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

ưu hóa các tham số 
của một mô hình ANN nhằm cải thiện mức độ chính xác của mô hình ANN trong dự 
báo chấn động nổ mìn. Các trọng số và độ lệch của ANN được xem là các tham số 
có ảnh hưởng đáng kể tới mức độ chính xác của mô hình ANN. Do đó, chúng được 
tối ưu hóa bởi FFA trong khuôn khổ của luận án này. 
Với vai trò chính trong dự báo chấn động nổ mìn, mô hình ANN được thiết lập 
trước một cách ngẫu nhiên. Các trọng số và độ lệch giữa các nơ-ron sau đó được tính 
toán dựa trên mô hình ANN đã được thiết lập. Cuối cùng, thuật toán tối ưu hóa đom đóm 
67
FFA được đưa vào để tìm kiếm và tối ưu hóa các trọng số và độ lệch của mô hình ANN 
đã thiết lập, được gọi là mô hình FFA-ANN. Quá trình tối ưu hóa sử dụng lỗi bình 
phương gốc RMSE để đánh giá hiệu suất, tương tự như thuật toán PSO. Mô hình FFA-
ANN tối ưu là mô hình có RMSE nhỏ nhất. Khung làm việc của mô hình FFA-ANN cho 
dự báo chấn động nổ mìn trên mỏ lộ thiên được đề xuất trong Hình 3.10. Mã giả của 
thuật toán FFA-ANN được trình bày trong phần phụ lục. 
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. Hiệu suất cũng như các kết quả tính toán thử nghiệm của các 
mô hình trí tuệ nhân tạo nói trên được xem xét và trình bày chi tiết trong Chương 4 
của luận án. 
68
Hình 3.10. Khung làm việc của mô hình FFA-ANN được đề xuất cho dự báo chấn động nổ mìn trên mỏ lộ thiên
69
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) 
70
Công ty cổ phần than Núi Béo là một trong những đơn vị khai thác kết hợp lộ 
thiên - hầm lò lớn của TKV. Theo dự án Đầu tư mở rộng khai thác lộ thiên, mỏ than Núi 
Béo với diện tích khai trường được giao quản lý 523 ha, công suất thiết kế 4,1 tr.tấn/năm, 
thời gian khai thác 07 năm. Khai trường mỏ bao gồm 3 công trường: Công trường vỉa 
14 cánh Đông, công trường vỉa 11, 13 và công trường vỉa 14 cánh Tây. 
- Công trường vỉa 11 và 13 cánh Đông: đối tượng khai thác là các vỉa 11 và 13; 
sản lượng than trong một vài năm gần đây từ 0,35÷0,40 triệu tấn/năm, tương ứng với 
đất bóc 5,0÷5,5 triệu m3/năm. Tính đến hết 10/2019, độ sâu khai trường ở mức -135 m. 
Mức thoát nước tự chảy là +17 m trở lên. 
- Công trường vỉa 14 cánh Tây: đối tượng khai thác là vỉa 14; sản lượng trung 
bình của khu đạt 0,55÷0,6 triệu tấn/năm tương ứng với đất đá thải hằng năm 
13,5÷14,3 triệu m3/năm. Tính đến hết tháng 10/2019 độ sâu đáy moong ở mức -30 
m; bờ công tác khá dốc, trung bình 20÷250 (khai trường giáp khu dân cư và Trung 
đoàn 213); mức thoát nước tự chảy là +35 m trở lên. 
Hệ thống khai thác đang áp dụng là hệ thống khai thác dọc một đến hai bờ 
công tác, khấu theo lớp đứng có vận tải, đổ bãi thải ngoài. 
Công tác xúc bốc đất đá và than khai thác được thực hiện bằng máy xúc thuỷ 
lực có dung tích gầu xúc 3,4 ÷ 10,0 m3. 
Công tác khoan lỗ mìn chủ yếu bằng máy khoan xoay cầu loại CBЩ – 250 
MH có đường kính mũi khoan 250 mm và máy khoan thuỷ lực có đường kính mũi 
khoan 230 mm. 
Công tác vận tải đất đá thải bằng ôtô tự đổ có tải trọng 37 ÷ 58 tấn gồm các 
loại xe HD, VOLVO, CAT. 
Theo Quyết định số 403/QĐ-TTg của Thủ tướng chính phủ ngày 14 tháng 3 
năm 2016 về Phê duyệt điều chỉnh Quy hoạch phát triển ngành Than Việt Nam đến 
năm 2020, có xét triển vọng đến năm 2030 và Quyết định số 1265/QĐ-TTg của Thủ 
tướng chính phủ ngày 24 tháng 8 năm 2017 về Phê duyệt điều chỉnh Quy hoạch phát 
triển ngành Than Việt Nam đến năm 2020, có xét triển vọng đến năm 2030 (điều 
chỉnh), mỏ than Núi Béo kết thúc khai thác lộ thiên vào năm 2021. Hiện nay, công 
71
trường vỉa 14 cánh Đông đã kết thúc khai thác và được đổ thải trong theo thiết kế. 
Công trường vỉa 11, 13 và 14 cánh Tây hiện vẫn đang khai thác với sản lượng 1,0 
triệu tấn/năm. Dự kiến năm 2020 kết thúc khai thác công trường vỉa 14 - cánh Tây, 
năm 2021 kết thúc công trường vỉa 11 và 13. 
