Luận án tiến sĩ kỹ thuật: Nghiên cứu mô hình trí tuệ nhân tạo dự báo chấn động nổ mìn trong khai thác mỏ lộ thiên - Nguyễn Hoàng (ĐH Mỏ - Địa chất)

Luận án tiến sĩ kỹ thuật nghiên cứu mô hình AI dự báo chấn động nổ mìn khai thác mỏ lộ thiên, đề xuất giải pháp tối ưu an toàn.

Chuyên ngành
Khai thác mỏ
Tác giả

Luan An

Thể loại

Luận án tiến sĩ

Năm xuất bản

Số trang

174

Thời gian đọc

27 phút

Lượt xem

0

Lượt tải

0

Phí lưu trữ

50 Point

Tổng quan nhanh

Chủ đề:
1. Ảnh hưởng chấn động nổ mìn và chỉ số PPV mỏ lộ thiên
Số trang:
174 trang
Trường:
Trường Đại học Mỏ - Địa chất
Chuyên ngành:
Khai thác mỏ
Tác giả:
Năm:

Tóm tắt nội dung luận án

I. Ảnh hưởng chấn động nổ mìn và chỉ số PPV mỏ lộ thiên

Nổ mìn là phương pháp phá vỡ đất đá chủ yếu trong khai thác mỏ lộ thiên. Năng lượng giải phóng từ các đợt nổ tạo ra sóng đàn hồi lan truyền trong môi trường đất đá. Sóng địa chấn này gây ra hiện tượng chấn động nổ mìn nguy hiểm. Tác động rung chấn ảnh hưởng trực tiếp đến độ ổn định của sườn tầng, bờ dốc và các công trình hạ tầng lân cận. Việc kiểm soát sóng nổ giúp giảm thiểu nguy cơ tai nạn lao động và bảo vệ môi trường sinh thái. Các thông số đo đạc cần được ghi nhận định kỳ và phân tích liên tục. Quá trình kiểm soát rung chấn đòi hỏi các giải pháp khoa học chính xác. Việc nghiên cứu cơ chế lan truyền sóng là yêu cầu cấp thiết để bảo vệ an toàn cho khu vực khai trường.

1.1. Bản chất sóng chấn động và tác động môi trường mỏ

Khi khối thuốc nổ phát nổ trong lỗ khoan, phản ứng hóa học sinh ra lượng nhiệt lớn và áp suất cao tức thì. Sóng ứng suất áp lực cực mạnh lan truyền vào khối đá xung quanh. Khi vượt quá giới hạn bền nén và bền kéo, khối đá bị phá vỡ và phân mảnh. Năng lượng dư thừa không tham gia phá vỡ đá sẽ chuyển hóa thành sóng địa chấn đàn hồi. Sóng đàn hồi lan tỏa nhanh chóng qua các lớp địa chất tạo nên chấn động nổ mìn mặt đất. Rung động cơ học gây nứt nẻ công trình xây dựng, hư hại đường giao thông và làm suy giảm độ liên kết khối đá bờ dốc. Hiện tượng này còn tạo ra tiếng ồn lớn và gây ô nhiễm bụi nghiêm trọng. Quản lý tác động môi trường mỏ đòi hỏi phải kiểm soát chặt chẽ quá trình phát sinh sóng nổ.

1.2. Tốc độ dao động cực đại hạt đất PPV và tiêu chuẩn an toàn

Tốc độ dao động cực đại hạt đất (PPV) là thông số kỹ thuật cốt lõi để đánh giá cường độ chấn động nổ mìn. Thông số này đo vận tốc dao động lớn nhất của phần tử đất đá tại điểm tiếp nhận khi sóng chấn động đi qua. Đơn vị đo tiêu chuẩn thường là milimét trên giây. Giá trị PPV phản ánh trực tiếp mức độ biến dạng và khả năng phá hủy kết cấu công trình. Mức độ chấn động phụ thuộc vào khoảng cách đo, lượng thuốc nổ nổ đồng thời lớn nhất và tính chất cơ lý của đất đá. Các quy chuẩn an toàn mỏ quốc tế và Việt Nam quy định ngưỡng PPV cho phép đối với từng loại công trình cụ thể. Dự báo chính xác tốc độ dao động cực đại hạt đất (PPV) giúp tối ưu hóa hộ chiếu nổ và phòng ngừa sự cố mất an toàn.

