Nghiên cứu mô hình AI dự báo chấn động nổ mìn trong khai thác mỏ lộ thiên

LỜI CAM ĐOAN

LỜI CẢM ƠN

1. MỞ ĐẦU

1.1. ĐẶC ĐIỂM CHUNG CỦA CÔNG TÁC NỔ MÌN TRÊN MỎ LỘ THIÊN VÀ CÁC ẢNH HƯỞNG CỦA CHẤN ĐỘNG NỔ MÌN

1.1.1. Đặc điểm chung của công tác nổ mìn trên mỏ lộ thiên

1.1.2. Khái niệm chung về sóng chấn động nổ mìn và các đặc tính của nó

1.1.3. Các tác động có hại của chấn động nổ mìn trên mỏ lộ thiên

1.1.4. Kết luận chương

1.2. TỔNG QUAN CÁC NGHIÊN CỨU DỰ BÁO CHẤN ĐỘNG NỔ MÌN TRÊN MỎ LỘ THIÊN

1.2.1. Tổng quan tình hình nghiên cứu trong nước

1.2.2. Tổng quan tình hình nghiên cứu ngoài nước

1.2.3. Tổng kết, đánh giá ưu điểm và các hạn chế của các nghiên cứu đã công bố

1.2.4. Kết luận chương

1.3. CƠ SỞ LÝ THUYẾT CỦA MỘT SỐ MÔ HÌNH TRÍ TUỆ NHÂN TẠO DỰ BÁO CHẤN ĐỘNG NỔ MÌN TRÊN MỎ LỘ THIÊN

1.3.1. Mạng nơ-ron nhân tạo (Artificial Neural Network)

1.3.2. Mô hình rừng ngẫu nhiên (Random Forest)

1.3.3. Mô hình hồi quy véc tơ hỗ trợ (Support Vector Regression)

1.3.4. Mô hình lập thể (Cubist)

1.3.5. Mô hình độ dốc tăng cường cấp cao (extreme gradient boosting machine – XGBoost)

1.3.6. Mô hình độ dốc tăng cường (gradient boosting machine – GBM)

1.3.7. Mô hình độ dốc tăng cường cấp cao (Extreme Gradient Boosting – XGBoost)

1.3.8. Đề xuất mô hình lai dựa trên kỹ thuật phân cụm phân tầng và thuật toán lập thể (HKM-CA)

1.3.8.1. Kỹ thuật phân cụm K trung bình theo thứ bậc (Hierarchical K-means clustering)

1.3.8.2. Đề xuất mô hình HKM-CA

1.3.9. Đề xuất mô hình lai dựa trên thuật toán tối ưu hóa bầy đàn và XGBoost (PSO-XGBoost)

1.3.9.1. Thuật toán tối ưu hóa bầy đàn (Particle Swarm Optimization algorithm)

1.3.9.2. Đề xuất mô hình PSO-XGBoost

1.3.10. Đề xuất mô hình lai dựa trên thuật toán tối ưu hóa đom đóm và ANN (FFA-ANN)

1.3.10.1. Thuật toán tối ưu hóa đom đóm (Firefly Algorithm)

1.3.10.2. Đề xuất mô hình FFA-ANN

1.3.11. Kết luận chương

1.4. NGHIÊN CỨU PHÁT TRIỂN MỘT SỐ MÔ HÌNH TRÍ TUỆ NHÂN TẠO DỰ BÁO CHẤN ĐỘNG NỔ MÌN CHO MỎ LỘ THIÊN VIỆT NAM

1.4.1. Tổng quan về khu vực nghiên cứu

1.4.2. Thu thập và phân tích dữ liệu

1.4.2.1. Thu thập dữ liệu

1.4.2.2. Phân tích dữ liệu

1.4.3. Các phương pháp đánh giá hiệu suất của các mô hình trí tuệ nhân tạo

1.4.4. Phát triển các mô hình dự báo chấn động nổ mìn

1.4.4.1. Xử lý dữ liệu

1.4.4.2. Mô hình RF

1.4.4.3. Mô hình SVR

1.4.4.4. Mô hình lập thể (Cubist)

1.4.4.5. Mô hình XGBoost

1.4.4.6. Mô hình HKM-CA

1.4.4.7. Mô hình PSO-XGBoost

1.4.4.8. Mô hình FFA-ANN

1.4.4.9. Mô hình thực nghiệm

1.4.5. So sánh, đánh giá hiệu suất của các mô hình dự báo chấn động nổ mìn đã phát triển

1.4.6. Phân tích mức độ ảnh hưởng của các biến đầu vào

1.4.7. Kết luận chương

2. 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

I. Giới thiệu và tính cấp thiết của nghiên cứu

Nghiên cứu mô hình AI dự báo chấn động nổ mìn trong khai thác mỏ lộ thiên là một vấn đề khoa học có tính cấp thiết cao. Chấn động nổ mìn gây ra nhiều tác động tiêu cực như phá hủy công trình, gây nứt nẻ nhà cửa, và ảnh hưởng đến sự ổn định của bờ mỏ. Việc tăng quy mô nổ mìn với khối lượng thuốc nổ lớn làm gia tăng các tác hại này. Mô hình AI được đề xuất nhằm khắc phục hạn chế của các phương pháp thực nghiệm truyền thống, giúp dự báo chính xác hơn và giảm thiểu tác động tiêu cực đến môi trường.

