / o de la relacin no lineal entre variables criterio predictivos independientes y dependientes. La principal forma de MVRA es ecuacin( 1 )

Y =

+ + n x n

donde 1 , 2 , ..., n son los coeficientes de modelo de regresin; 0 es un valor constante; Y es la variable dependiente; y x 1 , x 2 , ..., x n son las variables independientes. Se desarrollaron dos modelos MVRA predecir considerando parmetros de entrada backbreak y fragmentacin que figuran en el cuadro 2 . Ecs. (2) y (3) mostrar formulaciones matemticas de los modelos desarrollados para predecir backbreak y la fragmentacin, respectivamente. Adems, los detalles estadsticos de los modelos MVRA se resumen en la Tabla 3 . ecuacin( 2 )

B B = 0,494 B 1,082 S 0,015 H 1,203 T -0.056 S C 23,576 S D -8.501

ecuacin( 3 )

F r = 0,371 B 0,215 S -0,012 H 0.182 T -0.025 S C 6.45 S D -1.959

Tabla 3. Coeficientes de regresin lineal para backbreak y fragmentacin.

Las variables independientes

Coeficiente de regresin Backbreak Fragmentacin -1.959 0.371 0.215 -0.012 0.182 -0.025 6.45

El error estndar Backbreak 7.746 0.804 0.868 0.035 0.72 0.049 19.33 Fragmentacin 1.882 0.194 0.213 0.009 0.178 0.014 4.756 Opciones de la tabla

Constante B S H T SC SD

-8.501 0.494 1.082 0.015 1.203 -0.056 23.576

4. Base de la red neuronal artificial

ANN es un subsistema de la IA. Este sistema de clculo es una simulacin de cerebro humano (Maulenkamp y Grima, 1999 ). ANN original fue presentado por McCulloch y Pitts (1943) , y desde entonces era popular y aplicable a diversos campos de la ciencia y la tecnologa para resolver problemas complicados. Capacidades de la tcnica son el clculo aritmtico y funciones lgicas, generalizando y transforman do las variables independientes a las variables dependientes, clculos en paralelo, el procesamiento de la no linealidad, el manejo de informacin imprecisa o confusa, funcin de aproximacin y reconocimiento de patrones. ANN est capacitado utilizando un conjunto de insumos reales y sus correspondientes salidas. Para una mejor aproximacin, se requiere un nmero suficiente de conjuntos de datos. El rendimiento del modelo entrenado est marcada con una parte de los datos disponibles conocidos como conjuntos de datos de prueba. Para encontrar la mejor red posible, varias topologas construidas y probadas. El proceso de modelo de formacin de pruebas ha de continuar hasta que el modelo ptimo con un mnimo de error y se consigue la mxima precisin. ANN entrenamiento-prueba ( Monjezi y Dehghani, 2008 ) se ilustra en la figura. 3 .

La figura. 3. Proceso neuronal artificial red de formacin de pruebas. Opciones Figura

Una red neuronal tiene una estructura en capas, y cada capa contiene unidades de procesamiento o neuronas. Las variables eficaces Problema se colocan en la capa de entrada,

mientras que los objetivos o variables dependientes se coloquen en la ltima (de sa lida) de la capa. Los componentes de computacin (recuadro negro) del sistema son las neuronas de las capas ocultas. Todas las capas estn conectadas entre s mediante conexiones ponderadas. Fig. 4 muestra una estructura tpica ANN. Cada neurona est conectada a las neuronas en la capa posterior. Sin embargo, no hay conexin entre las neuronas de la misma capa ( Demuth y Beale, 1994 ).

La figura. 4. Artificial estructura de la red neuronal. Opciones Figura

En el proceso de formacin, las interconexiones entre las neuronas se asignan inicialmente pesos especficos. La red sera capaz de realizar una funcin median te el ajuste de los pesos iniciales. Una sola neurona que contiene mltiples entradas ( x 1 , , x n ) y una sola salida ( y ) se muestra en la figura. 5 . En el proceso de la formacin ANN, un valor arbitrario inicial (peso) se asigna a las conexiones y entonces combinar todas las entradas ponderadas y generar la salida de neurona, y se aplica la siguiente ecuacin: ecuacin( 4 )

O = x i w i + b
donde x i es la entrada, w i es el peso de conexin, y b es el sesgo.

