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

BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƯỜNG ĐẠI HỌC MỎ - ĐỊA CHẤT

NGUYỄN HOÀNG

NGHIÊN CỨU MỘT SỐ MÔ HÌNH TRÍ TUỆ NHÂN TẠO DỰ BÁO
CHẤN ĐỘNG NỔ MÌN TRONG KHAI THÁC MỎ LỘ THIÊN

TÓM TẮT LUẬN ÁN TIẾN SĨ

HÀ NỘI - 2020


0

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
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
6.1. Ý nghĩa khoa học
- Luận án đã đóng góp một số mô hình trí tuệ nhân tạo mới với mức độ chính xác cao trong lĩnh
vực dự báo chấn động nổ mìn trên mỏ lộ thiên;
- Các mô hình trí tuệ nhân tạo mới và kết quả của luận án là nguồn tài liệu tham khảo tin cậy
trong việc dự báo chấn động nổ mìn trên mỏ lộ thiên.
6.2. Ý nghĩa thực tiễn
- Các mô hình trí tuệ nhân tạo được đề xuất là những công cụ hữu ích để kiểm soát và dự báo
chấn động nổ mìn cho mỏ lộ thiên Việt Nam nói chung và mỏ than Núi Béo nói riêng; đồng thời
cũng là cơ sở để nâng cao hiệu quả công tác nổ mìn, góp phần giảm thiểu chấn động tới các công
trình cần bảo vệ và các tác động tiêu cực tới môi trường xung quanh;


2
- 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.
9. CẤU TRÚC LUẬN ÁN
Ngoài phần mở đầu, kết luận, tài liệu tham khảo và phụ lục, cấu trúc của luận án bao gồm 4
chương, cụ thể như sau:
Mở đầu
Chương 1. Đặc điểm chung của công tác nổ mìn trên mỏ lộ thiên và các ảnh hưởng của chấn
động nổ mìn
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.


3
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.


4

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.


5
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:
m

 Q
V  k.
, mm/s
 D 



- Phương trình thực nghiệm của Садовский М.А.:

(2.1)

m

3Q
(2.2)
V  k.
, mm/s
 D 


Trong đó: Q là khối lượng thuốc nổ, kg; D là khoảng cách đo chấn động, m; k, m là hệ số thực
nghiệm.
- Phương trình thực nghiệm của Koch:
V  k .Q b .D  m , mm/s
(2.3)
Các nhà khoa học trong nước đã sử dụng các phương trình thực nghiệm trên để ước lượng chấn
động sinh ra do nổ mìn trên các mỏ lộ thiên. Tuy nhiên, số lượng các vụ nổ được sử dụng cho các
phương trình thực nghiệm là rất ít và chưa có kiểm tra, đánh giá mức độ chính xác của chúng trong
thực tế. Ngoài ra mức độ chính xác của các phương trình thực nghiệm trên cũng ở mức chưa cao.
Ngoài ra, các nghiên cứu khác trong nước chỉ dừng lại ở việc nghiên cứu đánh giá thực nghiệm các tác
động của chấn động nổ mìn và các phương pháp giảm thiểu chấn động nổ mìn mà chưa có khả năng dự
báo chấn động nổ mìn.
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

2

Wilbur I Duvall và Benjamin Petkof

 Q
PPV  k 
 D 



U Langefors và B Kihlstrom

 Q
PPV  k  2
 3
D

m

m

2





6
STT
3

Tài liệu tham khảo
Садовский М.А.

Phương trình

3Q
PPV  k 
 D 



m

m

4

Amitava Ghosh và Jaak JK Daemen

5

P Pal Roy

 Q   D
e
PPV  k 
 D 


 Q
PPV  n  k 
 D 


m

6

Hakan Ak và Adnan Konuk

7

Ganda Marihot Simangunsong và Sugeng
Wahyudi

8

Ranjan Kumar, Deepankar Choudhury và
Kapilesh Bhargava

9

Sunny Murmu, Priti Maheshwari và Harsh Kumar
Verma

 Q 
PPV  k 

 D 



Q
PPV  k  (1  cos i  N c )


D 

f 0.642 D1.463
PPV  c

m




D
PPV  k  2

5
Q






m

Đối với cách tiếp cận các phương trình thực nghiệm, các nhà khoa học trên thế giới đã phát triển
rất nhiều các phương trình thực nghiệm khác nhau như được liệt kê trong Bảng 2.1. Hầu hết các
phương trình thực nghiệm cũng đều dựa trên mối quan hệ giữa khối lượng thuốc nổ và khoảng cách
tác dụng.
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:


7
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.


8
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
một ANN nhiều lớp.

Hình 3.1. Cấu trúc mạng nơ-ron truyền thẳng, nhiều lớp
3.2. Mô hình rừng ngẫu nhiên (Random Forest)
Thuật toán rừng ngẫu nhiên hay còn có tên gọi là Random Forest (RF) trong tiếng Anh, là một kỹ
thuật phân lớp và hồi quy được đề xuất bởi Breiman năm 2001, sử dụng nhiều cây phân loại hoặc
hồi quy trong một nhóm.

