Nghiên cứu một số mô hình trí tuệ nhân tạo dự báo chấn động nổ mìn trong khai thác mỏ lộ thiên (tt)

Do đó, luận án: “Nghiên cứu một số mô hình trí tuệ nhân tạo dự báo chấn động nổ mìn trong khai thác mỏ lộ thiên” đã được NCS lựa chọn để thực hiện trên cơ sở xem xét tổng thể nhiều yếu t

Công trình hoàn thành tại: Bộ môn Khai thác lộ thiên

Khoa Mỏ, Trường Đại học Mỏ - Địa chất

Người hướng dẫn khoa học:

1 GS.TS Bùi Xuân Nam, Trường Đại học Mỏ - Địa chất

2 TS Trần Quang Hiếu, Trường Đại học Mỏ - Địa chất

Luận án sẽ được bảo vệ trước Hội đồng đánh giá luận án cấp Trường, họp tại……… vào hồi…… giờ……….ngày……….tháng………năm 2020

Có thể tìm thấy luận án tại Thư viện Quốc gia Hà Nội hoặc Thư viện Trường Đại học Mỏ - Địa chất

1 TÍNH CẤP THIẾT CỦA LUẬN ÁN

- Chấn động nổ mìn là một trong những tác động tiêu cực sinh ra do nổ mìn trên các mỏ lộ thiên;

có thể gây phá hủy cấu trúc các công trình xung quanh, gây nứt nẻ hoặc đổ sập nhà cửa, mất ổn định tầng và bờ mỏ trên mỏ lộ thiên và gây hoang mang, lo sợ cho các hộ dân cư nằm trong vùng bán kính ảnh hưởng của sóng chấn động nổ mìn

- QCVN 02:2008/BCT của Bộ Công thương mới chỉ có tính pháp lý mà còn thiếu cơ sở khoa học để đánh giá đầy đủ ảnh hưởng và thiệt hại gây ra bởi chấn động nổ mìn

- Cách tiếp cận của các phương pháp thực nghiệm chỉ dựa trên 2 thông số chính là khối lượng thuốc nổ và khoảng cách tác dụng mà chưa xem xét tới các yếu tố khác

- Cuộc cách mạng công nghiệp 4.0 đang có ảnh hưởng sâu, rộng tới khoa học - công nghệ, đặc biệt là lĩnh vực khai thác mỏ Hơn nữa, các nghiên cứu mới nhằm bổ sung và đóng góp cho cộng đồng khoa học trên thế giới trong xu thế hội nhập hiện nay là cần thiết để không ngừng cải thiện mức độ chính xác của các mô hình trí tuệ nhân tạo Do đó, luận án: “Nghiên cứu một số mô hình trí tuệ nhân tạo dự báo chấn động nổ mìn trong khai thác mỏ lộ thiên” đã được NCS lựa chọn để thực hiện trên cơ sở xem xét tổng thể nhiều yếu tố ảnh hưởng tới sóng chấn động nổ mìn, nhằm cải thiện mức độ chính xác trong dự báo chấn động nổ mìn, góp phần giảm thiểu các tác động tiêu cực tới môi trường xung quanh Đây là một vấn đề khoa học có tính cấp thiết và thực tiễn cao trong ngành khai thác mỏ nói chung và khai thác mỏ lộ thiên ở Việt Nam nói riêng

2 MỤC TIÊU

- Phát triển một số mô hình trí tuệ nhân tạo dự báo sóng chấn động nổ mìn cho các mỏ lộ thiên

với độ chính xác cao Áp dụng cho mỏ than Núi Béo, tỉnh Quảng Ninh;

- Làm sáng tỏ mối quan hệ giữa sóng chấn động nổ mìn và các thông số nổ mìn trên mỏ lộ thiên

3 ĐỐI TƯỢNG VÀ PHẠM VI NGHIÊN CỨU

- Đối tượng nghiên cứu của luận án là các thông số nổ mìn, sóng chấn động sinh ra do nổ mìn trên mỏ lộ thiên và một số mô hình trí tuệ nhân tạo có khả năng dự báo sóng chấn động nổ mìn trên

mỏ lộ thiên với độ chính xác cao

- Phạm vi nghiên cứu của luận án là các mỏ lộ thiên Việt Nam Áp dụng thử nghiệm cho mỏ than Núi Béo thuộc Tập đoàn Công nghiệp Than - Khoáng sản Việt Nam

4 NỘI DUNG NGHIÊN CỨU

- Nghiên cứu đặc điểm chung của công tác nổ mìn trên mỏ lộ thiên, lý thuyết nổ trong môi trường đất đá và các ảnh hưởng của chấn động nổ mìn trên mỏ lộ thiên

- Nghiên cứu đánh giá tổng quan các tài liệu trong và ngoài nước về dự báo chấn động nổ mìn trên các mỏ lộ thiên