1.1. Tác động của chấn động nổ mìn

Chấn động nổ mìn không chỉ ảnh hưởng đến cấu trúc công trình mà còn gây hoang mang cho cộng đồng dân cư. Các phương pháp thực nghiệm hiện tại không đủ để đánh giá đầy đủ các tác động này, đặc biệt khi các yếu tố như tính chất đất đá và thông số nổ mìn thay đổi.

1.2. Sự cần thiết của mô hình AI

Mô hình AI có khả năng xử lý các mối quan hệ phi tuyến giữa các biến đầu vào, giúp dự báo chính xác hơn. Điều này đặc biệt quan trọng trong bối cảnh các mỏ lộ thiên ngày càng gần khu dân cư, đòi hỏi các giải pháp bảo vệ môi trường và an toàn hiệu quả.

II. Cơ sở lý thuyết và phương pháp nghiên cứu

Nghiên cứu sử dụng các mô hình trí tuệ nhân tạo như Mạng nơ-ron nhân tạo (ANN), Rừng ngẫu nhiên (RF), và Mô hình độ dốc tăng cường (XGBoost) để dự báo chấn động nổ mìn. Các mô hình này được kết hợp với các thuật toán tối ưu hóa như Tối ưu hóa bầy đàn (PSO) và Thuật toán đom đóm (FFA) để nâng cao độ chính xác.

2.1. Mô hình ANN và RF

Mạng nơ-ron nhân tạo (ANN) và Rừng ngẫu nhiên (RF) là hai mô hình chính được sử dụng. ANN có khả năng học các mối quan hệ phi tuyến, trong khi RF giúp giảm thiểu overfitting và cải thiện độ chính xác.

2.2. Kết hợp thuật toán tối ưu hóa

Các thuật toán như PSO và FFA được kết hợp với XGBoost để tối ưu hóa các tham số của mô hình. Điều này giúp cải thiện hiệu suất dự báo và giảm thiểu sai số.

III. Kết quả và ứng dụng thực tiễn

Nghiên cứu đã phát triển thành công các mô hình AI dự báo chấn động nổ mìn với độ chính xác cao. Các mô hình này được áp dụng thử nghiệm tại mỏ than Núi Béo, Quảng Ninh, cho kết quả khả quan. Mô hình PSO-XGBoost và FFA-ANN được đánh giá là có hiệu suất vượt trội so với các mô hình truyền thống.

3.1. Đánh giá hiệu suất mô hình

Các mô hình được đánh giá thông qua các chỉ số như RMSE và MAE. Mô hình PSO-XGBoost cho kết quả tốt nhất với sai số thấp và độ tin cậy cao.

3.2. Ứng dụng thực tiễn

Các mô hình này có thể được áp dụng rộng rãi trong ngành khai thác mỏ lộ thiên, giúp giảm thiểu tác động tiêu cực của chấn động nổ mìn đến môi trường và cộng đồng dân cư.

IV. Kết luận và kiến nghị

Nghiên cứu đã chứng minh hiệu quả của mô hình AI trong dự báo chấn động nổ mìn. Các mô hình lai như PSO-XGBoost và FFA-ANN mang lại độ chính xác cao hơn so với các mô hình đơn lẻ. Điều này mở ra hướng nghiên cứu mới trong việc ứng dụng trí tuệ nhân tạo vào ngành khai thác mỏ.

4.1. Kết luận

Các mô hình AI đề xuất đã cải thiện đáng kể độ chính xác trong dự báo chấn động nổ mìn, góp phần bảo vệ môi trường và nâng cao hiệu quả khai thác mỏ.

4.2. Kiến nghị

Cần tiếp tục nghiên cứu và phát triển các mô hình AI mới, đồng thời áp dụng rộng rãi các mô hình này vào thực tiễn khai thác mỏ lộ thiên tại Việt Nam.

Luận án tiến sĩ kỹ thuật: Ứng dụng trí tuệ nhân tạo dự báo chấn động nổ mìn trong khai thác mỏ lộ thiên