Izvorni znanstveni članak
https://doi.org/10.17794/rgn.2026.2.9
PROCJENA VRŠNE BRZINE ČESTICA IZAZVANE MINIRANJEM PRIMJENOM OPTIMIZIRANOGA DUBOKOG UČENJA S ALGORITMOM OPTIMIZACIJE KOLEKTIVNOG IMUNITETA KORONAVIRUSA
Davood Mohammadi Sargini
; Faculty of Mining, Oil and Geophysics, Shahrood University of Technology
Mohammad Ataei
; Faculty of Mining, Oil and Geophysics, Shahrood University of Technology
Reza Mikaeil
; Faculty of Industries and Mining Technologies, Urmia University of Technology
*
Akbar Esmaeilzadeh
; Faculty of Industries and Mining Technologies, Urmia University of Technology.
* Dopisni autor.
Sažetak
Rudarstvo je jedan od najvažnijih gospodarskih sektora. Površinski kopovi najčešći su oblik eksploatacije, a miniranje je najučinkovitija metoda razaranja stijenske mase. Međutim, ovaj postupak može uzrokovati znatna oštećenja uslijed vibracija. Stoga su praćenje i kontrola vibracija od ključne važnosti. Cilj je ovoga istraživanja procjena razine vibracija na temelju udaljenosti od mjesta miniranja i količine upotrijebljenoga eksploziva. U tu svrhu vibracije su procjenjivane pomoću najveće brzine čestica (Peak Particle Velocity – PPV) mjerene seizmografima. Mjerenja su provedena u dvama velikim površinskim kopovima u Iranu, u kojima je prikupljeno približno 1000 podataka. S obzirom na složenost prikupljenih podataka, za modeliranje je primijenjena metoda dubokoga učenja (deep learning). Ova metoda sadržava velik broj hiperparametara, čija pravilna prilagodba znatno utječe na učinkovitost modela. Za određivanje optimalnih vrijednosti korišten je algoritam optimizacije kolektivnoga imuniteta koronavirusa (Coronavirus Herd Immunity Optimizer – CHIO), algoritam inspiriran biološkim principima imunološkoga odgovora populacije na virusne infekcije. Učinkovitost modela ispitana je primjenom različitih kriterija. Rezultati pokazuju da je primjenom metode optimizacije točnost predviđanja poboljšana za najmanje 4 %. Koeficijent determinacije za modele slučajne šume (random forest), osnovnoga dubokog učenja i optimiziranoga modela iznosio je 0,861, 0,932 i 0,972. Vrijednosti korijenske srednje kvadratne pogreške (RMSE) bile su 3,687, 2,338 i 1,146, dok su indeksi prosječne apsolutne postotne pogreške (MAPE) iznosili 0,169, 0,128 i 0,068. Zaključeno je kako metoda dubokoga učenja pokazuje zadovoljavajuću izvedbu, a njezina se učinkovitost može dodatno povećati primjenom algoritama optimizacije. Dobiveni rezultati potvrđuju izvrsnu učinkovitost integracije CHIO metode i njezinu visoku primjenjivost u procjeni vibracija uzrokovanih miniranjem.
Ključne riječi
miniranje; vršna brzina čestica; umjetna inteligencija; duboko učenje; kolektivni imunitet; koronavirus
Hrčak ID:
345694
URI
Datum izdavanja:
13.3.2026.
Posjeta: 259 *