Hình 3.2. Quá trình thực hiện của thuật toán RF


9
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:
 Hàm hạt nhân tuyến tính:
K  X,Y  X Y
(3.1)
 Hàm hạt nhân đa thức:

K  X , Y   (  X T Y  r )d ;   0; d  (1,2,...)

(3.2)

 Hàm hạt nhân xuyên tâm:

K  X , Y   exp[

X Y

2

]
(3.3)
2 2
Trong đó: r , d,  và  là các tham số của các hàm hạt nhân có thể được điều chỉnh để
cải thiện mức độ chính xác của mô hình SVR. Ngoài ra, một giá trị giới hạn C (tham số đánh giá)
cũng được sử dụng để cải thiện mức độ chính xác của mô hình SVR.
3.4. Mô hình lập thể (Cubist)
Mô hình lập thể (Cubist) là một thuật toán dựa trên các nguyên tắc (rules) được sử dụng để xây
dựng các mô hình dự báo dựa trên việc phân tích dữ liệu đầu vào. Nó được phát triển dựa trên sự
mở rộng của mô hình cây quyết định M5 của Quinlan, John R với khả năng xử lý lên tới hàng nghìn
biến đầu vào. Sau đó, cây quyết định M5 đã được cải thiện bởi Wang, Yong và Ian H Witten với
hiệu suất tốt hơn. Dựa trên thuật toán cây quyết định M5 và sự cải thiện của Wang, Yong và Ian H
Witten, thuật toán Cubist đã được phát triển dựa trên các nguyên tắc của thuật toán M5.
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

10
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 (HKMCA)
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 HKMCA 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.


11
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).


12
3.8.2. Đề xuất mô hình FFA-ANN
Tương tự như mô hình PSO-XGBoost, mô hình FFA-ANN sử dụng thuật toán tối ưu hóa đom đóm
FFA để tối ưu hóa các trọng số của mô hình ANN. Khung làm việc của mô hình FFA-ANN cho dự
báo chấn động nổ mìn trên mỏ lộ thiên được đề xuất trong Hình 3.5.

Hình 3.5. Khung làm việc của mô hình FFA-ANN được đề xuất
cho dự báo chấn động nổ mìn trên mỏ lộ thiên
3.9. Kết luận chương
Trí tuệ nhân tạo là một sản phẩm của sự phát triển khoa học công nghệ, đặc biệt là ứng dụng của
công nghệ thông tin trong đời sống thực. Có rất nhiều thuật toán đã được giới thiệu và áp dụng rộng
rãi trong ứng dụng của trí tuệ nhân tạo và chúng chưa dừng lại ở đó. Trong khuôn khổ của luận án,
NCS đã giới thiệu 5 thuật toán cơ bản có khả năng ứng dụng để dự báo chấn động nổ mìn cho mỏ
lộ thiên bao gồm: mạng nơ-ron nhân tạo (ANN), rừng ngẫu nhiên (RF), máy véc-tơ hỗ trợ (SVM),
thuật toán lập thể (Cubist), và độ dốc tăng cường cực mạnh (XGBoost). Ngoài ra, 3 thuật toán tối
ưu cũng đã được giới thiệu nhằm xem xét khả năng tối ưu hóa của chúng trong dự báo chấn động
nổ mìn bào gồm: thuật toán phân cụm phân tầng K trung bình (HKM), tối ưu hóa bầy đàn (PSO),
và tối ưu hóa đom đóm (FFA). Dựa trên nền tảng của các thuật toán cơ bản (ANN, XGBoost,

Cubist) và các thuật toán tối ưu (HKM, PSO, FFA), tác giả đã đề xuất 3 thuật toán lai (hybrid
algorithm) mới bao gồm: HKM-CA, PSO-XGBoost, và FFA-ANN. Chúng là sự kết hợp rất tốt giữa
các thuật toán cơ bản và các thuật toán tối ưu.


13
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
4.1. Tổng quan về khu vực nghiên cứu
Để thực hiện mục tiêu phát triển một số mô hình trí tuệ nhân tạo dự báo chấn động nổ mìn,
mỏ than Núi Béo thuộc Tập đoàn Công nghiệp Than - Khoáng sản Việt Nam (TKV) đã được chọn
làm khu vực nghiên cứu điển hình (Hình 4.1).