La figura. 5. Estructura de la neurona. Opciones Figura

Para asignar una salida de red de la neurona a su produccin real, una funcin de activacin f tiene que ser seleccionado. La funcin de transferencia se puede expresar como ecuacin( 5 )

y = f ( O ) = f ( x i w i + b )
Aplicando la ecuacin. (5) a la salida de la neurona suma inicial resultante de la ecuacin. (4) , la salida final de la neurona dentro de una gama de [0, 1] o [-1, 1] se consigue dependiendo del tipo de funcin de transferencia aplicada . Se observa que una sola funcin de activacin debe ser seleccionado para las neuronas de una capa particular. Tipo de la funcin de activacin es totalmente dependiente de la naturaleza del problema a resolver. Tambin sus respectivas presentaciones grficas se muestran en la Tabla 4 .Durante el proceso de formacin, la red intenta disminuir la diferencia entre los valores previstos y reales.
Tabla 4. BPNN funciones de transferencia ms usuales. Situacin Funcin de transferencia Las capas ocultas Diagrama de funcin de transferencia

Nivel de salida

Opciones de la tabla

Para ello, un algoritmo especfico es seleccionado por la que los pesos de conexin y los prejuicios se actualizan varias veces hasta que se proporcione el mnimo error. Hay varios tipos de algoritmos de entrenamiento, como la propagacin de ida y de base radial ( Demuth y Beale, 1994 ).

4.1. Red neuronal de propagacin Volver

Volver red neuronal de propagacin (BPNN) normalmente tiene una estructura de capas mltiples con uno o ms no lineal capa oculta y una capa de salida lineal. Es ampliamente utilizado como una herramienta de prediccin en diversos campos de las geociencias. Generalmente, en BPNN se utilizan cuatro funciones de transferencia tal como se presenta en la Tabla 4 . Estas redes pueden ser usados para hacer no lineal y / o correlacin lineal entre la entrada (s) y salida (s). Varios tipos de funciones, tales como Newton y de descenso de gradiente, se pueden utilizar para BPNNs de formacin. En la forma ms simple, los pesos y sesgos se actualizan con

frecuencia para disminuir la funcin de desempeo. Dos tcnicas diferentes (mtodo progresivo y mtodo batch) se aplican en el proceso de aprendizaje de la ANN. En el mtodo incremental pesos y sesgos se actualizan despus de cada entrada de entrada de red, pero en el proce so de modernizacin mtodo discontinuo se realiza despus de la entrada de todas las entradas. Generalmente, la funcin de rendimiento se considera como el error cuadrado medio ( MSE ), que se calcula por la siguiente ecuacin ( Demuth y Beale, 1994 y Benadros y Kaliampakos, 2004 ): ecuacin( 6 )

Turn MathJaxoff

donde N es el nmero de conjuntos de datos de entrada-salida.

4.2. Base radial funcin de red neuronal

Red de base radial funcin neural (RNFBR) es una de las redes artificiales eficientes. Estos tipos de las redes se utilizan sobre todo para la funcin de aproximacin. Sin embargo, tambin se pueden aplicar para el reconocimiento de patrones y clasificacin. Al llegar a errores muy pequeas durante el proceso de formacin puede s er considerado como la principal ventaja de RNFBR sobre BPNN ( Haykin, 1999 y Christodoulou y Georgiopoulos, 2001 ). A diferencia de BPNN, en la estructura de RNFBR, slo hay una capa oculta que hace que el tiempo de clculo muy inferior. Por otra parte, la funcin de transferencia de de la capa oculta es siempre de tipo Gauss: ecuacin( 7 )

Turn MathJaxoff

donde P es el vector de entrada; C J y j son el centro y la extensin (factor de difusin) de la funcin de Gauss, respectivamente. Como se ilustra en la figura. 6 una, ( P ) alcanza el valor mximo (1.0) cuando P es igual a 0,0. De esta manera, cuando la diferencia entre los valores de los pesos y las entradas es ms bajo, la salida de neurona ser mayor. De hecho, aqu la cantidad de la produccin de la capa oculta muestra la diferencia absoluta entre los pesos de las conexiones y los insumos. En la RNFBR, la j salida de la red d J ( Demuth y Beale, 1994 ) se puede calcular ecuacin( 8 )

Turn MathJaxoff

donde j es la j salida de neurona, y W ij es el peso de la capa de salida.

La figura. 6. (A) la funcin de transferencia de base radial (radbas) y (b) la estructura de una red de funcin de base radial. Opciones Figura

Durante el proceso de formacin, los parmetros C j , j y w ij son determinados por la red para proporcionar la mejor funcin de aproximacin. En este proceso, el nmero ptimo de neuronas necesarias para la capa oculta tambin est determinado por la red. La estructura de un RBFN se ilustra en la figura. 6 b.

