Lọc theo danh mục
  • Năm xuất bản
    Xem thêm
  • Lĩnh vực
liên kết website
Lượt truy cập
 Lượt truy cập :  14,855,947

Kỹ thuật môi trường và địa chất, địa kỹ thuật

Nguyễn Hoàng; Bùi Xuân Nam; Trần Quang Hiếu; Trần Khắc Hùng; Nguyễn Tuấn Thành; Trần Quang Hiếu(1)

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)

Forecasting PM2.5 dust concentration induced by blasting in open pit mines using artificial neural network and improved swarm optimization algorithm (APSO–MLP)

Khi tượng Thủy văn

2022

740

88-99

2525-2208

Dự báo; Nồng độ bụi PM2.5; Phát tán; Quá trình nổ mìn; Mỏ lộ thiên; Sử dụng; Mạng nơ–ron nhân tạo; Giải thuật; Tối ưu hóa; Bầy đàn cải tiến; APSO–MLP

Open pit mine; Mine blasting; PM2.5; Artificial Neural Networks; Optimal Algorithm; Sustainable Development.

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.

n this paper, PM2.5 induced by blasting operations in open–pit mines has been predicted by hybrid artificial intelligence models based on multi–layer perceptron neural network (MLP), accelarated particle swarm optimization (APSO), and genetic algorithm (GA), named as APSO–MLP and GA–MLP. Blasting parameters and meteorology conditions were considered for this aim. Subsequently, a MLP model was then designed for predicting PM2.5 based on the inputs (blasting parameters and meteorology conditions). The optimization algorithms APSO and GA then were applied to optimize the weights of the designed MLP model, aiming to improve the accuracy of the MLP model for predicting PM2.5. The results showed that both hybrid models (APSO–MLP and GA–MLP) provided pretty high accuracies in predicting PM2.5 (over 90%). Of those, the APSO–MLP model provided a slightly higher performance with RMSE = 5.102; R2 = 0.900 and MAPE = 0.063. Meanwhile, the GA–MLP model provided lower performance qwith an RMSE = 5.331, R2 = 0.890 and MAPE = 0.073. 

TTKHCNQG, CVv 397