Hình 4.1. Vị trí của khu vực nghiên cứu (mỏ than Núi Béo - Quảng Ninh)
Có thể thấy rằng, mỏ than Núi Béo là một trong những mỏ than đặc biệt nhất Việt Nam, kết
hợp khai thác cả 2 phương pháp: lộ thiên và hầm lò. Dự kiến toàn bộ các công trường khai thác lộ
thiên của mỏ than Núi Béo sẽ đóng cửa vào năm 2021 và toàn bộ chuyển sang khai thác hầm lò.
Tuy nhiên, mỏ than Núi Béo vẫn được chọn làm nghiên cứu điển hình trong luận án này với các lý
do sau:
- Mỏ than Núi Béo là một trong những mỏ có quy mô khai thác lớn và bài bản;
- Các khai trường lộ thiên của mỏ than Núi Béo nằm gần khu vực dân cư và các công trình
cần bảo vệ;
- Bên dưới các khai trường lộ thiên là các lò chợ phục vụ giai đoạn khai thác hầm lò với
khoảng cách địa tầng từ đáy moong kết thúc đến lò chợ từ 130 ÷ 197 m. Đây là một điểm rất đặc
biệt và ảnh hưởng của chấn động nổ mìn tới các đường lò chợ là rất lớn;
- Sau khi kết thúc toàn bộ các công trường khai thác lộ thiên, toàn bộ các vỉa được khai thác
bằng phương pháp hầm lò. Các đường lò chủ yếu nằm dưới các đáy moong lộ thiên đã kết thúc khai
thác và được đổ thải. Quá trình khai thác hầm lò vẫn cần sử dụng phương pháp nổ mìn để phá vỡ đất
đá. Sóng chấn động sinh ra do các hoạt động nổ mìn trong các đường lò là yếu tố rất nguy hiểm, đặc

biệt là đối với các khu vực đã đổ thải (bãi thải ngoài) với tính chất cơ lý kém của đất đá thải và sự bão
hòa nước do ảnh hưởng của điều kiện thời tiết khí hậu. Việc phát triển thành công các mô hình trí tuệ
nhân tạo dự báo chấn động nổ mìn cho các khai trường lộ thiên của mỏ than Núi Béo với độ chính xác
cao sẽ là cơ sở tham khảo để phát triển các mô hình dự báo chấn động trong giai đoạn khai thác hầm lò
của mỏ than Núi Béo;
- Các nghiên cứu cơ bản cũng như các số liệu về chấn động nổ mìn tại mỏ than Núi Béo đã
được các nhà khoa học trong nước nghiên cứu và thực hiện từ năm 2006. Đây là một yếu tố thuận


14
lợi để thu thập dữ liệu trong quá khứ cũng như kết hợp các kết quả nghiên cứu của các nhà khoa
học trước đó.
4.2. Thu thập và phân tích dữ liệu
4.2.1. Thu thập dữ liệu
Để thu thập dữ liệu phục vụ nghiên cứu này, thiết bị Blastmate III của Instantel - Canada đã được
sử dụng để đo chấn động nổ mìn với khả năng ghi nhận rung động mặt đất trong khoảng từ 0,127
mm/s đến 254 mm/s. Hình 4.2 minh họa thiết bị Blastmate III và kết quả đo chấn động nổ mìn trên
mỏ lộ thiên. Thiết bị GPS cầm tay được sử dụng để xác định độ chênh cao (H) và khoảng cách từ
vị trí đo chấn động (vị trí đặt máy Blastmate III) đến vị trí bãi nổ (D). Các thông số còn lại được
trích xuất từ các hộ chiếu nổ mìn của mỏ. Cơ sở dữ liệu sử dụng cho luận án được tóm tắt trong
Bảng 4.1.

Hình 4.2. Thiết bị đo chấn động nổ mìn (Blastmate III) và kết quả đo chấn động nổ mìn tại mỏ
than Núi Béo
Bảng 4.1. Tóm tắt cơ sở dữ liệu sử dụng dự báo chấn động nổ mìn
cho mỏ than Núi Béo
Phân loại
Q
N
D

H
q
W
b
B
PPV
Nhỏ nhất
1109
2
107,1
1
0,35
6,6
7,4
5,4
1,35
25% dữ liệu
3473
2
275,3
13
0,39
7
7,7
5,575 5,888
Trung vị
5079
3
332,2 26,17
0,43

7,4
8
5,7
11,238
Trung bình
5462 2,75 352,8 28,43 0,4274 7,404 7,979 5,768 11,749
75% dữ liệu
7252
3
433,7 39,96 0,4625 7,825
8,2
6
16,751
Lớn nhất
12312
5
687,3 81,17
0,5
8,2
8,5
6,2
26,83
4.2.2. Phân tích dữ liệu
Để phát triển các mô hình trí tuệ nhân tạo dự báo chấn động nổ mìn, dữ liệu cần phải được xem xét
và phân tích kỹ lưỡng trước khi sử dụng. Các phương pháp thống kê như các biểu đồ phân bố dữ
liệu, ma trận tương quan đã được áp dụng để phân tích và đánh giá dữ liệu sử dụng trong luận án.
Từ các dữ liệu đã thu thập và các kết quả phân tích dữ liệu cho thấy bộ dữ liệu chấn động nổ mìn
đã được thu thập (tại mỏ than Núi Béo) có thể được xem là một bộ dữ liệu chuẩn để phát triển các
mô hình trí tuệ nhân tạo dự báo chấn động nổ mìn. Do đó, luận án đã sử dụng bộ dữ liệu này để
phát triển một số mô hình trí tuệ nhân tạo dự báo chấn động nổ mìn cho mỏ than Núi Béo. Chi tiết

quá trình phân tích dữ liệu được trình bày trong toàn văn của luận án.
4.3. Các phương pháp đánh giá hiệu suất của các mô hình trí tuệ nhân tạo
Để đánh giá hiệu suất cũng như mức độ chính xác của các mô hình trí tuệ nhân tạo trong dự báo
chấn động nổ mìn, một loạt các chỉ số hiệu suất đã được sử dụng trong luận án này bao gồm: căn
bậc hai của độ lệch bình phương trung bình (RMSE), độ lệch tuyệt đối (MAE), phần trăm lỗi trung
bình tuyệt đối (MAPE), mức độ chính xác của mô hình hay còn được gọi là phương sai giữa các