II. Tổng quan mô hình trí tuệ nhân tạo AI ngành mỏ địa chất

Công tác dự báo dao động địa chấn trong ngành mỏ đóng vai trò quyết định đến tính an toàn khai thác. Trong lịch sử phát triển kỹ thuật nổ mìn, các nhà khoa học đã xây dựng nhiều công thức kinh nghiệm toán học. Tuy nhiên, địa chất mỏ luôn tồn tại tính phi tuyến, dị hướng và biến đổi phức tạp. Các phương pháp cổ điển không còn đáp ứng được yêu cầu về độ chính xác ngày càng khắt khe. Mô hình trí tuệ nhân tạo (AI) ra đời như một bước đột phá công nghệ mới. Các thuật toán thông minh có khả năng học hỏi từ dữ liệu thực nghiệm đo đạc trên khai trường mỏ. AI giúp nâng cao chất lượng dự báo và hỗ trợ ra quyết định kỹ thuật an toàn.

2.1. Hạn chế của các công thức thực nghiệm truyền thống

Các công thức thực nghiệm kinh điển như công thức USBM, Ambraseys-Hendron hay Langefors được áp dụng rộng rãi từ giữa thế kỷ trước. Các phương trình này mô hình hóa mối quan hệ giữa vận tốc hạt đất với khoảng cách và khối lượng thuốc nổ theo hàm số mũ. Dù dễ áp dụng, phương pháp thực nghiệm tồn tại nhiều nhược điểm lớn. Mô hình bỏ qua các yếu tố quan trọng như cấu trúc địa chất, hướng nổ, đường cản và thời gian vi sai. Độ phức tạp của môi trường đất đá khiến các phương trình cố định có sai số lớn. Dự báo sai lệch dẫn đến nguy cơ mất an toàn bờ mỏ hoặc làm tăng chi phí khai thác không cần thiết. Hạn chế này đòi hỏi ngành mỏ phải chuyển đổi sang các công cụ mô hình hóa hiện đại hơn.

2.2. Xu hướng ứng dụng học máy trong khai thác mỏ hiện đại

Sự phát triển mạnh mẽ của khoa học dữ liệu đã thúc đẩy việc ứng dụng học máy trong khai thác mỏ trên toàn cầu. Các thuật toán học máy có khả năng xử lý khối lượng lớn dữ liệu đo đạc thực tế từ hiện trường. Mô hình tự động khai phá các quy luật ẩn sâu bên trong các thông số nổ mìn phức tạp. Việc triển khai các thuật toán hiện đại giúp xây dựng hệ thống dự báo chấn động có độ tin cậy vượt trội. Bên cạnh các thuật toán cơ bản, mô hình học sâu (Deep Learning) cũng bắt đầu được áp dụng để giải quyết bài toán sóng địa chấn phi tuyến. Công nghệ AI giúp số hóa và tự động hóa quy trình giám sát an toàn mỏ trong kỷ nguyên khai thác thông minh.

III. Các thuật toán học máy trong khai thác mỏ lộ thiên

Nhiều thuật toán học máy hiện đại đã được nghiên cứu và ứng dụng để giải quyết bài toán dự báo chấn động nổ mìn. Mỗi thuật toán sở hữu cấu trúc toán học và cơ chế tối ưu hàm mất mát riêng. Khả năng tự thích ứng của các mô hình giúp nắm bắt trọn vẹn quy luật suy giảm sóng trong môi trường đất đá thực tế. Việc kết hợp nhiều biến đầu vào giúp mô hình có góc nhìn toàn diện về quá trình nổ. Các thuật toán phổ biến bao gồm mạng nơ-ron nhân tạo (ANN), máy vector hỗ trợ và các mô hình dựa trên cây quyết định. Hiệu quả của các thuật toán mở ra tiềm năng ứng dụng thực tiễn rộng lớn cho ngành mỏ.

3.1. Mạng nơ ron nhân tạo ANN và mô hình học sâu Deep Learning

Mạng nơ-ron nhân tạo (ANN) là một trong những công cụ toán học thông minh phổ biến nhất. Cấu trúc ANN gồm các lớp nơ-ron kết nối chặt chẽ, mô phỏng mạng lưới thần kinh sinh học. Thuật toán lan truyền ngược tự động điều chỉnh trọng số liên kết để thu nhỏ sai số dự báo về mức tối thiểu. Bên cạnh đó, mô hình học sâu (Deep Learning) với cấu trúc nhiều lớp ẩn giúp tự động trích xuất các đặc trưng phi tuyến bậc cao từ dữ liệu nổ mìn. Sự kết hợp giữa mạng nơ-ron nhân tạo (ANN) và mô hình học sâu (Deep Learning) nâng cao khả năng khái quát hóa dữ liệu. Kết quả dự báo chấn động đạt độ chính xác cao ngay cả trong điều kiện địa chất biến động mạnh.

