Predição de vibrações induzidas por desmontes de rochas por explosivos usando redes neurais artificiais
DOI:
https://doi.org/10.33448/rsd-v11i11.34020Palavras-chave:
Velocidade de vibração de pico de partícula; Vibrações sísmicas; Desmonte de rochas por explosivos; Redes neurais artificiais; Equações empíricas.Resumo
Na indústria mineral, o parâmetro mais utilizado para a quantificação e avaliação do potencial de danos das vibrações sísmicas geradas por desmonte de rochas é a velocidade de vibração de pico de partícula (VPP). Várias iniciativas foram tomadas, ao longo do tempo, com o intuito de estimar os níveis de VPP. Os rápidos avanços na tecnologia computacional fizeram com que sistemas inteligentes se tornassem ferramentas promissoras na estimativa dos resultados de desmonte de rochas. Nesse contexto, este estudo tem como objetivo avaliar as vibrações induzidas por desmontes de rochas por explosivos em uma mina do Quadrilátero Ferrífero por meio de redes neurais artificiais. O banco de dados foi dividido em amostras de treinamento (70%) e teste (30%) das redes. Considerando a importância da seleção de variáveis de entrada adequadas para o treinamento das redes, diferentes grupos de variáveis input foram analisados. A arquitetura que demonstrou melhor desempenho considerou a distância entre o ponto de monitoramento e detonação e a carga máxima por espera como variáveis input. A fim de comparar o desempenho da rede neural com o desempenho de modelos empíricos e de regressão múltipla, os mesmos dados foram utilizados. Por fim, o modelo de redes neurais se mostrou superior às equações empíricas e à regressão múltipla em termos do coeficiente de determinação (R²) e da raiz do erro quadrático médio (RMSE) para os dados medidos e preditos. Além disso, demonstrou-se a importância da seleção das variáveis de entrada adequadas para a estimação de VPP por meio de redes neurais.
Referências
Ainalis, D. et al. (2017). Modelling the source of blasting for the numerical Simulation of blast-induced ground vibrations: a review. Rock Mech Rock Eng, 50, 171-193.
Akaike, H. (1973). Information theory and an extension of the maximum likelihood principle. In: Second international symposium on information theory, Budapest, 267–281.
Ambraseys, N.R., & Hendron, A.J. 1968. Dynamic behaviour of rock masses: rock mechanics in engineering practices. Wiley, London.
Armaghani, D. J., Momeni, E., Abad, S. V. A. N. K., & Khandelwal, M. (2015). Feasibility of ANFIS model for prediction of ground vibrations resulting from quarry blasting. Environ Earth Sci, 74:2845–2860.
Associação Brasileira de Normas Técnicas (ABNT). (2018). NBR 9653: Guia para avaliação dos efeitos provocados pelo uso de explosivos nas minerações em áreas urbanas – Procedimento. Rio de Janeiro.
Ataei, M., & Sereshki, F. (2017). Improved prediction of blast-induced vibrations in limestone mines using Genetic Algorithm. Journal of Mining & Environment, Vol.8, No.2, 291-304.
Bartlett, M. S. (1951). The effect of standardization on a chi square approximation in factor analysis. Biometrika, 38, 337–344.
Bayat, P., Monjezi, M. Rezakhah, M., & Armaghani, D. J. (2020). Artificial Neural Network and Firefly Algorithm for Estimation and Minimization of Ground Vibration Induced by Blasting in a Mine. Natural Resources Research, 29, 6: 4121-4132.
Box, G.E.P., & Cox, D.R. (1964). An Analysis of Transformations. Journal of the Royal Statistical Society. Series B (Methodological), 26, 2, 211-252.
Burger, S.V. 2018. Introduction to machine learning with R. O'Reilly Media, Sebastopol, USA.
Data Science Academy. (2021). O Neurônio, Biológico e Matemático. In: Deep Learning Book, https://www.deeplearningbook.com.br/o-neuronio-biologico-e-matematico/
Dehghani, H., & Beiromvand, H. (2019). Blasting pattern design for decreasing the ground vibration using genetic algorithm. Journal of Mineral Resources Engineering, 4, 2: 10 – 15.
Dinis da Gama, C., & Bernardo, P.A.M. (2001). Condições Técnicas para Uso de Explosivos na Escavação de Túneis Urbanos em Maciços Rochosos. Curso sobre Túneis em Meios Urbanos (organizado por SPG e FCT-UC) – Coimbra.
Duvall, W. I., & Petkof, B. 1959. Spherical propagation of explosion generated strain pulses in rock. USBM RI 5483.
Fávero, L. P., & Belfiore, P. (2017). Manual de análise de dados. 1. ed. Elsevier, Rio de Janeiro, Brasil.
Fritsch, S., & Günther, F. (2008). neuralnet: Training of Neural Networks. R Foundation for Statistical Computing, R package version 1.2.
Ghoraba, S., Monjezi, M., Talebi, N., Armaghani, D.J., & Moghaddam, M. (2016). Estimation of ground vibration produced by blasting operations through intelligent and empirical models. Environ Earth Sci, 75, 1137.
Hair, J., Black, W., Babin, B., Anderson, R., & Tathan, R. (2009). Análise Multivariada de Dados. 6. ed. Bookman, Porto Alegre, Brasil.
Haykin, S. (2001). Redes neurais: princípios e prática. Bookman, Porto Alegre, Brasil.