- Nghiên cứu cơ sở lý thuyết của một số mô hình trí tuệ nhân tạo có khả năng dự báo chấn động

nổ mìn trên mỏ lộ thiên

- Nghiên cứu phát triển một số mô hình trí tuệ nhân tạo dự báo chấn động nổ mìn cho mỏ than Núi Béo, Quảng Ninh

5 PHƯƠNG PHÁP NGHIÊN CỨU VÀ CÁCH TIẾP CẬN

Các phương pháp chính được thực hiện trong luận án nhằm đạt được các mục tiêu đề ra bao gồm: Phương pháp nghiên cứu thực địa; Phương pháp thu thập dữ liệu; Phương pháp thống kê và phân tích dữ liệu; Phương pháp thực nghiệm; Phương pháp trí tuệ nhân tạo; Phương pháp phân tích độ nhạy

6 Ý NGHĨA KHOA HỌC VÀ THỰC TIỄN

- Các kết quả nghiên cứu của luận án cũng là tài liệu tham khảo bổ ích cho các mỏ khai thác lộ thiên khác của Việt Nam có điều kiện tương tự

7 ĐIỂM MỚI CỦA LUẬN ÁN

- Lần đầu tiên 4 mô hình trí tuệ nhân tạo mới đã được nghiên cứu, phát triển để dự báo chấn động nổ mìn cho mỏ lộ thiên Việt Nam với mức độ chính xác cao Các kết quả của 4 mô hình trí tuệ nhân tạo đề xuất đã được tác giả công bố trong 4 bài báo quốc tế trong danh mục các tạp chí ISI;

- Luận án đã sử dụng nhiều phương pháp mới như phổ màu, xếp hạng và đồ thị Taylor để so sánh và đánh giá tổng thể hiệu suất cũng như mức độ chính xác của các mô hình dự báo;

- Các phát hiện của luận án đã chỉ ra rằng: khối lượng thuốc nổ, khoảng cách giám sát chấn động,

độ chênh cao giữa bãi nổ và vị trí giám sát chấn động, và số nhóm vi sai là các yếu tố có ảnh hưởng mạnh mẽ đến chấn động nổ mìn

8 LUẬN ĐIỂM BẢO VỆ

Luận điểm 1: Trí tuệ nhân tạo là một công cụ hiệu quả có khả năng dự báo chấn động nổ mìn

cho các mỏ lộ thiên với mức độ chính xác cao Các mô hình trí tuệ nhân tạo lai (hybrid models) có khả năng cải thiện đáng kể mức độ chính xác của các mô hình trí tuệ nhân tạo đơn lẻ trong dự báo chấn động nổ mìn cho các mỏ lộ thiên Việt Nam;

Luận điểm 2: Các thông số ảnh hưởng đến chấn động nổ mìn thường có mối quan hệ phi tuyến

tính Các mô hình trí tuệ nhân tạo có khả năng giải thích mối quan hệ phi tuyến tính giữa các biến đầu vào một cách rõ ràng Chúng có khả năng xem xét nhiều biến đầu vào đồng thời với tốc độ tính toán nhanh chóng và mức độ tin cậy cao;

Luận điểm 3: Các thông số ảnh hưởng tới chấn động nổ mìn không chỉ có khối lượng thuốc nổ

và khoảng cách giám sát chấn động mà còn có độ chênh cao giữa bãi mìn với vị trí giám sát chấn động nổ mìn và số nhóm vi sai Chúng được xem xét như những thông số quan trọng và cần sử dụng trong quá trình dự báo chấn động nổ mìn trên mỏ lộ thiên để cải thiện mức độ chính xác và tin cậy của các mô hình

Chương 2 Tổng quan các nghiên cứu dự báo chấn động nổ mìn trên mỏ lộ thiên

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

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

Kết luận và kiến nghị

Danh mục các công trình đã công bố liên quan đến luận án của NCS

Tài liệu tham khảo

Phụ lục

10 CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ CỦA TÁC GIẢ

Trong thời gian nghiên cứu, NCS đã công bố 21 bài báo và báo cáo khoa học liên quan trực tiếp đến nội dung của luận án, bao gồm: 07 bài báo trong hệ thống các tạp chí quốc tế ISI; 02 bài báo trong hệ thống các tạp chí ESCI; 02 bài báo trong hệ thống các tạp chí SCOPUS; 01 bài báo trong hội nghị khoa học quốc tế tại CHLB Đức; 05 bài báo trong các tạp chí ngành trong nước; 04 bài