3.2. Máy vector hỗ trợ SVR SVM và mô hình rừng ngẫu nhiên Random Forest

Máy vector hỗ trợ (SVR/SVM) là thuật toán học máy dựa trên lý thuyết học thống kê và nguyên lý tối thiểu hóa rủi ro cấu trúc. SVR sử dụng hàm nhân để ánh xạ dữ liệu đầu vào lên không gian nhiều chiều, giúp giải quyết bài toán phi tuyến hiệu quả. Mô hình có ưu điểm vượt trội trong việc kiểm soát hiện tượng quá khớp khi tập dữ liệu nhỏ. Trong khi đó, mô hình rừng ngẫu nhiên (Random Forest) kết hợp nhiều cây quyết định độc lập theo phương pháp lấy mẫu ngẫu nhiên có hoàn lại. Cấu trúc tổ hợp của mô hình rừng ngẫu nhiên (Random Forest) giúp tăng tính ổn định và chống nhiễu dữ liệu xuất sắc. Cả hai thuật toán đều mang lại kết quả dự báo chấn động nổ mìn rất đáng tin cậy.

3.3. Mô hình tăng cường độ dốc XGBoost LightGBM và Cubist

Mô hình tăng cường độ dốc (XGBoost/LightGBM) phát triển dựa trên nguyên lý kết hợp chuỗi cây quyết định tuần tự. Mỗi cây mới được tạo ra nhằm khắc phục sai số của các cây trước đó trong hàm mục tiêu. Thuật toán XGBoost tích hợp cơ chế phạt điều chuẩn để hạn chế tối đa nguy cơ quá khớp dữ liệu. Tương tự, thuật toán Cubist chia không gian dữ liệu thành nhiều vùng con bằng các quy tắc điều kiện rõ ràng. Tại mỗi nút lá, Cubist áp dụng mô hình hồi quy tuyến tính cục bộ để đưa ra kết quả dự báo. Việc ứng dụng mô hình tăng cường độ dốc (XGBoost/LightGBM) và Cubist giúp nâng cao độ chính xác dự báo sóng chấn động lên mức vượt trội.

IV. Phát triển mô hình lai tối ưu hóa dự báo chấn động mìn

Mặc dù các thuật toán học máy đơn lẻ có hiệu năng tốt, việc tối ưu hóa siêu tham số vẫn là thách thức lớn. Việc lựa chọn siêu tham số thủ công thường tiêu tốn thời gian và dễ rơi vào điểm tối ưu cục bộ. Để nâng cao độ chuẩn xác, việc nghiên cứu phát triển mô hình lai tối ưu hóa (PSO-ANN, GA-ANN, WOA-SVR) là bước tiến quan trọng. Sự kết hợp giữa thuật toán tìm kiếm tối ưu hóa thông minh và mô hình học máy mang lại sức mạnh vượt trội. Các mô hình lai có khả năng tự động dò tìm cấu trúc tham số lý tưởng nhất cho bài toán dự báo chấn động nổ mìn trên khai trường mỏ.

4.1. Tối ưu hóa bầy đàn PSO kết hợp với XGBoost và ANN

Thuật toán tối ưu hóa bầy đàn (PSO) mô phỏng cơ chế tìm kiếm mục tiêu dựa trên sự tương tác xã hội của bầy chim hoặc bầy cá. Khi tích hợp vào mạng nơ-ron nhân tạo, mô hình lai tối ưu hóa (PSO-ANN) tự động tìm kiếm bộ trọng số và ngưỡng kích hoạt tối ưu toàn cục. Tương tự, mô hình PSO-XGBoost kết hợp PSO để tinh chỉnh các tham số quan trọng của XGBoost như tốc độ học, độ sâu cây và hệ số điều chuẩn. Sự kết hợp này loại bỏ sự can thiệp chủ quan của con người vào việc thiết lập mô hình. Nhờ đó, mô hình lai tối ưu hóa giảm thiểu sai số dự báo tốc độ dao động cực đại hạt đất (PPV) và tăng tốc độ hội tụ toán học.

4.2. Ứng dụng thuật toán đom đóm FFA và mô hình phân cụm HKM CA

Thuật toán đom đóm (FFA) dựa trên hành vi giao tiếp và thu hút lẫn nhau bằng ánh sáng phát quang của đàn đom đóm trong tự nhiên. Mô hình lai FFA-ANN tận dụng cơ chế này để tối ưu hóa không gian trọng số nơ-ron, giúp mô hình thoát khỏi điểm cực tiểu cục bộ. Đồng thời, mô hình lai HKM-CA tích hợp thuật toán phân cụm K-means phân tầng với thuật toán Cubist. Kỹ thuật phân cụm nhóm các mẫu dữ liệu nổ mìn tương đồng về điều kiện địa chất và quy mô nổ trước khi huấn luyện mô hình Cubist. Cấu trúc lai nhiều tầng này giúp mô hình thích ứng linh hoạt với dữ liệu địa chấn phức tạp tại các mỏ lộ thiên.