5. Resultados y discusin
Para comparar el rendimiento del modelo de anlisis de regresin y el mtodo ANN, cuenta el valor de ( VAF ), raz del error cuadrtico medio ( RMSE ), el coeficiente de determinacin (R
2

) y el mximo error relativo ( MRE ) se utilizan:

ecuacin( 9 )

Turn MathJaxoff

ecuacin( 10 )

Turn MathJaxoff

ecuacin( 11 )

Turn MathJaxoff

ecuacin( 12 )

Turn MathJaxoff

donde y e y ' son los valores medidos y los predichos, respectivamente;

son los valores

medios medidos y predichos promedio, respectivamente; var () es la varianza. Tabla 5 muestra el rendimiento de algunos de los modelos BPNN construidos. Como se observa en esta tabla, modelo BPNN con la arquitectura 6-10-2 da el mejor resultado con errores mnimos y mxima precisin, y es considerado como el modelo ptimo entre los modelos BPNN. Adems, el cuadro 6 muestra el comportamiento de algunos de los modelos construidos RNFBR con diversos factores de propagacin.Como se ve a partir de la Tabla 6 , el modelo con el factor de propagacin de 0,79 proporciona los mejores resultados. Por otra parte, el desempeo del modelo de regresin se muestra en la tabla 7 . Fig. 7 , . Fig. 8 y la fig. 9 muestran la correlacin entre los resultados predichos y medidos para los tres mtodos de modelado. En la fig. 7 , . Fig. 8 y la fig. 9 , lnea discontinua muestra 01:01 lnea de pendiente, donde se miden y los valores previstos sern iguales. De la Tabla 5 , Tabla 6 y Tabla 7 y Figura. 7 , . Fig. 8 y la fig. 9, se observa que la modelizacin BPNN muestra mejor capacidad de prediccin en comparacin con los otros mtodos aplicados. Superioridad de BPNN sobre RNFBR tambin fue reportado por Monjezi et al.(2010) .
Tabla 5. Los ndices de rendimiento calculadas para modelos de red neuronal de propagacin de la espalda. No. Estructura neto R 2 (%) RMSE VAF (%) MRE (%)

BB 1 2 3 4 5 6 6-10-2 6-14-2 6-18-2 6-5-5-2 6-10-6-2 6-10-10-2 87.1 90.2 74.9 75.6 88.5 86.4

P. 84.8 86.7 65.3 66.1 79.5 73.8

BB 0.2206 0.3052 0.4867 0.3955 0.5438 0.367

P. 0.0673 0.1294 0.3581 0.3024 0.4147 0.2634

BB 90.21 82.73 77.35 81.47 70.31 85.34

P. 95.28 86.34 74.81 63.23 47.36 80.03

BB 16.58 20.2 43.5 36.11 52.74 27.96

P. 16.23 27.45 62.7 59.89 68.55 33.57 Opciones de la tabla

Tabla 6. Los ndices de rendimiento calculados de los modelos de redes neuronales de funciones de base radial. No. Factor de Spread 0.7 0.79 0.8 Estructura neto 6-36-2 6-36-2 6-36-2 R 2 (%) BB 1 2 3 48 51.5 50.3 P. 53.6 59.7 58.1 RMSE BB 0.461 0.3108 0.354 P. 0.249 0.112 0.158 VAF (%) BB 89.55 88.82 93.4 P. 76.12 86.53 89.6 MRE (%) BB 34.1 25 29.03 P. 38.46 29.63 32.52

Opciones de la tabla Tabla 7. Los ndices de rendimiento calculados para multivariado modelo de anlisis de regresin. R 2 (%) BB 75.1 P. 30.1 RMSE BB 0.672 P. 0.291 VAF (%) BB 34.77 P. 21.73 MRE (%) BB 45.32 P. 60.22 Opciones de la tabla

La figura. 7.