báo trong các hội nghị khoa học trong nước

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

Khai thác lộ thiên là một trong những phương pháp khai thác mỏ phổ biến nhằm thu hồi tài nguyên khoáng sản có giá trị kinh tế trong lòng đất nhằm phục vụ cho các mục đích khác nhau của con người Quá trình khai thác lộ thiên được chia thành bốn công đoạn cơ bản: chuẩn bị đất đá - xúc bốc - vận tải - đổ thải Trong đó, chuẩn bị đất đá được xem là khâu công nghệ đầu tiên nhằm phá vỡ đất đá và khoáng sản, đảm bảo cho các khâu công nghệ sau đó hoạt động được hiệu quả và năng suất Có thể được sử dụng các phương pháp sau để phá vỡ đất đá trên mỏ lộ thiên: khoan - nổ mìn, các thiết bị cơ giới (máy cày xới, đầu đập thủy lực, máy liên hợp phay cắt,…), điện trường, từ trường,… Tuy nhiên, khoan - nổ mìn vẫn là phương pháp phổ biến nhất được sử dụng rộng rãi để phá vỡ đất đá trên các mỏ lộ thiên ở trên thế giới nói chung và Việt Nam nói riêng do các ưu điểm vượt trội của nó về mặt kỹ thuật và kinh tế

Trên các mỏ lộ thiên, công tác nổ mìn phải đảm bảo 9 yếu tố sau:

1- Đá được phá vỡ theo kích thước yêu cầu phù hợp với quá trình sản xuất sau đó

2- Chất lượng và loại khoáng sản

3- Sai lệch về độ cao của nền tầng là ít nhất

4- Hình dạng và góc dốc của sườn tầng theo yêu cầu, có khả năng khoan và nạp mìn an toàn cho lần nổ sau

5- Hình dạng và kích thước đống đá phù hợp với yêu cầu, tạo điều kiện thuận lợi cho công tác xúc bốc

6- Khoảng cách bay xa và hướng dịch chuyển của đá phải theo đúng qui định, đặc biệt khi nổ văng vào khoảng trống đã khai thác

7- Chấn động khi nổ mìn là ít nhất, đảm bảo độ ổn định tối đa của các công trình cũng như khối

đá nằm gần bờ kết thúc của mỏ nhằm đạt được góc bờ kết thúc theo yêu cầu

8- Đủ đất đá để công tác xúc bốc tiến hành được liên tục và có năng suất cao

9- Hiệu quả kinh tế cao, có năng suất và an toàn cho công tác mỏ nói chung

1.2 Cơ chế phá hủy đất đá bằng nổ mìn và sóng chấn động sinh ra do nổ mìn trên các mỏ lộ thiên

Theo các nhà khoa học, để phá vỡ đất đá trên các mỏ lộ thiên một cách hiệu quả, cần phải hiểu

rõ cơ chế phá hủy đất đá bằng phương pháp nổ mìn Nó được xem như là chìa khóa để giải quyết hàng loạt các bài toán liên quan tới kỹ thuật trong quá trình thiết kế và thi công nổ mìn, đặc biệt khi

nổ mìn phá vỡ đất đá trên các mỏ lộ thiên Theo đó, có ba cơ chế phá hủy đất đá trên các mỏ lộ thiên bao gồm: Cơ chế phá hủy các loại đất đá mềm, đất đá cứng đồng nhất và đất đá có độ cứng không lớn

Trong quá trình phá hủy đất đá, sóng đập sinh ra do nổ mìn chuyển động với tốc độ siêu âm trong môi trường và lan truyền đến ở khoảng cách nhất định (khoảng 5÷6 lần bán kính lượng nổ) Sau đó, nó chuyển thành sóng đàn hồi với tốc độ nhỏ hơn ban đầu và bằng tốc độ sóng âm lan truyền trong môi trường đất đá Sau khi sóng đập đi qua các phần tử, môi trường đất đá nhận được năng lượng từ sóng và chuyển động theo Trị số biên độ sóng giảm dần khi ra xa tâm nổ Do đó, đặc tính phá huỷ và biến dạng của môi trường đất đá cũng bị biến đổi theo Tại những điểm nhận được sóng đập với biên độ lớn hơn độ bền nén của đất đá, đất đá bị phá hủy Tuỳ theo mức độ chênh lệch giữa biên độ của sóng đập và độ bền nén của đất đá mà mức độ phá hủy là khác nhau Càng gần tâm nổ, mức độ chênh lệch giữa biên độ của sóng đập và độ bền nén của đất đá càng lớn và đất

đá bị phá hủy càng mạnh

Hình 1.1 Minh họa sự lan truyền sóng chấn động do nổ mìn trên mỏ lộ thiên

Tiêu chuẩn tổng quát đánh giá tác dụng chấn động khi nổ mìn là tốc độ dao động riêng của các toà nhà, các công trình dân dụng và công nghiệp Đây là thông số chủ yếu quyết định tác dụng chấn động của các loại sóng khác nhau đối với công trình Do đó, tốc độ dao động nền đất cực đại (Peak Particle Velocity - PPV) được xem là một yếu tố quan trọng để đánh giá và dự báo chấn động nổ mìn trên các mỏ lộ thiên