Hosseini, S. A., Tavana, A., Abdolahi, S. M., & Darvishmaslak, S. (2019). Prediction of blast‑induced ground vibrations in quarry sites: a comparison of GP, RSM and MARS, Soil Dynamics and Earthquake Engineering, 119, 118–129.
Indian Standard. (1973). Criteria for safety and design of structures subjected to under ground blast, ISI., IS-6922.
Iphar, M., Yavuz, M., & Ak, H. (2008). Prediction of ground vibrations resulting from the blasting operations in an open-pit mine by adaptive neuro-fuzzy inference system. Environ Geol, 56:97–107.
Khandelwal, M., Kumar, D. L., & Yellishetty, M. (2011). Application of soft computing to predict blast-induced ground vibration. Eng Comput, 27, 2, 117–125.
Khandelwal, M., & Singh, T. N. (2009). Prediction of blast-induced ground vibration using artificial neural network. Int J Rock Mech Min Sci, 46:1214–22.
Kovács, Z. L. (2002). Redes neurais artificiais: fundamentos e aplicações. 3. ed. Livraria da Física, São Paulo, Brasil.
Langefors, U., & Kihlstrom, B. (1963). The modern technique of rock blasting. Wiley, New York.
Li, D. T., Yan, J. L., & Zhang, L. (2012). Prediction of blast-induced ground vibration using support vector machine by tunnel excavation. Appl Mech Mater, 170:1414–8.
Longjun, D., Xibing, L., Ming, X., & Qiyue, L. (2011). Comparisons of Random Forest and Support Vector Machine for Predicting Blasting Vibration Characteristic Parameters. Procedia Engineering, 26, 1772 – 1781.
Mohamed, M. T. (2011). Performance of fuzzy logic and artificial neural network in prediction of ground and air vibrations. Int J Rock Mech Min Sci, 48, 5, 845.
Mohamednejad, M., Gholami, R., & Ataei, M. (2012). Comparison of intelligence science techniques and empirical methods for prediction of blasting vibrations. Tunn Undergr Space Technol, 28, 238–244.
Monjezi, M., Ghafurikalajahi, M., & Bahrami, A. (2011). Prediction of blast-induced ground vibration using artificial neural networks. Tunn Undergr Space Technol, 26: 46–50.
Nicholls, H. R. Johnson, C. F., & Duvall, W. I. (1971). Blasting vibrations and their effects on structures. Pittsburgh: USBM, Bulletin 656.
R Project. (2021). The R Project for Statistical Computing. https://www.r-project.org/
Rajabi, A. M., & Vafaee, A. (2019). Prediction of blast-induced ground vibration using empirical models and artificial neural network (Bakhtiari Dam access tunnel, as a case study). Journal of Vibration and Control, Vol 0 (0), p. 1-12.
Rezaeineshat, A., Monjezi, M., Mehrdanesh, A., & Khandelwal, M. (2020). Optimization of blasting design in open pit limestone mines with the aim of reducing ground vibration using robust techniques. Geomech. Geophys. Geo-energ. Geo-resour. 6:40.
Roy P. P. (1991). Vibration control in an opencast mine based on improved blast vibration predictors. Min Sci Technol,12, 157–65.
Santos, F. L. (2013). Redes neurais artificiais ARTMAP-fuzzy aplicadas ao estudo de agitação marítma e ondas de lagos. Tese de doutorado em Engenharia Elétrica. Faculdade de Engenharia de Ilha Solteira, Universidade Estadual Paulista, Ilha Solteira, Brasil.
Silveira, L. G. C. (2017). Controle de vibrações e pressão acústica no desmonte de rochas com explosivos: estudo de caso em uma mina do quadrilátero ferrífero. Dissertação (Mestrado em Engenharia Mineral) - Programa de Pós-Graduação em Engenharia Mineral, Universidade Federal de Ouro Preto, Ouro Preto.
Tissot, H. C., Camargo, L. C., & Pozo, A. T. R. (2012). Treinamento de redes neurais feedforward: comparativo dos algoritmos backpropagation e differential evolution. In: Encontro Brasileiro de Inteligência Artificial, 2012, Porto Alegre, Curitiba, Brasil.
Navarro Torres, V., Silveira, L. G., Lopes, P. F., & Lima, H. M. (2018). Assessing and controlling of bench blasting-induced vibrations to minimize impacts to a neighboring community. Journal of Cleaner Production, 187, 514–524.
Trigueros, E., Cánovas, M., Muñoz, J.M., & Cospedal, J. (2017). A methodology based on geomechanical and geophysical techniques to avoid ornamental stone damage caused by blast-induced ground vibrations. International Journal of Rock Mechanics & Mining Sciences, 93, p. 196–200.
Tuorrini, J. B., & Mello, C. H. P. (2012). Metodologia de pesquisa em engenharia de produção. UNIFEI, Itajubá.
Yan, Y., Hou, X., & Fei, H. (2020). Review of predicting the blast-induced ground vibrations to reduce impacts on ambient urban communities. Journal of Cleaner Production, 260, 121-135.
Zhou, J., Asteris, P. G., Armaghani, D. J., & Pham, B. T. (2020). Prediction of ground vibration induced by blasting operations through the use of the Bayesian Network and random forest models. Soil Dynamics and Earthquake Engineering, 139, 106390
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2022 Caroline Belisário Zorzal; Francisco Lledo dos Santos; José Margarida da Silva; Rafael de Freitas Souza
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.