15
giá trị thực tế và các giá trị dự báo (variance accounted for-VAF), và hệ số tương quan (R2).
Ngoài 5 chỉ số hiệu suất trên, phương pháp đánh giá xếp hạng và “cường độ màu” cũng
được sử dụng để đánh giá hiệu suất các mô hình trí tuệ nhân tạo. Theo đó, một phổ màu từ trắng tới
đỏ đại diện cho hiệu suất của các mô hình trí tuệ nhân tạo từ thấp nhất đến cao nhất, như được minh
họa trong Hình 4.3.
Tốt nhất

Kém nhất

Hình 4.3. Phổ màu đánh giá hiệu suất mô hình
Ngoài ra, biểu đồ Taylor cũng được sử dụng trong luận án để so sánh và đánh giá hiệu suất
của các mô hình trí tuệ nhân tạo một cách toàn diện hơn.
4.4. Phát triển các mô hình dự báo chấn động nổ mìn
4.4.1. Xử lý dữ liệu
Để phát triển các mô hình trí tuệ nhân tạo dự báo chấn động nổ mìn trong luận án, bộ dữ liệu đã
được chia thành 2 phần theo tỷ lệ 80/20. Trong đó, 80% bộ dữ liệu được sử dụng để huấn luyện các
mô hình và 20% còn lại được sử dụng để kiểm tra và đánh giá hiệu suất của các mô hình đã xây
dựng. Các kỹ thuật chuẩn hóa dữ liệu như Box-Cox, Min-Max, chính quy hóa dữ liệu, bình thường
hóa dữ liệu, lấy mẫu với 10 nếp gấp và kiểm tra chéo đã được sử dụng để tránh tình trạng “quá
mức” của các mô hình.
4.4.2. Phát triển mô hình ANN

Để phát triển mô hình ANN dự báo chấn động nổ mìn cho mỏ than Núi Béo trong luận án này,
mạng nơ-ron truyền thẳng nhiều lớp và giải thuật lan truyền ngược (back-propagation algorithm)
đã được lựa chọn. Phương pháp “thử và sai” (trial and error) đã được áp dụng để lựa chọn cấu trúc
của các mô hình ANN. Các kết quả huấn luyện cũng như hiệu suất của các mạng nơ-ron được thể
hiện trong Bảng 4.2.
Bảng 4.2. Hiệu suất của các mô hình ANN dự báo chấn động nổ mìn trong quá trình huấn luyện

4.4.3. Phát triển mô hình RF
Trong luận án này, ntree được chọn bằng 2000 để đảm bảo sự phong phú và mức độ khách quan của
các thành viên. Ngoài ra, số biến đầu vào được sử dụng trong luận án là 8 biến, do đó, một thủ tục “thử
và sai” với số lượng predictors ngẫu nhiên đã được áp dụng. Các kết quả của mô hình RF được thể hiện
trong Hình 4.4.


16

Hình 4.4. Hiệu suất của mô hình RF với các biến dự đoán khác nhau
4.4.4. Phát triển mô hình SVR
Liên quan đến mô hình SVR, hàm hạt nhân xuyên tâm (Radial Basis Function - RBF) (công thức
3.6) là hàm hạt nhân được sử dụng phổ biến nhất cho các vấn đề hồi quy phi tuyến tính [2]. Hai
tham số chính được sử dụng để điều chỉnh mức độ chính xác của mô hình bao gồm  và C. 100
cặp tham số  và C đã được xác định tương ứng với 100 mô hình SVR đã được phát triển để dự
báo chấn động nổ mìn cho mỏ than Núi Béo. Các kết quả cho thấy mô hình SVR số 7 với  =
0,014 và C = 3,901 là mô hình SVR tối ưu trong nghiên cứu này.
Bảng 4.3. Hiệu suất của các mô hình SVR dự báo chấn động nổ mìn cho mỏ than Núi Béo
(trong quá trình huấn luyện)
Các tham số mô hình
Các chỉ số hiệu suất
STT


R2
MAE
C
RMSE
0,011
1
383,617
1,303
0,958
0,970
0,011
2
2,831
1,151
0,966
0,859
0,012
3
0,045
5,029
0,898
4,309
0,012
4
0,040
5,128
0,897
4,399
0,013
5

0,243
2,138
0,930
1,752
…
…
…
…
…
…
0,423
95
7,654
3,451
0,789
2,590
0,427
96
11,138
3,473
0,787
2,609
0,428
97
2,960
3,478
0,786
2,613
0,435
98

1,515
3,521
0,782
2,651
0,441
99
0,084
5,539
0,631
4,657
0,457
100
0,090
5,542
0,626
4,659
Lưu ý: Mô hình SVR tốt nhất trong quá trình huấn luyện được thể hiện bằng chữ in đậm.
4.4.5. Phát triển mô hình lập thể (Cubist)
Tương tự như mô hình SVR, 100 mô hình Cubist cũng đã được xem xét và phát triển dựa trên bộ
dữ liệu huấn luyện. Các kết quả huấn luyện và tìm kiếm cho thấy mô hình lập thể đạt giá trị tối ưu
(sai số RMSE nhỏ nhất) với committees = 92 và neighbors = 7, như được minh họa trong Hình 4.5.


