Tác giả

Nguyễn Hoàng 1,2* , Bùi Xuân Nam 1,2 , Trần Quang Hiếu 1,2 , Trần Khắc Hùng 3 , Nguyễn Tuấn Thành 4

Đơn vị công tác

1 Bộ môn Khai thác lộ thiên, Khoa Mỏ, Trường Đại học Mỏ – Địa chất, Số 18 Phố Viên, phường Đức Thắng, quận Bắc Từ Liêm, Hà Nội; nguyenhoang@humg.edu.vn; buixuannam@humg.edu.vn; tranquanghieu@humg.edu.vn
2 Nhóm nghiên cứu mạnh Những tiến bộ trong khai thác mỏ bền vững và có trách nhiệm (ISRM), Trường Đại học Mỏ – Địa chất, Số 18 Phố Viên, phường Đức Thắng, quận Bắc Từ Liêm, Hà Nội
3 Viện Khoa học An toàn và Vệ sinh lao động (VNNIOSH); khachung722007@gmail.com
4 Trường Đại học Mỏ – Địa chất, Số 18 Phố Viên, phường Đức Thắng, quận Bắc Từ Liêm, Hà Nội; nguyentuanthanh@humg.edu.vn
* Tác giả liên hệ: nguyenhoang@humg.edu.vn; Tel.: +84–977218899

Tóm tắt

Trong bài báo này, bụi mịn PM2.5 sinh ra do quá trình nổ mìn trên mỏ lộ thiên đã được dự báo bởi các mô hình trí tuệ nhân tạo dựa trên mạng nơ–ron truyền thẳng nhiều lớp (Multi–layer Perceptron Neural Network – MLP) và các giải thuật “tối ưu hóa bầy đàn” được cải tiến (Accelerated Particle Swarm Optimization – APSO), giải thuật di truyền (Genetic Algorithm – GA), có tên gọi APSO–MLP và GA–MLP. Các thông số nổ mìn và điều kiện khí tượng đã được xem xét trong nghiên cứu này. Một mạng MLP đã được thiết kế để dự báo nồng độ bụi mịn PM2.5. Các giải thuật tối ưu hóa APSO và GA đã được đưa vào để tối ưu hóa các trọng số của mô hình MLP nhằm cải thiện mức độ chính xác của mô hình MLP truyền thống trong quá trình dự báo. Các kết quả cho thấy cả hai mô hình được phát triển đều có khả năng dự báo nồng độ bụi mịn PM2.5 sinh ra do nổ mìn với mức độ chính xác tương đối cao. Trong đó, mô hình APSO–MLP cung cấp mức độ chính xác cao hơn so với mô hình GA–MLP (RMSE = 5,102; R2 = 0,900 và MAPE = 0,063). Trong khi đó, mô hình GA–MLP chỉ cung cấp mức độ chính xác với RMSE = 5,331, R2 = 0,890 và MAPE = 0,073.

Từ khóa

Mỏ lộ thiên; Nổ mìn; PM2.5; Mạng nơ–ron nhân tạo; Giải thuật tối ưu; Phát triển bền vững.

Trích dẫn bài báo

Hoàng, N.; Nam, B.X.; Hiếu, T.Q.; Hùng, T.K.; Thành, N.T. Dự báo nồng độ bụi PM2.5 phát tán trong quá trình nổ mìn trên các mỏ lộ thiên sử dụng mạng nơ–ron nhân tạo và giải thuật tối ưu hóa bầy đàn cải tiến (APSO–MLP). Tạp chí Khí tượng Thuỷ văn 2022, 740, 88-99.

Tài liệu tham khảo

1. Silvester, S.; Lowndes, I.; Hargreaves, D. A computational study of particulate emissions from an open pit quarry under neutral atmospheric conditions. Atmos. Environ. 2009, 43(40), 6415–6424.

2. Alvarado, M.; Gonzalez, F.; Fletcher, A.; Doshi, A. Towards the development of a low cost airborne sensing system to monitor dust particles after blasting at open–pit mine sites. Sensors 2015, 15(8), 19667–19687.

3. Bhandari, S.; Bhandari, A.; Arya, S. Dust resulting from blasting in surface mines and its control. Proceedings of explosive conference. 2004.

4. Bhandari, S. Fines and dust generation and control in rock fragmentation by blasting. in Rock Fragmentation by Blasting: The 10th International Symposium on Rock Fragmentation by Blasting, 2012 (Fragblast 10). Taylor & Francis Books Ltd, 2013.

5. Heo, S.; Kim, D.Y.; Kwoun, Y.; Lee, T.J.; Jo, Y.M. Characterization and source identification of fine dust in Seoul elementary school classrooms. J. Hazard. Mater 2021, 414, 125531.

6. Vanicela, B.D.; Nebel, M.; Stephan, M.; Riethmüller, C.; Gresser, G. Quantitative analysis of fine dust particles on moss surfaces under laboratory conditions using the example of Brachythecium rutabulum. Environ. Sci. and Pollut. Res. 2021, 28(37), 51763–51771.