V. Đánh giá hiệu suất mô hình AI dự báo chấn động nổ mìn

Hiệu quả thực tế của các mô hình dự báo trí tuệ nhân tạo được kiểm chứng thông qua tập số liệu nổ mìn thực tế. Quá trình kiểm nghiệm sử dụng các chỉ số thống kê chuẩn mực để đo lường mức độ sai lệch giữa giá trị dự báo và giá trị đo đạc. Các chỉ tiêu đánh giá chính gồm hệ số xác định (R²), sai số toàn phương trung bình (RMSE) và sai số tuyệt đối trung bình (MAE). Đánh giá định lượng minh bạch chứng minh tính ưu việt của mô hình AI so với các phương pháp tính toán truyền thống. Nghiên cứu cung cấp cơ sở khoa học tin cậy để áp dụng vào sản xuất mỏ thực tế.

5.1. Kết quả thực nghiệm tại các mỏ lộ thiên Việt Nam

Nghiên cứu sử dụng tập dữ liệu đo đạc thực tế từ hàng trăm đợt nổ mìn tại mỏ than Núi Béo và các mỏ lộ thiên khu vực Quảng Ninh. Các biến đầu vào gồm khoảng cách từ vị trí nổ đến điểm đo, lượng thuốc nổ lớn nhất trên kíp, chỉ tiêu thuốc nổ và góc dốc bờ mỏ. Kết quả phân tích cho thấy các mô hình lai tối ưu hóa đạt hệ số tương quan R² vượt trên 0.95 với sai số RMSE và MAE rất nhỏ. So với các công thức thực nghiệm truyền thống, sai số dự báo của mô hình AI giảm từ 40% đến 60%. Kết quả này chứng minh độ tin cậy vượt trội và tính khả thi cao khi ứng dụng mô hình vào kiểm soát rung chấn mỏ thực tế.

5.2. Phân tích độ nhạy và các biến ảnh hưởng đến chỉ số PPV

Phân tích độ nhạy của các biến đầu vào cho thấy khoảng cách giám sát và lượng thuốc nổ vi sai lớn nhất là hai yếu tố quyết định tốc độ dao động cực đại hạt đất (PPV). Ngoài ra, các thông số kỹ thuật như đường cản thực tế, chiều sâu lỗ khoan và tính chất cơ lý của khối đá cũng ảnh hưởng đáng kể đến biên độ dao động. Việc xác định mức độ tác động của từng biến giúp kỹ sư mỏ chủ động điều chỉnh hộ chiếu nổ mìn an toàn. Ứng dụng mô hình AI giúp tối ưu hóa lượng thuốc nổ, đảm bảo hiệu quả đập vỡ đất đá nhưng vẫn duy trì chấn động trong giới hạn an toàn cho môi trường xung quanh.