17

Hình 4.5. Hiệu suất của mô hình lập thể trên bộ dữ liệu huấn luyện
4.4.6. Mô hình XGBoost
Tương tự như mô hình SVR và Cubist, 100 mô hình XGBoost cũng đã được phát triển để dự báo
chấn động nổ mìn cho mỏ than Núi Béo. Các kết quả được minh họa trong Bảng 4.4.
Bảng 4.4. Hiệu suất của các mô hình XGBoost dự báo chấn động nổ mìn cho mỏ than Núi Béo

(trong quá trình huấn luyện)

Lưu ý: Mô hình XGBoost tốt nhất trong quá trình huấn luyện được thể hiện bằng chữ in đậm.
4.4.7. Mô hình HKM-CA
Để phát triển mô hình HKM-CA, khung chương trình được đề xuất trong Hình 3.3 đã được áp dụng.
Theo đó, quá trình phát triển mô hình HKM-CA được chia thành 3 giai đoạn:
+ Giai đoạn 1: Thực hiện phân cụm dữ liệu dựa trên tính tương đồng của dữ liệu;
+ Giai đoạn 2: Phát triển mô hình CA trên từng cụm dữ liệu;
+ Giai đoạn 3: Tổng hợp các dự đoán dựa trên các mô hình HKM-CA đã phát triển.
Các kết quả của mô hình HKM-CA được thể hiện trong Bảng 4.5.
4.4.8. Mô hình PSO-XGBoost
Để phát triển mô hình PSO-XGBoost, khung chương trình đã đề xuất trong Hình 3.4 được áp dụng.
Hiệu suất của mô hình PSO-XGBoost được minh họa trong Hình 4.6.


18

Hình 4.6. Hiệu suất của mô hình PSO-XGBoost trong quá trình huấn luyện
với số lượng quần thể khác nhau
4.4.9. Mô hình FFA-ANN
Để phát triển mô hình PSO-XGBoost, khung chương trình đã đề xuất trong Hình 3.4 được áp dụng.
Hiệu suất của mô hình PSO-XGBoost được minh họa trong Hình 4.7.

Hình 4.7. Hiệu suất của mô hình FFA-ANN trong quá trình huấn luyện
với số lượng cá thể đom đóm khác nhau
4.4.10. Mô hình thực nghiệm
Để so sánh và đánh giá mức độ chính xác của các mô hình trí tuệ nhân tạo, 2 mô hình thực nghiệm
của của Cục mỏ Hoa Kỳ và Xadovski đã được áp dụng. Các phương trình thực nghiệm dựa trên bộ
dữ liệu huấn luyện được thiết lập như sau:
- Phương trình thực nghiệm dựa trên phương trình của Cục mỏ Hoa Kỳ:

0,992

 Q
PPV  45,954 
 D 


- Phương trình thực nghiệm dựa trên phương trình của Xadovski [1]:
1,062

(4.1)

3Q
PPV  230,154 
(4.2)
 D 


4.5. So sánh, đánh giá hiệu suất của các mô hình dự báo chấn động nổ mìn đã phát triển
Sau khi các mô hình trí tuệ nhân tạo và các mô hình thực nghiệm đã được phát triển dựa trên bộ dữ
liệu huấn luyện bao gồm 112 vụ nổ, hiệu suất cũng như mức độ chính xác của chúng cần phải được
kiểm chứng. Lúc này, 24 vụ nổ trong bộ dữ liệu thử nghiệm đã được sử dụng để kiểm tra và đánh
giá độc lập hiệu suất cũng như mức độ chính xác của các mô hình đã được xây dựng. Các kết quả
thử nghiệm được thể hiện trong Bảng 4.5. Ngoài ra, đồ thị Taylor cũng đã được thiết lập để đánh
giá hiệu suất của các mô hình dự báo chấn động nổ mìn trong nghiên cứu này (Hình 4.8).