La correlacin de la medicin y estimacin de datos con la red neuronal de retropropagacin. Opciones Figura

La figura. 8. La correlacin de la medicin y estimacin de datos con base radial funcin de red neural. Opciones Figura

La figura. 9. La correlacin de la medicin y estimacin de datos con anlisis de regresin multivariante. Opciones Figura

6. El anlisis de sensibilidad
Coseno mtodo amplitud (CAM) de anlisis de sensibilidad se introdujo por primera vez por Yang y Zhang (1997a) . Se utiliz esta tcnica para averiguar los parmetros de entrada ms eficaces en los parmetros de salida. En este mtodo, todos los pares de datos se definen como un punto especfico en m espacio tridimensional. De esta manera, cada uno de los parmetros est conectado directamente a las salidas. La fuerza de esta relacin R ij se calcula ecuacin( 13 )

Turn MathJaxoff

donde x i y x j son las entradas y salidas, respectivamente; y m es el nmero de todos los conjuntos de datos. Cuanto mayor sea el R ij es, cuanto mayor es la influencia de la entrada relevante es. En la fig. 10 , se puede inferir que la derivada y la carga son los parmetros de entrada ms influyentes del backbreak y fragmentacin. Se observa que para ambas salidas, carga especfica es el parmetro menos eficaz.

La figura. 10. Anlisis de sensibilidad para backbreak y fragmentacin. Opciones Figura

7. Conclusiones
Prediccin precisa de backbreak y fragmentacin es muy crucial para el xito de un proyecto minero. En este trabajo, se realiza un intento de utilizar diferentes tipos de redes neuronales para predecir la fragmentacin simultnea y backbreak en la operaci n de voladura de minas de piedra caliza Tehern Cement Company. Los modelos de RNA son capacitados utilizando una base de datos que incluye 103 conjuntos de datos. Para lograr modelos predictivos ms confiables, incluyendo parmetros de la carga, el espaciamiento, derivado, altura del banco, cargo especfico y perforacin especfica se consideran los datos del modelo para predecir las salidas fragmentacin y backbreak. BPNN y RNFBR se adoptan para este estudio. Adems, se realiz un anlisis de regresin entre las mismas variables independientes y dependientes. Para el modelado BPNN y RNFBR, redes con arquitecturas 6-10-2 y 6-36-2, respectivamente, se encuentran para ser ptima. La eficiencia de los modelos desarrollados se examin utilizando conjuntos de datos de prueba. ndices de VAF , RMSE , R 2 y MRE se calculan para las salidas previstas y se comparan con los resultados reales. Se ha encontrado que el rendimiento del modelo de BPNN con la mxima precisin y error mnimo es mejor que la de los modelos estadsticos y RNFBR. Adems, se observa que introduce la carga y derivados son los parmetros ms eficaces en las salidas, mientras que la carga especfica es el parmetro menos eficaz tanto para las salidas. Al final, se recomienda que los modelos hbridos, combinacin de la lgica difusa y / o algoritmo gentico con redes neuronales, se podran aplicar para la investigacin adicional.

Referencias
1. o o o Bakhshandeh et al., 2010 H. Bakhshandeh, MR Mozdianfard, A. Siamaki La prediccin de vibraciones de voladura en la mina de cobre Sarcheshmeh por red neuronal o o 2. o o o o o 3. o o o o Cai y Zhao, 1997 JG Cai, J. Zhao El uso de redes neurales en un tnel de roca
Actas de la novena conferencia internacional sobre mtodos de computacin y los avances en la geomecnica, Rotterdam, AA Balkema (1997), pp 629-634 Safety Science, 48 (3) (2010), pp 319-325

Benadros y Kaliampakos, 2004 AG Benadros, Kaliampakos DC Rendimiento Modelado TBM con redes neuronales artificiales
Tunneling y Tecnologa Espacial de metro, 19 (6) (2004), pp 597-605

o 4. o o o o o Cheng y Ko, 2006 MI Cheng, CH Ko Un modelo gentico-fuzzy-neuro codifica FNNs usando SWRM y BRM
Ingeniera de Aplicaciones de la Inteligencia Artificial, 19 (8) (2006), pp 891 -903

Artculo | PDF (750 K) | Ver Registro en Scopus | | Citado por en Scopus (8)

5. o o o Christodoulou y Georgiopoulos, 2001 C. Christodoulou, M. Georgiopoulos Aplicaciones de las redes neuronales en electromagnetismo

o o 6. o o o o o 7. o o o

Artech House Publishers, Norwood, MA, EE.UU. (2001)

Demuth y Beale, 1994 H. Demuth, M. Beale Gua Neural de usuario de herramientas de red
El Trabajo de Matemticas, Inc., Natick, MA, EE.UU. (1994)