Mục lục chi tiết luận án

LỜI CAM ĐOAN
DANH MỤC CÁC CHỮ VIẾT TẮT
DANH MỤC BẢNG BIỂU
DANH MỤC CÁC HÌNH
MỞ ĐẦU
1. CHƯƠNG 1: ĐẶC ĐIỂM CHUNG CỦA CÔNG TÁC NỔ MÌN TRÊN MỎ LỘ THIÊN VÀ CÁC ẢNH HƯỞNG CỦA CHẤN ĐỘNG NỔ MÌN
1.1. Đặc điểm chung của công tác nổ mìn trên mỏ lộ thiên
1.2. Khái niệm chung về sóng chấn động nổ mìn và các đặc tính của nó
1.3. Các tác động có hại của chấn động nổ mìn trên mỏ lộ thiên
1.4. Kết luận chương
2. CHƯƠNG 2: TỔNG QUAN CÁC NGHIÊN CỨU DỰ BÁO CHẤN ĐỘNG NỔ MÌN TRÊN MỎ LỘ THIÊN
2.1. Tổng quan tình hình nghiên cứu trong nước
2.2. Tổng quan tình hình nghiên cứu ngoài nước
2.3. Tổng kết, đánh giá ưu điểm và các hạn chế của các nghiên cứu đã công bố
2.4. Kết luận chương
3. CHƯƠNG 3: CƠ SỞ LÝ THUYẾT CỦA MỘT SỐ MÔ HÌNH TRÍ TUỆ NHÂN TẠO DỰ BÁO CHẤN ĐỘNG NỔ MÌN TRÊN MỎ LỘ THIÊN
3.1. Mạng nơ-ron nhân tạo (Artificial Neural Network)
3.2. Mô hình rừng ngẫu nhiên (Random Forest)
3.3. Mô hình hồi quy véc tơ hỗ trợ (Support Vector Regression)
3.4. Mô hình lập thể (Cubist)
3.5. Mô hình độ dốc tăng cường cấp cao (extreme gradient boosting machine – XGBoost)
3.5.1. Mô hình độ dốc tăng cường (gradient boosting machine – GBM)
3.5.2. Mô hình độ dốc tăng cường cấp cao (Extreme Gradient Boosting – XGBoost)
3.6. Đề xuất mô hình lai dựa trên kỹ thuật phân cụm phân tầng và thuật toán lập thể (HKM-CA)
3.6.1. Kỹ thuật phân cụm K trung bình theo thứ bậc (Hierarchical K-means clustering)
3.6.2. Đề xuất mô hình HKM-CA
3.7. Đề xuất mô hình lai dựa trên thuật toán tối ưu hóa bầy đàn và XGBoost (PSO-XGBoost)
3.7.1. Thuật toán tối ưu hóa bầy đàn (Particle Swarm Optimization algorithm)
3.7.2. Đề xuất mô hình PSO-XGBoost
3.8. Đề xuất mô hình lai dựa trên thuật toán tối ưu hóa đom đóm và ANN (FFA-ANN)
3.8.1. Thuật toán tối ưu hóa đom đóm (Firefly Algorithm)
3.8.2. Đề xuất mô hình FFA-ANN
3.9. Kết luận chương
4. CHƯƠNG 4: NGHIÊN CỨU PHÁT TRIỂN MỘT SỐ MÔ HÌNH TRÍ TUỆ NHÂN TẠO DỰ BÁO CHẤN ĐỘNG NỔ MÌN CHO MỎ LỘ THIÊN VIỆT NAM
4.1. Tổng quan về khu vực nghiên cứu
4.2. Thu thập và phân tích dữ liệu
4.2.1. Thu thập dữ liệu
4.2.2. Phân tích dữ liệu
4.3. Các phương pháp đánh giá hiệu suất của các mô hình trí tuệ nhân tạo
4.4. Phát triển các mô hình dự báo chấn động nổ mìn
4.4.1. Xử lý dữ liệu
4.4.2. Mô hình RF
4.4.3. Mô hình SVR
4.4.4. Mô hình lập thể (Cubist)
4.4.5. Mô hình XGBoost
4.4.6. Mô hình HKM-CA
4.4.7. Mô hình PSO-XGBoost
4.4.8. Mô hình FFA-ANN
4.4.9. Mô hình thực nghiệm
4.5. So sánh, đánh giá hiệu suất của các mô hình dự báo chấn động nổ mìn đã phát triển
4.6. Phân tích mức độ ảnh hưởng của các biến đầu vào
4.7. Kết luận chương
KẾT LUẬN VÀ KIẾN NGHỊ
DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ LIÊN QUAN ĐẾN LUẬN ÁN CỦA NGHIÊN CỨU SINH
TÀI LIỆU THAM KHẢO
Xem trước tài liệu
Tải đầy đủ để xem toàn bộ nội dung
Luận án tiến sĩ kỹ thuật nghiên cứu một số mô hình trí tuệ nhân tạo dự báo chấn động nổ mìn trong khai thác mỏ lộ thiên

Tải xuống file đầy đủ để xem toàn bộ nội dung

Tải đầy đủ (174 trang)

Trích đoạn nội dung luận án

Tải xuống để đọc toàn bộ

i LỜI CAM ĐOAN Tôi xin cam đoan đây là công trình nghiên cứu độc lập của tôi. Các số liệu, kết quả trong luận án là trung thực và chưa từng được công bố trong bất kỳ công trình nào của các tác giả khác. Hà Nội, ngày 25 tháng 05 năm 2020 Tác giả luận án Nguyễn Hoàng ii LỜI CẢM ƠN Luận án tiến sĩ kỹ thuật ngành Khai thác mỏ với đề tài “Nghiên cứu một số mô hình trí tuệ nhân tạo dự báo chấn động nổ mìn trong khai thác mỏ lộ thiên” là kết quả của quá trình nghiên cứu, cố gắng không ngừng của tác giả trong suốt thời gian làm nghiên cứu sinh với sự giúp đỡ tận tình của các thầy, cô giáo Trường Đại học Mỏ - Địa chất, các nhà khoa học trong ngành mỏ, bạn bè, đồng nghiệp trong nước, quốc tế và sự ủng hộ từ gia đình. Với tình cảm chân thành, tác giả xin gửi lời cảm ơn tới Ban Giám hiệu Trường Đại học Mỏ - Địa chất, Phòng Đào tạo Sau đại học, Ban chủ nhiệm Khoa Mỏ, Ban chủ nhiệm và tập thể các thầy, cô giáo Bộ môn Khai thác lộ thiên cùng các thầy, cô giáo trong Khoa Mỏ, Trường Đại học Mỏ - Địa chất đã quan tâm, tạo điều kiện giúp đỡ trong suốt quá trình học tập, công tác và nghiên cứu.

Đặc biệt, tác giả xin bày tỏ lòng kính trọng và biết ơn sâu sắc tới GS. Bùi Xuân Nam và TS. Trần Quang Hiếu là 2 người thầy trực tiếp hướng dẫn khoa học đã luôn dành thời gian, công sức để hướng dẫn, giúp đỡ và động viên tác giả trong suốt quá trình thực hiện nghiên cứu và hoàn thành luận án đúng hạn. Tác giả xin gửi lời cảm ơn tới PGS.

