Evaluation of rockburst potential in kimberlite using fruit fly optimization algorithm and generalized regression neural networks

Rockburst is a common engineering geological hazard. In order to evaluate rockburst liability in kimberlite at an underground diamond mine, a method combining generalized regression neural networks (GRNN) and fruit fly optimization algorithm (FOA) is employed. Based on two fundamental premises of rockburst occurrence, depth, σθ, σc, σt, B1, B2, SCF, Wet are determined as indicators of rockburst, which are also input vectors of GRNN model. 132 groups of data obtained from rockburst cases from all over the world are chosen as training samples to train the GRNN model; FOA is used to seek the optimal parameter σ that generates the most accurate GRNN model. The trained GRNN model is adopted to evaluate burst liability in kimberlite pipes. The same eight rockburst indicators are acquired from lab tests, mine site and FEM model as test sample features. Evaluation results made by GRNN can be confirmed by a rockburst case at this mine. GRNN do not require any prior knowledge about the nature of the relationship between the input and output variables and avoid analyzing the mechanism of rockburst, which has a bright prospect for engineering rockburst potential evaluation.

Tąpnięcia skał są powszechnym i ogólnie znanym zagrożeniem dla środowiska geologicznego oraz dla budowli. Do oceny skłonności skał do tąpania w podziemnej kopalni diamentów w Kimberlite zastosowano metodę stanowiącą połączenie sieci neuronowych realizujących uogólnioną regresję i algorytm muszki owocowej. W oparciu o dwie podstawowe przesłanki wystąpienia tąpnięcia, głębokość oraz σθ, σc, σt, wielkości B1, B2, SCF, Wet określone zostały jako wskaźniki wystąpienia tąpnięcia i następnie wy-korzystane jako wektory wejściowe w modelu sieci neuronowych GRNN. Zestawiono 132 zbiory danych o przypadkach tapnięć z całego świata i wykorzystano je jako zbiory uczące dla modelu sieci neuronowej realizującej uogólnioną regresję. Algorytm muszki owocowej wykorzystano do znalezienia optymalnej wartości parametru σ który umożliwi wygenerowanie najbardziej dokładnego modelu sieci neuronowej GRNN. Po treningu, model sieci GRNN wykorzystany został do oceny możliwości wystąpienia tąpnięcia w Kimberlite. Te same osiem wskaźników oceny skłonności wyrzutowej skały otrzymano na podstawie badań laboratoryjnych, z analiz prowadzonych w kopalni oraz w oparciu o metodę elementów skończonych, wyniki te wykorzystano następnie jako próbki danych. Wyniki uzyskane przy zastosowaniu sieci neuronowych realizujących regresję uogólnioną potwierdzone zostały przez wyniki uzyskane w trakcie wyrzutu w kopalni. Metoda sieci neuronowych nie wymaga uprzedniej wiedzy o naturze zależności pomiędzy zmiennymi wejściowymi i wyjściowymi i pozwala uniknąć analiz mechanizmu wyrzutu i tąpnięcia, co jest cechą pożądaną z punktu widzenia inżynierów odpowiedzialnych za ocenę skłonności skał do wyrzutu.