В данном исследовании демонстрируются различные методы искусственного интеллекта для прогнозирования и оптимизации взрывного дробления породы на алмазном руднике Орапа в Ботсване. Эти методы включают искусственные нейронные сети (ИНС/ANN), адаптивную нейро-нечеткую систему вывода (ANFIS), генетический алгоритм с ИНС (GA-ANN) и метод роя частиц с ИНС (PSO-ANN). Для выполнения задачи была использована база данных, включающая информацию о 120 взрывных работах на руднике с девятью входными параметрами. Результаты показывают, что модель PSO-ANN превосходит другие в прогнозировании взрывного дробления породы. Оптимальная модель включает девять входных параметров, два скрытых слоя с 65 и 30 нейронами и один выходной параметр (7-65-30-1). Это десятимерное пространство решений исследовалось с использованием градиентного спуска для определения оптимизированных параметров проектирования взрыва, и достигнуто оптимальное значение дробления приблизительно 86 %. Результаты анализа чувствительности показывают, что входными параметрами, имеющими наибольшее влияние на дробление, являются коэффициент крепости породы (15,3 %), индекс взрываемости (14,7 %) и коэффициент сближения скважин (14,7 %). Наименьшее влияние на дробление оказывает коэффициент жесткости (6,3 %).

This study demonstrates various artificial intelligence methods to predict and optimise blast-induced rock fragmentation at Orapa Diamond Mine in Botswana. These techniques include an artificial neural network (ANN), an adaptive neuro-fuzzy inference system (ANFIS), a genetic algorithm with ANN (GA-ANN), and particle swarm optimization with ANN (PSO-ANN). A collection of data from 120 blasting events with nine input parameters at the mine was utilized for this task. The results indicate that the PSO-ANN model outperforms other models in predicting blast-induced fragmentation. We used the optimal PSO-ANN model to optimise fragmentation, identified using the Monte Carlo method. The optimal model consists of nine inputs, two hidden layers with 65 and 30 neurons, and one output (7-65-30-1). Using gradient descent, we navigated this ten-dimensional solution space to determine the optimised blast design parameters and achieved an optimal fragmentation value of approximately 86 %. Sensitivity analysis results reveal that the most influential input parameters on fragmentation are rock factor (15.3 %), blastability index (14.7 %), and spacing-to-burden ratio (14.7 %). In contrast, the stiffness ratio has the least influence on fragmentation (6.3 %).