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

Một cách tổng quát, có thể thấy chấn động nổ mìn là một trong những tác dụng phụ nguy hiểm nhất sinh ra do các hoạt động nổ mìn trên mỏ lộ thiên Các tác động chủ yếu của chấn động nổ mìn trên mỏ lộ thiên bao gồm:

- Gây ra các phản ứng như: giật mình, sợ hãi hoặc các phản ứng tiêu cực khác xuất phát từ yếu

tố tâm lý do sự ảnh hưởng của các công trình xung quanh, gây cảm giác hoang mang, lo sợ cho con người

- Gây ảnh hưởng nghiêm trọng tới cấu trúc của các công trình xung quanh Đặc biệt khi tần số dao động của nền đất trùng với tần số dao động của các tòa nhà, sự cộng hưởng dao động sẽ xuất hiện và có thể dẫn tới những thiệt hại nghiêm trọng về nhà cửa (nứt nẻ, đổ sập), thậm chí gây tai nạn chết người

- Gây mất ổn định các tầng và bờ mỏ, thậm chí gây sạt lở bờ mỏ với quy mô lớn

1.4 Kết luận chương

Nổ mìn là một trong những khâu công nghệ cơ bản không thể thiếu trên các mỏ lộ thiên Hiệu quả của công tác nổ mìn trên các mỏ lộ thiên là không thể phủ nhận Tuy nhiên, các tác động tiêu cực đến môi tường xung quanh là đáng kể, đặc biệt là chấn động nổ mìn Trong chương này, NCS

đã nghiên cứu và làm nổi bật một số vấn đề sau:

- Đặc điểm chung của công tác nổ mìn trên mỏ lộ thiên và một số sơ đồ nổ mìn vi sai có thể áp dụng nhằm giảm thiểu chấn động nổ mìn;

- Tốc độ dao động nền đất được sử dụng làm chỉ tiêu để đánh giá cường độ chấn động nổ mìn trên mỏ lộ thiên;

- Chấn động nổ mìn trên các mỏ lộ thiên gây ảnh hưởng nghiêm trọng tới môi trường xung quanh

và con người:

+ Gây nứt nẻ, đổ sập nhà cửa;

+ Mất ổn định tầng và bờ mỏ;

+ Ảnh hưởng trực tiếp tới mực nước ngầm;

+ Gây tâm lý hoang mang, lo sợ cho dân cư nằm trong vùng bán kính ảnh hưởng của nổ mìn

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

Tổng quan các tài liệu nghiên cứu trong nước cho thấy các nghiên cứu trong nước mới chỉ dừng lại ở việc nghiên cứu và đề xuất các giải pháp nhằm giảm thiểu chấn động nổ mìn dựa trên các phương trình thực nghiệm Các mô hình trí tuệ nhân tạo chưa từng được nghiên cứu và áp dụng để

dự báo chấn động nổ mìn cho các mỏ lộ thiên Việt Nam Bên cạnh đó, các thiết bị chuyên dụng như Minimate Plus, Blastmate III, Micromate đã được đề xuất để giám sát chấn động nổ mìn trên các

mỏ lộ thiên Một số phương trình thực nghiệm phổ biến được sử dụng để dự báo chấn động nổ mìn tại Việt Nam như:

- Phương trình thực nghiệm của Cục mỏ Hoa Kỳ:

2.2 Tổng quan tình hình nghiên cứu ngoài nước

Tổng quan các tài liệu, các công trình đã công bố trên thế giới cho thấy cách tiếp cận của các nhà khoa học trên thế giới đã vượt xa các nhà khoa học trong nước Các nghiên cứu về chấn động nổ mìn không chỉ dừng lại ở việc nghiên cứu, đánh giá và giảm thiểu ảnh hưởng của chấn động nổ mìn, mà còn có khả năng

dự báo chấn động nổ mìn một cách chính xác Các kết quả dự báo chấn động nổ mìn đã được các nhà khoa học ngoài nước sử dụng để giảm thiểu chấn động, cũng như các tác động tiêu cực của nó tới môi trường xung quanh

Để dự báo chấn động nổ mìn trên các mỏ lộ thiên, các nhà khoa học trên thế giới đã sử dụng hai phương pháp tiếp cận chính là các phương trình thực nghiệm và trí tuệ nhân tạo Tổng quan các tài liệu cho thấy

cả hai cách tiếp cận này của các nhà khoa học trên thế giới đều đang vượt xa so với các nhà khoa học trong nước