Hồ Sĩ Giao và GS. Nhữ Văn Bách đã có nhiều gợi ý bổ ích cho NCS trong quá trình hoàn thành luận án. Tác giả cũng xin gửi lời cảm ơn tới Viện Khoa học Công nghệ mỏ, Phòng Công nghệ khai thác Lộ thiên - Viện Khoa học Công nghệ mỏ, Trung tâm Bồi dưỡng và Tư vấn nổ mìn - Hội Kỹ thuật nổ mìn Việt Nam, Trung tâm Nghiên cứu Cơ điện mỏ - Trường Đại học Mỏ - Địa chất, Công ty Cổ phần than Núi Béo và các đơn vị cá nhân đã tạo điều kiện và cung cấp tài liệu, số liệu trong quá trình NCS nghiên cứu và hoàn thành luận án. Cuối cùng, tác giả xin chân thành cảm ơn các nhà khoa học, bạn bè, đồng nghiệp trong nước và quốc tế đã giúp đỡ và hỗ trợ NCS trong quá trình nghiên cứu.

Hà Nội, ngày 18 tháng 06 năm 2020 Tác giả luận án Nguyễn Hoàng iii MỤC LỤC LỜI CAM ĐOAN. ii MỤC LỤC. iii DANH MỤC CÁC CHỮ VIẾT TẮT. vi DANH MỤC BẢNG BIỂU.

viii DANH MỤC CÁC HÌNH. ix MỞ ĐẦU. ĐẶC ĐIỂM CHUNG CỦA CÔNG TÁC NỔ MÌN TRÊN MỎ LỘ THIÊN VÀ CÁC ẢNH HƯỞNG CỦA CHẤN ĐỘNG NỔ MÌN. Đặc điểm chung của công tác nổ mìn trên mỏ lộ thiên.

Khái niệm chung về sóng chấn động nổ mìn và các đặc tính của nó. Các tác động có hại của chấn động nổ mìn trên mỏ lộ thiên. Kết luận chương. TỔNG QUAN CÁC NGHIÊN CỨU DỰ BÁO CHẤN ĐỘNG NỔ MÌN TRÊN MỎ LỘ THIÊN.

Tổng quan tình hình nghiên cứu trong nước. Tổng quan tình hình nghiên cứu ngoài nước. Tổng kết, đánh giá ưu điểm và các hạn chế của các nghiên cứu đã công bố. Kết luận chương.

CƠ SỞ LÝ THUYẾT CỦA MỘT SỐ MÔ HÌNH TRÍ TUỆ NHÂN TẠO DỰ BÁO CHẤN ĐỘNG NỔ MÌN TRÊN MỎ LỘ THIÊN. Mạng nơ-ron nhân tạo (Artificial Neural Network). Mô hình rừng ngẫu nhiên (Random Forest). Mô hình hồi quy véc tơ hỗ trợ (Support Vector Regression).

Mô hình lập thể (Cubist). Mô hình độ dốc tăng cường cấp cao (extreme gradient boosting machine – XGBoost). Mô hình độ dốc tăng cường (gradient boosting machine – GBM). Mô hình độ dốc tăng cường cấp cao (Extreme Gradient Boosting – XGBoost).

Đề xuất mô hình lai dựa trên kỹ thuật phân cụm phân tầng và thuật toán lập thể (HKM-CA). Kỹ thuật phân cụm K trung bình theo thứ bậc (Hierarchical K-means clustering). Đề xuất mô hình HKM-CA. Đề xuất mô hình lai dựa trên thuật toán tối ưu hóa bầy đàn và XGBoost (PSO-XGBoost).

Thuật toán tối ưu hóa bầy đàn (Particle Swarm Optimization algorithm). Đề xuất mô hình PSO-XGBoost. Đề xuất mô hình lai dựa trên thuật toán tối ưu hóa đom đóm và ANN (FFA-ANN). Thuật toán tối ưu hóa đom đóm (Firefly Algorithm).

Đề xuất mô hình FFA-ANN. Kết luận chương. NGHIÊN CỨU PHÁT TRIỂN MỘT SỐ MÔ HÌNH TRÍ TUỆ NHÂN TẠO DỰ BÁO CHẤN ĐỘNG NỔ MÌN CHO MỎ LỘ THIÊN VIỆT NAM. Tổng quan về khu vực nghiên cứu.

Thu thập và phân tích dữ liệu. Thu thập dữ liệu. Phân tích dữ liệu. Các phương pháp đánh giá hiệu suất của các mô hình trí tuệ nhân tạo.

Phát triển các mô hình dự báo chấn động nổ mìn. Xử lý dữ liệu. Xử lý dữ liệu. Mô hình RF.