Ermini et al., 2005 L. Ermini, F. Catani, N. Casagli Las redes neuronales artificiales aplicadas a la evaluacin de la susceptibilidad a deslizamientos

o o

Geomorfologa, 66 (1-4) (2005), pp 327-343

Artculo | PDF (2095 K) | Ver Registro en Scopus | | Citado por en Scopus (142)

8. o o o o Gates, et al., 2005 W. Gates, LT Ortiz, Florez RM Anlisis de la cada de rocas y voladura problemas backbreak
Actas de la 40 Simposio EE.UU. en mecnica de rocas, Mecnica de Rocas Asociacin Americana, Alexandria, VA (2005), pp 671-680

o 9. o o o o o 10. o o Jimeno et al., 1995 CL Jimeno, EL Jimeno, FJA Carcedo Haykin, 1999 S. Haykin Las redes neuronales: una base integral
Prentice-Hall, Upper Saddle River, Nueva Jersey (1999)

o o o 11. o o o o o

Perforacin y voladura de rocas

AA Balkema, Rotterdam (1995)

Khandelwal y Singh, 2005 M. Khandelwal, TN Singh Prediccin inducida explosin sobrepresin de aire en la mina a cielo abierto
El ruido de la vibracin en todo el mundo, 36 (2) (2005), pp 7 -16

Ver Registro en Scopus | Texto completo a travs de CrossRef | | Citado por en Scopus (18)

12. o o o Khandelwal y Singh, 2006 M. Khandelwal, TN Singh Prediccin inducida hornos vibraciones del suelo y la frecuencia en la mina a cielo abierto: un enfoque de redes neuronales o o
Journal of Sound and Vibration, 289 (4) (2006), pp 711-725

Artculo | PDF (249 K) | Ver Registro en Scopus | | Citado por en Scopus (60)

13. o o o o o Khandelwal y Singh, 2007 M. Khandelwal, TN Singh Evaluacin de la inducida hornos predictores de vibracin del suelo
Dinmica de Suelos e Ingeniera Ssmica, 27 (2) (2007), pp 116 -125

Artculo | PDF (263 K) | Ver Registro en Scopus | |

Citado por en Scopus (52) 14. o o o o o Khandelwal y Singh, 2009 M. Khandelwal, TN Singh Prediccin inducida explosin vibracin del suelo mediante la red neuronal artificial
Revista Internacional de Mecnica de Rocas y Ciencias Minera, 46 (7) (2009), pp 1214 -1222

Artculo | PDF (643 K) | Ver Registro en Scopus | | Citado por en Scopus (46)

15. o o o Khandelwal, 2010 M. Khandelwal Evaluacin y prediccin de la explosin inducida vibracin del suelo usando mquinas de vectores soporte o o
Revista Internacional de Mecnica de Rocas y Ciencias de la Minera, 47 (3) (2010), pp 509 -516

Artculo | PDF (569 K) | Ver Registro en Scopus | | Citado por en Scopus (21)

16. o o o o o Khandelwal, 2012 M. Khandelwal Aplicacin de un sistema experto para la evaluacin de las vibraciones explosin
Geotcnica y geolgica Ingeniera, 30 (1) (2012), pp 205 -217

Ver Registro en Scopus | Texto completo a travs de CrossRef | | Citado por en Scopus (1)

17.

o o o

Kulatilake et al., 2010 PHSW Kulatilake, P. Wu, T. Hudaverdi, C. Kuzu Prediccin de tamao de partculas en la fragmentacin explosin de rock media usando redes neuronales

o o

Ingeniera Geolgica, 114 (3) (2010), pp 298-311

Artculo | PDF (810 K) | Ver Registro en Scopus | | Citado por en Scopus (11)

18. o o o o Konya, 2003 CJ Konya Voladura de la roca y el control sobre excavacin

(2 ed.) Departamento de Transporte de los EE.UU., la Administracin Federal de Carreteras, Washington, DC (2003)

o 19. o o o o Konya y Walter, 1991 CJ Konya, EJ Walter Voladura de la roca y el control sobre excavacin
(1 ed.) Departamento de Transporte de los EE.UU., la Administracin Federal de Carreteras, Washington, DC (1991)

o 20. o o o Maulenkamp y Grima, 1999 F. Maulenkamp, MA Grima Aplicacin de las redes neuronales para la prediccin de la resistencia a la compresin no confinada (UCS) de dureza Equotip o o 1. o o o McCulloch y Pitts, 1943 WS McCulloch, WH Pitts Un clculo lgico de las ideas inmanentes en la actividad nerviosa
Revista Internacional de Mecnica de Rocas y Ciencias Mineria, 36 (1) (1999), pp 29 -39

o o

Boletn de Matemtica Biofsica, 5 (4) (1943), pp 115-133

Ver Registro en Scopus | Texto completo a travs de CrossRef | Citado por en Scopus (2584)