Bảng 2.1 Một số phương trình thực nghiệm dự báo chấn động nổ mìn

STT Tài liệu tham khảo Phương trình

1 Wilbur I Duvall và Benjamin Petkof PPV

m

Q k D

QPPV

m k

STT Tài liệu tham khảo Phương trình

m

Q k D

Đối với cách tiếp cận các mô hình trí tuệ nhân tạo, các nhà khoa học trên thế giới đã rất thành công trong việc phát triển các mô hình trí tuệ nhân tạo dự báo chấn động nổ mìn cho các mỏ lộ thiên với mức độ chính xác cao Một số mô hình trí tuệ nhân tạo điển hình phải kể đến như: mạng nơ-ron nhân tạo (ANN), máy véc-tơ hồi quy hỗ trợ (SVR), rừng ngẫu nhiên (RF), lập trình biểu hiện gen (GEP) Các mô hình trí tuệ nhân tạo này cũng đã được cải tiến và phát triển để đạt được mức độ chính xác cao hơn dựa trên các thuật toán tối ưu như: thuật toán di truyền, tối ưu hóa bầy ong, tối

ưu hóa bầy đàn, tối ưu hóa cá voi, nhóm các thuật toán phân cụm dữ liệu,…

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

Xem xét các tài liệu cho thấy, các phương pháp dự báo sóng chấn động sinh ra do nổ mìn trên các mỏ lộ thiên chủ yếu được chia thành 2 nhóm:

 Nhóm 1: Các phương trình thực nghiệm;

 Nhóm 2: Các mô hình trí tuệ nhân tạo

Tổng quan các tài liệu cho thấy:

* Đối với các nghiên cứu trong nước:

 Các nghiên cứu trong nước mới chỉ dừng lại ở việc sử dụng các phương trình thực nghiệm để dự báo chấn động nổ mìn Trong đó, phương trình thực nghiệm của Cục Mỏ Hoa Kỳ được áp dụng phổ biến;

 Các phương trình thực nghiệm thường đơn giản và cho kết quả nhanh chóng;

 Một số nghiên cứu sử dụng bộ dữ liệu với kích thước quá nhỏ để xây dựng các phương trình thực nghiệm không đảm bảo mức độ tin cậy và không có khả năng đại diện cho toàn bộ phạm vi của mỏ;

 Một số nghiên cứu chỉ sử dụng duy nhất hệ số tương quan R2 để đánh giá hiệu suất của phương trình thực nghiệm trên bộ dữ liệu huấn luyện là chưa đủ cơ sở khoa học Hệ số tương quan chỉ phản ánh mức độ phù hợp của bộ dữ liệu với phương trình thực nghiệm được đề xuất Về mặt thống kê, hiệu suất của phương trình thực nghiệm (mô hình dự báo) phải được đánh giá thông qua ít nhất 2 chỉ tiêu:

hệ số tương quan R2 và sai số tuyệt đối MAE (hoặc sai số toàn phương trung bình MSE; sai số bình quân phương RMSE) Các giá trị sai số tuyệt đối (hoặc sai số bình quân phương) cho biết mức độ chính xác của các kết quả dự báo so với giá trị thực tế và sự ổn định của mô hình dự báo;

 Kỹ thuật thống kê tiên tiến (Chi-square và ANOVA) đã được đưa vào trong quá trình xây dựng các

mô hình thực nghiệm dự báo chấn động nổ mìn Song, vẫn còn tồn tại một số hạn chế như đã nêu trên;

 Hầu hết các phương trình thực nghiệm chưa được kiểm tra, đánh giá dựa trên bộ dữ liệu thử nghiệm (nổ thử nghiệm) Các tác giả mới chỉ dừng lại ở việc xây dựng các phương trình thực nghiệm dựa trên

dữ liệu “huấn luyện” mà chưa sử dụng dữ liệu “kiểm tra” (hay dữ liệu thực tế) để kiểm chứng mức độ chính xác của các phương trình thực nghiệm;

 Chưa có nghiên cứu trong nước nào thực hiện nghiên cứu và so sánh hiệu quả của nhiều phương pháp thực nghiệm để tìm ra phương trình thực nghiệm tối ưu cho dự báo chấn động nổ mìn Phương pháp thực nghiệm phổ biến được các nhà khoa học trong nước sử dụng vẫn là phương pháp thực nghiệm của Cục Mỏ Hoa Kỳ;

 Một số nghiên cứu khác không mang tính chất dự báo chấn động nổ mìn mà chỉ mô phỏng chấn động

nổ mìn ở dạng tĩnh để đánh giá ảnh hưởng của sóng chấn động lên đất đá; đề xuất các giải pháp giảm thiểu sóng chấn động sinh ra do nổ mìn trên mỏ lộ thiên

* Đối với các nghiên cứu ngoài nước:

 Các phương pháp thực nghiệm và trí tuệ nhân tạo đã được các nhà khoa học trên thế giới nghiên cứu

và ứng dụng thành công trong dự báo chấn động nổ mìn trên mỏ lộ thiên;

 Dữ liệu lớn (Big Data) và các thuật toán học máy đã được nghiên cứu và phát triển để dự báo chấn động nổ mìn trên các mỏ lộ thiên;