Mô hình SVR. Mô hình lập thể (Cubist). Mô hình XGBoost. Mô hình HKM-CA.

Mô hình PSO-XGBoost. Mô hình FFA-ANN. Mô hình thực nghiệm. So sánh, đánh giá hiệu suất của các mô hình dự báo chấn động nổ mìn đã phát triển.

Phân tích mức độ ảnh hưởng của các biến đầu vào. Kết luận chương.116 KẾT LUẬN VÀ KIẾN NGHỊ.118 DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ .122 LIÊN QUAN ĐẾN LUẬN ÁN CỦA NGHIÊN CỨU SINH .122 TÀI LIỆU THAM KHẢO .144 vi DANH MỤC CÁC CHỮ VIẾT TẮT ABC Artifcial bee colony - Bầy ong nhân tạo AI Artificial intelligence - Trí tuệ nhân tạo ANFIS Adaptive neuro-fuzzy inference system - Hệ thống nơ-ron suy luận mờ ANN Artificial neural network - Mạng nơ-ron nhân tạo BCT Bộ Công thương BTNMT Bộ Tài nguyên và Môi trường CA Cubist algorithm - Thuật toán lập thể Dim Dimention - Chiều (của dữ liệu) FCM Fuzzy C-means clustering - Phân cụm mờ C trung bình FFA Firefly algorithm - Thuật toán “tối ưu hóa đom đóm” Mô hình lai dựa trên thuật toán tối ưu hóa đom đóm và mạng nơ-ron FFA-ANN nhân tạo GBM Gradient boosting machine - Mô hình “máy tăng cường độ dốc” GEP Gene expression programming - Lập trình biểu hiện gen GMDH Group method of data handling - Phương pháp xử lý dữ liệu nhóm Hierarchical K-means clustering - Kỹ thuật phân cụm K trung bình HKM theo thứ bậc HKM-CA Mô hình lai dựa trên kỹ thuật phân cụm phân tầng và thuật toán lập thể MAE Mean absolute error - Độ lệch tuyệt đối MAPE Mean absolute percentage error - Phần trăm sai số tuyệt đối trung bình NLMR Non-linear multiple regression - Hồi quy phi tuyến tính đa biến PPV Peak particle velocity PSO Particle swarm optimization - Tối ưu hóa bầy đàn PSO- Mô hình lai dựa trên thuật toán tối ưu hóa bầy đàn và mô hình độ XGBoost dốc tăng cường cấp cao QCVN Quy chuẩn Việt Nam vii RBF Radial basis function - Hàm hạt nhân xuyên tâm RF Random Forest - Rừng ngẫu nhiên RMSE Root-mean-squared error – Lỗi bình phương gốc SDR Standard deviation reduction - Giảm thiểu độ lệch chuẩn SVC Support vector classification - Véc-tơ hỗ trợ phân loại SVM Support vector machine - Máy véc-tơ hỗ trợ SVR Support vector regression - Véc-tơ hỗ trợ hồi quy TKV Tập đoàn Công nghiệp Than - Khoáng sản Việt Nam TNHH Trách nhiệm hữu hạn TWSS Total within the sum of squares - Tổng bình phương USBM The United States Bureau of Mines - Cục mỏ Hoa Kỳ Variance accounted for - Phương sai giữa các giá trị thực tế và các VAF giá trị dự báo VLNCN Vật liệu nổ công nghiệp XDCB Xây dựng cơ bản XGBoost eXtreme gradient boosting - Mô hình độ dốc tăng cường cấp cao LTN Lượng thuốc nổ viii DANH MỤC BẢNG BIỂU Bảng 1. Các điều kiện áp dụng của một số sơ đồ nổ mìn vi sai nhằm giảm thiểu chấn động nổ mìn. Error! Bookmark not defined.

Giá trị vận tốc rung giới hạn đối với công trình khi chịu tác động rung gián đoạn. Bảng xếp loại các công trình xây dựngtheo khả năng chịu tác động rung và chấn động. Tốc độ dao động cho phép Vcp của nền công trình. Một số phương trình thực nghiệm dự báo chấn động nổ mìn.

Tóm tắt cơ sở dữ liệu sử dụng dự báo chấn động nổ mìn cho mỏ than Núi Béo. Hiệu suất của các mô hình ANN dự báo chấn động nổ mìn trong quá trình huấn luyện. Hiệu suất của các mô hình SVR dự báo chấn động nổ mìn cho mỏ than Núi Béo (trong quá trình huấn luyện). Hiệu suất của các mô hình XGBoost dự báo chấn động nổ mìn cho mỏ than Núi Béo (trong quá trình huấn luyện).