7. Nam, C.t.k.t.đ.v.Y.V. Báo cáo đánh giá tác động môi trường "Dự án đầu tư cải tạo mở rộng nâng công suất mỏ đá hoa trắng Châu Cường, xã Châu Cường, huyện Quỳ Hợp, Nghệ An. 2014.

8. Bui, X.N. et al. Utilizing a Novel Artificial Neural Network–Based Meta–heuristic Algorithm to Predict the Dust Concentration in Deo Nai Open–Pit Coal Mine (Vietnam). Cham: Springer International Publishing, 2021.

9. Bakhtavar, E. et al. Air Pollution Risk Assessment Using a Hybrid Fuzzy Intelligent Probability–Based Approach: Mine Blasting Dust Impacts. Nat. Resour. Res. 2021. 30(3), 2607–2627.

10. Hosseini, S.; Mousavi, A.; Monjezi, M. Prediction of blast–induced dust emissions in surface mines using integration of dimensional analysis and multivariate regression analysis. Arabian J. Geosci. 2022, 15(2), 163.

11. Bakhtavar, E. et al. Green blasting policy: Simultaneous forecast of vertical and horizontal distribution of dust emissions using artificial causality–weighted neural network. J. Cleaner Prod. 2021, 283, 124562.

12. Hosseini, S. et al. Prediction of Dust Emission Due to Open Pit Mine Blasting Using a Hybrid Artificial Neural Network. Nat. Resour. Res. 2021, 30(6), 4773–4788.

13. Hyder, Z.; Siau, K.; Nah, F. Artificial intelligence, machine learning, and autonomous technologies in mining industry. J. Database Manage. 2019, 30(2), 67–79.

14. Ali, D.; Frimpong, S. Artificial intelligence, machine learning and process automation: existing knowledge frontier and way forward for mining sector. Artif. Intell. Rev. 2020, 53(8), 6025–6042.

15. Soofastaei, A. The application of artificial intelligence to reduce greenhouse gas emissions in the mining industry, in Green Technologies to Improve the Environment on Earth. IntechOpen London, UK, 2018.

16. Sharma, S.; Sharma, S.; Athaiya, A. Activation functions in neural networks. Towards Data Sci. 2017, 6(12), 310–316.

17. Ghaffari, A. et al. Performance comparison of neural network training algorithms in modeling of bimodal drug delivery. Int. J. Pharm. 2006, 327(1–2), 126–138.

18. Can, A. et al. Landslide susceptibility mapping at Ovacık–Karabük (Turkey) using different artificial neural network models: comparison of training algorithms. Bull. Eng. Geol. Environ. 2019, 78(1), 89–102.

19. Abedinia, O.; Amjady, N.; Ghadimi, N. Solar energy forecasting based on hybrid neural network and improved metaheuristic algorithm. Comput. Intell. 2018, 34(1), 241–260.

20. Chong, H.Y. et al. Advances of metaheuristic algorithms in training neural networks for industrial applications. Soft Comput. 2021, 25(16), 11209–11233.

21. Khan, A. et al. An alternative approach to neural network training based on hybrid bio meta–heuristic algorithm. J. Ambient Intell. Hum. Comput. 2019, 10(10), 3821–3830.

22. Kennedy, J.; Eberhart, R. Particle swarm optimization (PSO). Proc. IEEE International Conference on Neural Networks, Perth, Australia. 1995.

23. Li, M.; Du, W.; Nian, F. An adaptive particle swarm optimization algorithm based on directed weighted complex network. Math. Probl. Eng. 2014, ID 434972.

24. Shi, Y.; Eberhart, R.C. Empirical study of particle swarm optimization. Proceedings of the 1999 congress on evolutionary computation–CEC99 (Cat. No. 99TH8406). IEEE, 1999.

25. Bui, X.N. et al. A novel Hybrid Model for predicting Blast–induced Ground Vibration Based on k–nearest neighbors and particle Swarm optimization. Sci. Rep. 2019, 9(1), 1–14.

26. Ding, Z. et al. Computational Intelligence Model for Estimating Intensity of Blast–Induced Ground Vibration in a Mine Based on Imperialist Competitive and Extreme Gradient Boosting Algorithms. Nat. Resour. Res. 2020, 29(2), 751–769.

27. Zhang, X. et al. Novel Soft Computing Model for Predicting Blast–Induced Ground Vibration in Open–Pit Mines Based on Particle Swarm Optimization and XGBoost. Nat. Resour. Res. 2020, 29(2), 711–721.

28. Ahmadi, M.R.; Shahabi, R.S. Cutoff grade optimization in open pit mines using genetic algorithm. Resour. Policy 2018, 55, 184–191.

29. Armaghani, D.J. et al. Airblast prediction through a hybrid genetic algorithm–ANN model. Neural Comput. Appl. 2018, 29(9), 619–629.

30. El–Mihoub, T.A. et al. Hybrid Genetic Algorithms: A Review. Eng. Lett. 2006, 13(2), 124–137.