 Các nghiên cứu đã sử dụng bộ dữ liệu “huấn luyện” để phát triển các phương trình thực nghiệm hoặc các mô hình trí tuệ nhân tạo, và bộ dữ liệu “kiểm tra” để kiểm chứng độ chính xác của các mô hình;

 Nhiều phương pháp thống kê và các chỉ tiêu đánh giá mô hình đã được áp dụng để đánh giá toàn diện mức độ chính xác của các mô hình dự báo chấn động nổ mìn;

Mặc dù hiệu quả của phương pháp trí tuệ nhân tạo trong dự báo chấn động nổ mìn trên mỏ lộ thiên là vượt trội, tuy nhiên, chúng chưa được áp dụng ở tất cả mọi nơi Trong khi đó, ảnh hưởng của chấn động

nổ mìn tại mỗi quốc gia là khác nhau Không có mô hình dự báo sóng chấn động nào có thể mang lại mức

độ chính xác cao cho tất cả mọi khu vực do ảnh hưởng của tính chất cơ lý đất đá và các điều kiện địa chất, địa vật lý khác nhau Bên cạnh đó, các nhà khoa học trên thế giới thường gặp nhiều khó khăn khi nghiên cứu tại những khu vực khó có thể thu thập được dữ liệu Trong khi đó, dữ liệu là điều kiện cần cho việc phát triển các mô hình dự báo bằng trí tuệ nhân tạo Hơn nữa, các mô hình mới dựa trên trí tuệ nhân tạo cần phải được tiếp tục nghiên cứu và phát triển để cải thiện mức độ chính xác của chúng theo khuyến nghị của các nhà khoa học

2.4 Kết luận chương

Để dự báo chấn động nổ mìn cho các mỏ lộ thiên, nhiều học giả trong và ngoài nước đã nỗ lực phát triển các mô hình dự báo chấn động nổ mìn Các công trình khoa học dự báo chấn động nổ mìn về cơ bản được chia thành 2 nhóm chính:

- Nhóm các phương pháp thực nghiệm

- Nhóm các mô hình trí tuệ nhân tạo

Các nghiên cứu dự báo chấn động nổ mìn về cơ bản đã được cải thiện đáng kể Nhiều mô hình trí tuệ nhân tạo dự báo chấn động nổ mìn trên mỏ lộ thiên đã được phát triển thành công Tuy nhiên, chúng chưa được nghiên cứu và ứng dụng tại Việt Nam Hơn nữa, các mô hình trí tuệ nhân tạo đã phát triển trên thế giới dường như chưa làm thỏa mãn các nhà khoa học về mức độ chính xác Các nỗ lực nghiên cứu phát triển các mô hình trí tuệ nhân tạo mới với mức độ chính xác được cải thiện, có khả năng xem xét toàn diện các yếu tố ảnh hưởng tới chấn động nổ mìn là mục tiêu hiện nay của các nhà khoa học trong và ngoài nước

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)

Mạng nơ-ron nhân tạo (Artificial Neural Network - ANN) là một mô hình xử lý thông tin đã

và đang được ứng dụng rộng rãi trong đời sống thực Nó bao gồm một số lượng lớn nơ-ron thần kinh được kết nối với nhau thông qua quá trình xử lý thông tin Các mô hình ANN hoạt động tương

tự như não bộ con người với khả năng học hỏi thông qua đào tạo (học tập), ghi nhớ kiến thức và sử dụng những kiến thức đã được học để phân tích và dự đoán các tình huống/ vấn đề/ số liệu mà nó chưa từng gặp Về cơ bản, một ANN có cấu trúc bao gồm 3 phần (còn được gọi là các lớp), bao

gồm: Lớp đầu vào; các lớp ẩn, trung gian, hoặc vô hình; lớp đầu ra Hình 3.1 minh họa cấu trúc

Hình 3.2 Quá trình thực hiện của thuật toán RF

RF là một trong những thuật toán được xây dựng dựa trên mô hình cây quyết định Mỗi cây đóng vai trò như một lá phiếu làm cơ sở ra quyết định cho thuật toán Các phương pháp học nhóm kết hợp với các kết quả riêng lẻ của từng cây thường mang lại các kết quả tốt hơn RF là thuật toán được mở rộng dựa trên kỹ thuật đóng gói (bagging) hoặc tập hợp boostrap sử dụng các mẫu ngẫu nhiên (có lặp lại) của dữ liệu huấn luyện để tạo ra nhiều cây dữ liệu hồi quy không cần cắt tỉa và là tổng kết quả trung bình của chúng Hình 3.2 minh họa quá trình phát triển mô hình RF