19
Bảng 4.5. Hiệu suất của các mô hình trí tuệ nhân tạo và mô hình thực nghiệm
trên bộ dữ liệu thử nghiệm

Hình 4.8. Đồ thị Taylor phục vụ so sánh và đánh giá hiệu suất
các mô hình dự báo chấn động nổ mìn
4.6. Phân tích mức độ ảnh hưởng của các biến đầu vào
Sau khi các mô hình trí tuệ nhân tạo đã được phát triển và thử nghiệm, các kết quả cho thấy các mô
hình trí tuệ nhân tạo làm việc rất tốt với mức độ chính xác rất cao. Một trong những ưu điểm của
các mô hình trí tuệ nhân tạo là chúng có khả năng xử lý nhiều biến đầu vào. Do đó, việc xem xét,
đánh giá mức độ ảnh hưởng của các biến đầu vào là quan trọng. Phương pháp “đánh giá phân phối
độ nhạy cục bộ” đã được áp dụng trong luận án để thực hiện nhiệm vụ này. Các kết quả được minh
họa trong hình 4.9.

Hình 4.9. Mức độ quan trọng của các biến đầu vào tới độ chính xác
của mô hình HKM-CA trong dự báo chấn động nổ mìn


20
4.7. Kết luận chương
Dự báo chấn động nổ mìn là một yêu cầu thiết yếu đặt ra nhằm cải thiện phương pháp nổ mìn để
giảm thiểu tối đa các tác động tiêu cực tới môi trường xung quanh và nâng cao chất lượng nổ mìn
trên mỏ lộ thiên. Trong chương này, NCS đã nghiên cứu phát triển một số mô hình trí tuệ nhân tạo
và đánh giá các kết quả cũng như tính khả thi của chúng thông qua các dữ liệu của mỏ than Núi
Béo. Dựa trên các kết quả thu được trong chương này, NCS rút ra một số kết luận sau:
- Trí tuệ nhân tạo là một phương pháp hiện đại có khả năng dự báo chấn động nổ mìn trên
các mỏ lộ thiên với mức độ chính xác cao. Nó có thể được sử dụng thay thế các phương pháp truyền
thống (mô hình thực nghiệm) với mức độ tin cậy cao. Theo đó, 8 mô hình trí tuệ nhân tạo đã được
xem xét và phát triển trong chương 4 của luận án để dự báo chấn động nổ mìn cho mỏ than Núi
Béo. Các kết quả cho thấy các mô hình lai có khả năng dự báo chấn động nổ mìn chính xác hơn các
mô hình đơn lẻ;
- Các mô hình trí tuệ nhân tạo có khả năng giải thích mối quan hệ phi tuyến tính của nhiều
biến đầu vào một cách hiệu quả. Bằng các thuật toán thông minh với sự hỗ trợ của máy tính, các

mô hình trí tuệ nhân tạo có khả năng tính toán rất nhanh chóng và chính xác chấn động sinh ra do
nổ mìn dựa trên nhiều yếu tố đầu vào;
- Sử dụng nhiều phương pháp đánh giá mô hình khác nhau giúp cho các kết quả được đánh
giá tổng thể hơn, chính xác và trực quan hơn, đảm bảo mức độ tin cậy cao hơn. bao gồm: các chỉ
số hiệu suất (RMSE, MAE, MAPE, VAF, R2), phổ màu, xếp hạng, và đồ thị Taylor.
- Khối lượng thuốc nổ (Q), khoảng cách đo (D), độ chênh cao (H) và số nhóm vi sai (N) là
các tham số có ảnh hưởng đáng kể tới mức độ chính xác của mô hình trí tuệ nhân tạo dự báo chấn
động nổ mìn. Ngoài ra, mối quan hệ giữa các biến đầu vào nên được giải thích bằng các mối quan
hệ phi tuyến tính thay vì mối quan hệ tuyến tính như các mô hình thực nghiệm.
- Việc áp dụng các mô hình trí tuệ nhân tạo và hiệu chỉnh các thông số có mức độ ảnh hưởng
cao đến cường độ của chấn động nổ mìn giúp cho các kỹ sư nổ mìn có thể tối ưu hóa và cải thiện
hiệu quả công tác nổ mìn, giảm sóng chấn động và đảm bảo an toàn cho môi trường xung quanh.