Hiệu suất của các mô hình trí tuệ nhân tạo và mô hình thực nghiệm trên bộ dữ liệu thử nghiệm .105 ix DANH MỤC CÁC HÌNH Hình 1. Một số mỏ lộ thiên lớn trên thế giới và Việt Nam sử dụng công nghệ khoan-nổ mìn. Error! Bookmark not defined. Công tác khoan lỗ khoan nạp mìn trên mỏ lộ thiên Error! Bookmark not defined.

Thuốc nổ và phương tiện nổ sử dụng trên mỏ lộ thiên. Error! Bookmark not defined. Cấu trúc LTN trong lỗ khoan. Error! Bookmark not defined.

Một số sơ đồ nổ mìn vi sai sử dụng trên mỏ lộ thiên. Error! Bookmark not defined. Một số thiệt hại về công trình do chấn động nổ mìn gây ra. Trượt lở tầng và bờ mỏ do chấn động nổ mìn.

Kết quả nghiên cứu thực nghiệm của các nhà khoa học tại mỏ than Khe Sim thuộc Tổng Công ty Đông Bắc. Phương pháp nổ mìn thực nghiệm nhằm giảm thiểu chấn động. Phương trình thực nghiệm kết hợp phân tích ANOVA để dự báo chấn động nổ mìn cho một số mỏ lộ thiên ở Việt Nam. Mô phỏng ảnh hưởng của chấn động nổ mìn trong đường hầm bằng phần mềm Phase 2.

Minh họa một ANN dự báo chấn động nổ mìn. Minh họa thuật toán bầy ong nhân tạo. Minh họa phân cụm dữ liệu dự đoán chấn động nổ mìn. Cấu trúc mạng nơ-ron truyền thẳng, một lớp.

Cấu trúc mạng nơ-ron truyền thẳng, nhiều lớp. Cấu trúc mạng nơ-ron lặp lại. Cấu trúc mạng nơ-ron dạng lưới. Quá trình thực hiện của thuật toán RF.

Minh họa quá trình ánh xạ dữ liệu trong thuật toán SVR. Đề xuất khung làm việc của mô hình HKM-CA dự báo chấn động nổ mìn cho mỏ lộ thiên. Khung chương trình của mô hình PSO-XGBoost được đề xuất cho dự báo chấn động nổ mìn trên mỏ lộ thiên. Sơ đồ làm việc của thuật toán tối ưu hóa đom đóm (FFA) .

Nội dung được bảo vệ bản quyền — Tải xuống đầy đủ

Trích dẫn luận án này

Nguyễn Hoàng (2020). Luận án tiến sĩ: Mô hình AI dự báo chấn động nổ mìn khai thác mỏ [Luận án tiến sĩ, Trường Đại học Mỏ - Địa chất]. LuanAn.net. https://luanan.net/cong-nghe-thong-tin/tri-tue-nhan-tao/luan-an-tien-si-ky-thuat-nghien-cuu-mot-so-mo-hinh-tri-tue-nhan-tao-du-bao-chan-dong-no-min-trong-khai-thac-mo-lo-thien

Câu hỏi thường gặp

Luận án "Luận án tiến sĩ: Mô hình AI dự báo chấn động nổ mìn khai thác mỏ" nghiên cứu về vấn đề gì?

Luận án tiến sĩ kỹ thuật nghiên cứu mô hình AI dự báo chấn động nổ mìn khai thác mỏ lộ thiên, đề xuất giải pháp tối ưu an toàn.

Luận án "Luận án tiến sĩ: Mô hình AI dự báo chấn động nổ mìn khai thác mỏ" được bảo vệ tại trường nào?

Luận án này được bảo vệ tại Trường Đại học Mỏ - Địa chất. Năm bảo vệ: 2020.

Luận án "Luận án tiến sĩ: Mô hình AI dự báo chấn động nổ mìn khai thác mỏ" thuộc chuyên ngành gì?

Luận án "Luận án tiến sĩ: Mô hình AI dự báo chấn động nổ mìn khai thác mỏ" thuộc chuyên ngành Khai thác mỏ. Danh mục: Trí Tuệ Nhân Tạo.

Luận án "Luận án tiến sĩ: Mô hình AI dự báo chấn động nổ mìn khai thác mỏ" có bao nhiêu trang?

Luận án "Luận án tiến sĩ: Mô hình AI dự báo chấn động nổ mìn khai thác mỏ" có 174 trang. Bạn có thể xem trước một phần tài liệu ngay trên trang web trước khi tải về.

Cách tải luận án "Luận án tiến sĩ: Mô hình AI dự báo chấn động nổ mìn khai thác mỏ" về máy như thế nào?

Để tải luận án về máy, bạn nhấn nút "Tải xuống ngay" trên trang này, sau đó hoàn tất thanh toán phí lưu trữ. File sẽ được tải xuống ngay sau khi thanh toán thành công. Hỗ trợ qua Zalo: 0559 297 239.

Luận án liên quan

Chia sẻ tài liệu: Facebook Twitter