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

Mô hình máy véc tơ hỗ trợ (Support Vector Machine-SVM) là một trong những thuật toán máy học nổi tiếng với khả năng áp dụng cho các các bài toán phân loại (Support Vector Classification-SVC)

và các bài toán hồi quy (Support Vector Regression-SVR), được đề xuất bởi Cortes, Corinna và Vladimir Vapnik và được ứng dụng rộng rãi trong nhiều lĩnh vực khác nhau, đặc biệt là các vấn đề

kỹ thuật Thuật toán SVM ban đầu chỉ được sử dụng cho các bài toán phân loại Đến năm 1996, một phiên bản của SVM cho các bài toán hồi quy được đề xuất bởi Drucker, Harris, Christopher JC Burges và chính thức được sử dụng vào năm 1997 với tên gọi “hồi quy véc-tơ hỗ trợ” (SVR) - là một nhánh của thuật toán SVM

Để dự báo chấn động nổ mìn, một số hàm hạt nhân sau có thể được sử dụng:

Về mặt lý thuyết, thuật toán Cubist được thực hiện qua 4 bước:

- Bước 1: Phân nhánh/chia tách dữ liệu để phát triển một cây quyết định hoàn chỉnh;

- Bước 2: Phát triển mô hình hồi quy tại mỗi nút để dự báo dựa trên dữ liệu đã được phân nhánh/chia tách;

- Bước 3: “Cắt tỉa” cây để tránh vấn đề “thiếu ăn khớp” (under-fitting) hoặc “thừa ăn khớp” (over-fitting) của các giá trị dự báo so với các giá trị thực tế Trong bước này, một số biện pháp cắt tỉa được áp dụng để chuẩn hóa dữ liệu và làm cho mô hình “hiểu” dữ liệu hơn trong quá trình học/huấn luyện/đào tạo;

- Bước 4: “Làm mịn” cây để bù cho sự gián đoạn quá phân nhánh/chia tách dữ liệu

3.5 Mô hình độ dốc tăng cường cấp cao (extreme gradient boosting machine - XGBoost)

Mô hình XGBoost là một thuật toán được cải thiện và phát triển bởi Chen, Tianqi và Tong He dựa trên thuật thuật toán GBM của Jerome H Friedman XGBoost có khả năng xây dựng các cây tăng cường một cách hiệu quả, hoạt động song song với nhau và có khả năng giải quyết các vấn đề hồi quy và phân loại Vấn đề cốt lõi của thuật toán này là tối ưu hóa giá trị của hàm mục tiêu Nó thực hiện các thuật toán học máy theo khung tăng cường độ dốc XGBoost có thể xử lý nhiều vấn đề

khoa học dữ liệu một cách nhanh chóng và chính xác với các cây tăng cường song song

3.6 Đề xuất mô hình lai dựa trên kỹ thuật phân cụm phân tầng và thuật toán lập thể CA)

(HKM-3.6.1 Kỹ thuật phân cụm K trung bình theo thứ bậc (Hierarchical K-means clustering)

Phân cụm là một kỹ thuật để phân loại các đối tượng tương đồng trong cùng một nhóm, được sử dụng để phân chia bộ dữ liệu gốc thành hai hoặc nhiều tập dữ liệu con Trong số các kỹ thuật phân cụm, kỹ thuật phân cụm “K trung bình” (K-means clustering) được sử dụng rộng rãi trong nhiều lĩnh vực, được đề xuất bởi MacQueen, James Trong kỹ thuật phân cụm “K trung bình”, các kết quả phân cụm thường được tối ưu hóa cục bộ do các điểm bắt đầu được khởi tạo một cách ngẫu nhiên

Do đó, việc sử dụng nhiều lần khởi động có thể giúp cho “K trung bình” đạt được kết quả tốt hơn Tuy nhiên, rất khó để biết giới hạn tính toán cho việc cải thiện hiệu suất của “K trung bình” Vì vậy, một phương pháp phân cụm lai đã được đề xuất bởi Arai, Kohei và Ali Ridho Barakbah dựa trên

kỹ thuật phân cụm “K trung bình” và thuật toán thứ bậc (Hierarchical algorithm), được gọi là thuật toán “phân cụm K trung bình theo thứ bậc” (Hierarchical K-means clustering)

3.6.2 Đề xuất mô hình HKM-CA

Để dự báo chấn động nổ mìn cho mỏ lộ thiên, kỹ thuật phân cụm K trung bình theo thứ bậc đã được xem xét để kết hợp với mô hình lập thể (Cubist) Theo đó, kỹ thuật phân cụm K trung bình theo thứ

bậc được thực hiện trước để chia bộ dữ liệu ban đầu thành k nhóm tương đồng Sau đó, các mô hình

lập thể được phát triển cho từng cụm dữ liệu Đối với mỗi cụm, sẽ có một mô hình lập thể được xác định để dự báo chấn động nổ mìn cho cụm dữ liệu đó Cuối cùng, các dự đoán trên các cụm được kết hợp với nhau tạo ra mô hình lai HKM-CA Khung chương trình làm việc của mô hình lai HKM-

CA được đề xuất trong Hình 3.3

Hình 3.3 Đề xuất khung làm việc của mô hình HKM-CA dự báo chấn động nổ mìn cho mỏ lộ thiên 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)