21
KẾT LUẬN VÀ KIẾN NGHỊ
Chấn động nổ mìn là một trong những tác dụng phụ nguy hiểm trên mỏ lộ thiên. Việc dự báo chính
xác chấn động nổ mìn là một yêu cầu cấp thiết cho các mỏ lộ thiên, đặc biệt là các mỏ nằm gần khu
vực dân cư và các công trình cần bảo vệ. Các kết quả nghiên cứu của luận án với đề tài: “Nghiên
cứu một số mô hình trí tuệ nhân tạo dự báo chấn động nổ mìn trong khai thác mỏ lộ thiên” đã chứng
minh 3 luận điểm khoa học sau:
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.
Dựa trên các kết quả nghiên cứu của luận án, có một số kết luận và kiến nghị sau đã được
đưa ra:
I. KẾT LUẬN
- Chấn động nổ mìn trên các mỏ lộ thiên gây ảnh hưởng nghiêm trọng tới con người và môi
trường xung quanh. Nó có thể gây mất ổn định tầng, bờ mỏ, bãi thải, các đường lò; làm nứt nẻ (thậm
chí đổ sập) nhà cửa và các công trình lân cận; gây tâm lý hoang mang, lo sợ cho người dân xung
quanh;
- Các mô hình trí tuệ nhân tạo có khả năng dự báo chấn động trên mỏ lộ thiên với mức độ
chính xác rất cao. Các kết quả nghiên cứu đã chỉ ra rằng các mô hình trí tuệ nhân tạo đã phát triển
trong luận án (ANN, RF, SVR, XGBoost, Cubist, HKM-CA, PSO-XGBoost và FFA-ANN) mang
lại mức độ chính xác trong khoảng từ 94% đến 98% khi dự báo chấn động nổ mìn cho mỏ than Núi
Béo;
- Các thuật toán phân cụm và thuật toán tối ưu đóng vai trò quan trọng trong việc cải thiện mức
độ chính xác của các mô hình trí tuệ nhân tạo dự báo chấn động nổ mìn. Các kết quả của luận án đã tiết
lộ rằng mức độ chính xác của mô hình lập thể (Cubist) được cải thiện từ 97,7% lên 98,3% nhờ thuật
toán phân cụm “K trung bình thứ bậc”; thuật toán “tối ưu hóa bầy đàn” (PSO) cũng đã cải thiện mức độ
chính xác của mô hình XGBoost từ 94,8% lên 97,2%; thuật toán “tối ưu hóa đom đóm” (FFA) cũng đã
nâng mức độ chính xác của mô hình ANN từ 94,4% lên 96,9%;
- Mô hình trí tuệ nhân tạo lai HKM-CA là mô hình tốt nhất cho dự báo chấn động nổ mìn
tại mỏ than Núi Béo với sai số RMSE = 1,034, MAE = 0,605 và MAPE = 0,061. Các kết quả thử
nghiệm thực tế cũng cho thấy mô hình HKM-CA cung cấp mức độ tương đồng rất cao (0,986) và
khả năng chính xác lên tới 98,3%. Nó nên được sử dụng ngoài thực tế nhằm nâng cao hiệu quả công
tác nổ mìn và giảm thiểu các tác động tiêu cực tới môi trường xung quanh cho mỏ than Núi Béo.
Các mô hình trí tuệ nhân tạo còn lại có thể được xem xét và áp dụng trong các điều kiện khác của
mỏ hoặc cho các mỏ lộ thiên khác có điều kiện tương tự;
- Các yếu tố ảnh hưởng đến chấn động nổ mìn không chỉ có khối lượng thuốc nổ và khoảng

cách giám sát chấn động mà còn có độ chênh cao của bãi nổ và vị trí giám sát chấn động cũng như
số nhóm vi sai (trong trường hợp nổ mìn vi sai). Chúng nên được sử dụng như những tham số chính
để dự báo chấn động nổ mìn nhằm cải thiện mức độ chính xác của các mô hình.
II. KIẾN NGHỊ
Dựa trên các kết quả đạt được và khuôn khổ nghiên cứu của luận án, tác giả kiến nghị một số nội
dung sau:


22
1. Đối với các doanh nghiệp mỏ, các cơ quan quản lý nhà nước:
- Sử dụng các mô hình trí tuệ nhân tạo trong thực tế sản xuất để dự báo chấn động nổ mìn,
góp phần giảm thiểu tối đa các tác động không mong muốn tới môi trường xung quanh;
- Đưa các mô hình trí tuệ nhân tạo vào thực tế như một công cụ để giám sát, kiểm tra và đối
chiếu với các kết quả chấn động nổ mìn ghi nhận được ở các mỏ. Chúng là một công cụ hữu ích
trong quản lý, giám sát và đánh giá thiệt hại do chấn động nổ mìn trên các mỏ lộ thiên gây ra;
2. Đối với các nghiên cứu trong tương lai:
Trong phạm vi của luận án, tác giả chỉ dừng lại ở việc nghiên cứu phát triển một số mô hình
trí tuệ nhân tạo dự báo chấn động nổ mìn cho mỏ lộ thiên Việt Nam và áp dụng thử nghiệm cho mỏ
than Núi Béo.
Dựa trên các kết quả nghiên cứu của luận án, tác giả kiến nghị một số nội dung nghiên cứu
tương lai như sau:
- Tiếp tục nghiên cứu phát triển các mô hình thực nghiệm nhằm cải thiện mức độ chính xác
của các mô hình thực nghiệm. Đặc biệt là việc đưa vào các tham số ảnh hưởng như độ chênh cao,
số nhóm vi sai, và sử dụng các phương trình phi tuyến để giải thích mối quan hệ giữa các thông số
đầu vào;
- Các yếu tố ảnh hưởng tới chấn động nổ mìn không chỉ có các thông số nổ mìn, mà còn có các
yếu tố về điều kiện địa chất, địa vật lý. Do đó, một nghiên cứu đầy đủ về các mô hình trí tuệ nhân tạo với
các thông số đầu vào bao gồm các thông số nổ mìn và các yếu tố về điều kiện địa chất, địa vật lý là hữu
ích và quan trọng trong tương lai;
- Tiếp tục nghiên cứu phát triển các mô hình trí tuệ nhân tạo với khả năng dự báo tổng thể cho nhóm

các mỏ than, đá, quặng, và thậm chí có khả năng dự báo chấn động nổ mìn cho tất cả các mỏ lộ
thiên Việt Nam.