2. o o o Michaux y Djordjevic, 2005 S. Michaux, N. Djordjevic Influencia de la energa explosiva de la fuerza de los fragmentos de roca y rendimiento del molino SAG o o
Minero Ingeniera, 18 (4) (2005), pp 439-448

Artculo | PDF (470 K) | Ver Registro en Scopus | Citado por en Scopus (9)

3. o o o Monjezi et al., 2010 M. Monjezi, H. Amiri, A. Farrokhi, K. Goshtasbi Prediccin de la fragmentacin de la roca debido a la voladura en la mina de cobre Sarcheshmeh usando redes neuronales artificiales o o
Geotechnique y Geologa Ingeniera, 28 (4) (2010), pp 423-430

Ver Registro en Scopus | Texto completo a travs de CrossRef | Citado por en Scopus (3)

4. o o o Monjezi y Dehghani, 2008 M. Monjezi, H. Dehghani Evaluacin del efecto de los parmetros de patrn de voladura en backbreak usando redes neuronales o o
Revista Internacional de Mecnica de Rocas y Ciencias Minera, 45 (8) (2008), pp 1446 -1453

Artculo

| PDF (937 K) | Ver Registro en Scopus | Citado por en Scopus (45) 5. o o o Monjezi et al., 2009 M. Monjezi, M. Rezaei, A. Yazdian Varjani Prediccin de la fragmentacin de la roca debido a la voladura de la mina de hierro Gol -eGohar utilizando la lgica difusa o o
Revista Internacional de Mecnica de Rocas y Ciencias Minera, 46 (8) (2009), pp 1273-1280

Artculo | PDF (1131 K) | Ver Registro en Scopus | Citado por en Scopus (11)

6. o o o o o Thornton et al., 2002 D. Thornton, SS Kanchibolta, I. Brunton Modelando el impacto y la variacin de diseo explosin en la fragmentacin explosin
Revista Internacional de fragmentacin Blasting, 6 (2) (2002), pp 169 -188

Ver Registro en Scopus | Texto completo a travs de CrossRef | Citado por en Scopus (13)

7. o o o o Yang y Zhang, 1997a Y. Yang, Q. Zhang Anlisis de los resultados de las pruebas de carga de punto con la red neuronal artificial
Actas de la novena conferencia internacional sobre mtodos de computacin y los avances en la geomecnica, AA Balkema, Rotterdam (1997), pp 607-612

o 8. o Yang y Zhang, 1997b

o o o o

Y. Yang, Q. Zhang Un anlisis jerrquico de ingeniera de rocas usando redes neuronales artificiales
Roca y Roca Mechanic Engineering, 30 (4) (1997), pp 207-222

Ver Registro en Scopus | Texto completo a travs de CrossRef | Citado por en Scopus (59)

9. o o o Yilmaz y Yuksek, 2009 I. Yilmaz, G. Yuksek Prediccin de la fuerza y el mdulo de elasticidad del yeso, usando la regresin mltiple, ANN, y los modelos ANFIS o o
Revista Internacional de Mecnica de Rocas y Ciencias de la Minera, 46 (4) (2009), pp 803-810

Artculo | PDF (805 K) | Ver Registro en Scopus | Citado por en Scopus (49)

10. o o o Zhu et al., 2007 Z. Zhu, B. Mohanty, H. Xie Investigacin numrica de iniciacin de grietas inducidas por voladuras y propagacin en las rocas o o
Revista Internacional de Mecnica de Rocas y Ciencias de la Minera, 44 (3) (2007), pp 412 -424

Artculo | PDF (2315 K) | Ver Registro en Scopus | Citado por en Scopus (38)

11. o o Zhu et al., 2008 Z. Zhu, H. Xie, B. Mohanty

o o o

Investigacin numrica de los daos inducidos por voladura en rocas cilndricas

Revista Internacional de Mecnica de Rocas y Ciencias de la Minera, 45 (2) (2008), pp 111 -121

Artculo | PDF (1860 K) | Ver Registro en Scopus | Citado por en Scopus (38) La revisin por pares bajo la responsabilidad del Instituto de la roca y Mecnica de Suelos, de la Academia China de Ciencias.