Thuật toán tối ưu hóa bầy đàn (Particle Swarm Optimization – PSO) là một thuật toán tối ưu hóa mạnh mẽ được đề xuất bởi Eberhart và James Kennedy dựa trên hành vi của các bầy đàn hoặc các loài động vật giống như đàn chim hay đàn cá PSO có thể xử lý nhiều vấn đề tối ưu với mỗi cá thể đại diện cho một giải pháp khả thi Để tìm kiếm giải pháp tối ưu, PSO thực hiện các bước sau: Bước 1: Khởi tạo; Bước 2: Cập nhật vận tốc; Bước 3: Cập nhật vị trí cá thể; Bước 4: Cập nhật vị trí “tốt nhất toàn cầu” và “tốt nhất cục bộ” nếu có cá thể mới tìm được vị trí tốt hơn; Bước 5: Kiểm tra điều kiện kết thúc

Nếu các tiêu chí dừng thỏa mãn (sai số là nhỏ nhất), dừng quá trình tìm kiếm và trả lại giá trị

“toàn cầu tối ưu” và “cục bộ tối ưu” tương ứng với vị trí có sai số nhỏ nhất Nếu không, quay lại bước 2 và tiếp tục thực hiện vòng lặp cho tới khi thỏa mãn tiêu chí dừng

3.7.2 Đề xuất mô hình PSO-XGBoost

Dựa trên nền tảng tối ưu hóa của thuật toán PSO, tác giả đã đề xuất một mô hình lai mới với sự kết hợp của thuật toán PSO và thuật toán XGBoost để dự báo chấn động nổ mìn cho mỏ lộ thiên, được gọi là mô hình PSO-XGBoost

Theo đó, mô hình XGBoost được xem là mô hình chính để dự báo chấn động nổ mìn trên mỏ

lộ thiên và vai trò của PSO là tối ưu hóa các tham số của mô hình XGBoost để đạt được các dự đoán tối ưu Kỹ thuật “tối ưu hóa toàn bộ” đã được áp dụng cho tất cả các tham số của mô hình XGBoost,

bao gồm 7 tham số sau: số lần lặp tăng cường (k), chiều cao tối đa của cây (d), tỉ lệ mẫu phụ (), độ

co ngót (), tỉ lệ mẫu phụ theo các cột (), khả năng giảm thiểu tổn thất (), và khả năng giảm thiểu tổng trọng số () Để xác định các giá trị tối ưu cho mô hình XGBoost bằng thuật toán PSO, sai số bình quân phương (RMSE) đã được sử dụng để đánh giá hiệu suất của quá trình tối ưu hóa Theo đó,

mô hình XGBoost với các tham số có RMSE nhỏ nhất được xác định là mô hình PSO-XGBoost tối

ưu Khung làm việc của mô hình PSO-XGBoost cho dự báo chấn động nổ mìn trên mỏ lộ thiên được

đề xuất trong Hình 3.4

Hình 3.4 Khung chương trình của mô hình PSO-XGBoost được đề xuất

cho dự báo chấn động nổ mìn trên mỏ lộ thiên

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)

Thuật toán tối ưu hóa đom đóm (Firefly Algorithm - FFA) là một trong những thuật toán siêu hình trong khai phá dữ liệu và đã được áp dụng rộng rãi trong nhiều lĩnh vực cho các vấn đề tối ưu, được

đề xuất bởi Yang, Xin-She dựa trên hành vi của đàn đom đóm Chúng sử dụng một loại ánh sáng đặc biệt để kết nối giữa các cá thể Tuy nhiên, tín hiệu kết nối giữa các cá thể có thể bị yếu do sự di chuyển liên tục của các cá thể đom đóm Để khắc phục hạn chế này, một giải pháp tối ưu đã được

đề xuất dựa trên thể lực của các cá thể đóm đóm Một quần thể đom đóm ban đầu đã được khởi tạo

và đánh giá dựa trên cường độ ánh sáng của chúng Theo bản năng, các cá thể đom đóm liên tục di chuyển và chúng có xu thế di chuyển theo những con đom đóm có ánh sáng mạnh hơn Tại những

vị trí mà đom đóm có ánh sáng mạnh hơn được xem là vị trí tốt hơn Tuy nhiên, để đánh giá năng lực của đom đóm một cách định lượng, RMSE cũng đã được sử dụng làm tiêu chí dừng giống như thuật toán PSO Tức là vị trí có cá thể đom đóm tốt nhất là vị trí có RMSE nhỏ nhất Vị trí của các

cá thể đom đóm liên tục được cập nhật dựa trên các giá trị thể lực tốt nhất Quá trình cập nhật được thực hiện liên tục và lặp đi lặp lại cho đến khi thỏa mãn điều kiện dừng (RMSE nhỏ nhất)