23
CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ CỦA NCS
A. Các bài báo quốc tế thuộc danh mục các tạp chí ISI
1. Hoang Nguyen, Xuan-Nam Bui, Hoang-Bac Bui, Ngoc-Luan Mai (2018), “A comparative study of
artificial neural networks in predicting blast-induced air-blast overpressure at Deo Nai open-pit
coal mine, Vietnam”, Neural Computing and Applications, 1-17.
2. Hoang Nguyen, Xuan-Nam Bui (2018), “Predicting Blast-Induced Air Overpressure: A Robust
Artificial Intelligence System Based on Artificial Neural Networks and Random Forest”, Natural
Resources Research, 28, 893-907.
3. Xuan-Nam Bui, Hoang Nguyen, Hai-An Le, Hoang-Bac Bui, Ngoc-Hoan Do (2019), “Prediction
of Blast-induced Air Over-pressure: Assessment of Different Artificial Intelligence
Techniques”, Natural Resources Research, 121.
4. Hoang Nguyen, Xuan-Nam Bui, Quang-Hieu Tran, Ngoc-Luan Mai (2019), “A New Soft
Computing Model for Estimating and Controlling Blast-Produced Ground Vibration Based
on Hierarchical K-Means Clustering and Cubist Algorithms”, Applied Soft Computing, 77,
376-386.
5. Hoang Nguyen, Xuan-Nam Bui, Hoang-Bac Bui, Dao Trong Cuong (2019), “Developing A
XGBoost Model to Predict Blast-Induced Peak Particle Velocity in Open Cast Mine. A Case
Study”, Acta Geophysica, 67, 477-490.
6. Hoang Nguyen, Carsten Drebenstedt, Xuan-Nam Bui, Dieu Tien Bui (2019), “Prediction of Blastinduced Ground Vibration in an Open-pit Mine by a Novel Hybrid Model Based on Clustering
and Artificial Neural Network”, Natural Resources Research, 1-19.
7. Hoang Nguyen, Xuan-Nam Bui, Quang-Hieu Tran, Pham Van Hoa, Dinh-An Nguyen, Le Thi
Thu Hoa, Qui-Thao Le, Ngoc-Hoan Do, Tran Dinh Bao, Hoang-Bac Bui, Hossein Moayedi
(2019), “A Comparative Study of Empirical and Ensemble Machine Learning Algorithms in
Predicting Air Over-pressure in Open-Pit Coal Mine”, Acta Geophysica,
1-12.

B. Các bài báo quốc tế thuộc danh mục các tạp chí ESCI
8. Hoang Nguyen, Xuan-Nam Bui, Quang-Hieu Tran, Thao-Qui Le, Ngoc-Hoan Do, Le Thi Thu Hoa
(2018), “Evaluating and Predicting Blast-Induced Ground Vibration in Open Cast Mine Using
Artificial Neural Network: A Case Study in Vietnam”, SN Applied Sciences, 1(125), 1-11.
9. Hoang Nguyen (2019), “Support Vector Regression Approach for Predicting Blast-induced Ground
Vibration: A Case Study in an Open-Pit Coal Mine of Vietnam”, SN Applied Sciences, 1(283), 110.
C. Các bài báo quốc tế thuộc danh mục các tạp chí SCOPUS
10. Nguyen Hoang, Bui Xuan Nam, Tran Quang Hieu, Nguyen Quoc Long, Vu Dinh Hieu, Pham Van
Hoa, Le Qui Thao, Nguyen Phu Vu (2019), “Developing an Advanced Soft Computational Model
for Estimating Blast-Induced Ground Vibration in Nui Beo Open-pit Coal Mine (Vietnam) Using
Artificial Neural Network”, Inzynieria Mineralna, 2(44), 57-72.
11. Bui Xuan Nam, Nguyen Hoang, Tran Quang Hieu, Bui Hoang Bac, Nguyen Quoc Long, Nguyen
Dinh An, Le Thi Thu Hoa, Pham Van Viet (2019), “A Lasso and Elastic-Net Regularized
Generalized Linear Model for Predicting Blast-Induced Air Over-pressure in Open-Pit Mines”,
Inzynieria Mineralna, 2(44), 8-20.
D. Các bài báo trong hội nghị khoa học quốc tế
12. Xuan-Nam Bui, Hoang Nguyen, Nguyen Quoc Long, Qui Thao Le, Carsten Drebenstedt
(2019), “Applying Artificial Intelligence Techniques for Prediction of Blast-induced Ground
Vibration and Air Over-pressure at Deo Nai Open-Pit Coal Mine”, International Conference
"Innovations for a responsible extraction of raw materials in opencast mining“, TU
Bergakademie Freiberg, Germany, 164-195.
E. Các bài báo tạp chí trong nước
13. Nguyễn Hoàng, Bùi Xuân Nam, Trần Quang Hiếu (2017), “Ứng dụng thuật toán rừng ngẫu