Tại Quyết định số 293/QĐ-BTNMT ngày 13/3/2013 của Bộ Tài nguyên và 
Môi trường về việc phê duyệt Dự án Cải tạo, phục hồi môi trường Dự án “Mở rộng 
khai thác lộ thiên mỏ than Núi Béo”, các moong lộ thiên sau khi kết thúc khai thác 
được lấp đầy, tạo mặt bằng trồng cây. Cụ thể: 
- Moong vỉa 14 cánh Đông và vỉa 11, 13 mở rộng: Lấp đầy moong đến mức 
cao ngang mặt địa hình khu vực +15 (mỏ Núi Béo và mỏ Hà Tu đổ thải), với lượng 
đất đá đổ thải hoàn thổ là: 95.247.103 m3 (tính từ 01/01/2012). 
- Moong Cánh Tây: Lấp đầy moong đến mức cao ngang mặt địa hình khu vực 
+45, (mỏ Núi Béo, mỏ Hà Lầm và Công trường 917 đổ thải), với lượng đất đá đổ thải 
hoàn thổ là: 39.853.103 m3 (tính từ 01/01/2012). 
Theo kế hoạch khai thác hầm lò mỏ than Núi Béo, khu vực dưới moong lộ 
thiên vỉa 11, 13 cánh Đông hiện nay sẽ khai thác hầm lò vỉa 10, vỉa 7 và vỉa 6, trong 
đó vỉa 10 bắt đầu khai thác từ năm 2021 trở đi với khoảng cách địa tầng từ lò chợ đến 
đáy moong vỉa 11 khoảng 130 ÷ 197 m. 
Tính đến thời điểm tháng 10/2019, Công ty cổ phần than Núi Béo đã thi công 
xong các đường lò khu 4 vỉa 11 gồm: lò ngầm vận tải +20/-50; lò ngầm thông gió 
+36/-30; thượng vận tải, thông gió trung tâm khu 4 vỉa 11; đã đưa 3 lò chợ XDCB 
của dự án vào hoạt động gồm lò chợ 41101, 41102, 31103. Hiện các lò chợ này đã 
chuyển diện ang các lò chợ duy trì sản xuất. 
Theo kế hoạch đến hết năm 2020, mỏ Núi Béo sẽ đưa cả 06 lò chợ đầu tư vào 
khai thác và đạt công suất thiết kế năm 2021. Hiện giai đoạn 2019 đến 2023 chủ yếu 
khai thác tại vỉa 11, nằm dưới moong vỉa 14 cánh Đông đã được đổ thải. Từ 2021 sẽ 
huy động dần khai thác tại khu 1 vỉa 10 nằm dưới moong vỉa 11 cánh Tây. 
Như vậy, 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 
72
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 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 dự báo chấn động nổ mìn cho các mỏ lộ thiên, các dữ liệu lịch sử là cần 
thiết để xây dựng các mô hình dự báo. Theo một số nhà khoa học, các thông số nổ 
mìn và các điều kiện địa chất cũng như địa vật lý là những yếu tố có ảnh hưởng tới 
73
chấn động nổ mìn [29, 70, 79, 98]. Nói cách khác, các yếu tố ảnh hưởng tới chấn 
động nổ mìn có thể được chia thành 2 nhóm: 
 -Nhóm các yếu tố có thể kiểm soát: là các thông số nổ mìn như khối lượng 
thuốc nổ, chỉ tiêu thuốc nổ, chiều dài cột thuốc, chiều dài cột bua, đường cản chân 
tầng, các thông số mạng lỗ khoan, 
 - Nhóm các yếu tố không thể kiểm soát: là các yếu tố liên quan tới điều kiện 
địa chất, địa vật lý và tính chất cơ lý của đất đá. 
 Theo các nhà khoa học trên thế giới, việc sử dụng các thông số liên quan đến 
điều kiện địa chất, địa vật lý cũng như tính chất cơ lý của đất đá có thể cải thiện đáng 
kể mức độ chính xác của các mô hình dự báo chấn động nổ mìn trên mỏ lộ thiên. Tuy 
nhiên, do gặp phải nhiều khó khăn trong công tác điều tra, tìm kiếm thăm dò, cũng 
như thu thập các yếu tố liên quan đến điều kiện địa chất, địa vật lý nên các thông số 
này thường không được sử dụng để dự báo chấn động nổ mìn trên mỏ lộ thiên. Thay 
vào đó, các thông số nổ mìn có thể được kiểm soát bởi các kỹ sư mỏ (khối lượng 
thuốc nổ, chỉ tiêu thuốc nổ, chiều dài cột thuốc, chiều dài cột bua, đường cản chân 
tầng, các thông số mạng lỗ khoan,) thường được sử dụng để dự báo chấn động nổ 
mìn trên mỏ lộ thiên. Do đó, 136 dữ liệu chấn động nổ mìn đã được thu thập tại mỏ 
than Núi Béo trong nhiều năm để phục vụ cho mục tiêu phát triển một số mô hình trí 
tuệ nhân tạo dự báo chấn động nổ mìn trong luận án này. Để có một đánh giá tổng 
thể về ảnh hưởng của các thông số nổ mìn tới chấn động nổ mìn, 8 tham số đầu vào 
đã được sử dụng để dự báo chấn động nổ mìn cho mỏ than Núi Béo trong luận án 
này, bao gồm: khối lượng thuốc nổ (Q), số nhóm vi sai (N), khoảng cách đo chấn 
động nổ mìn (D), độ chênh cao giữa bãi nổ và vị trí đo (H), chỉ tiêu thuốc nổ (q), 
đường cản chân tầng (W), khoảng cách giữa các hàng lỗ khoan (b), chiều dài cột bua 
(B). Sóng chấn động sinh ra do nổ mìn được đo bằng tốc độ dao động nền đất cực đại 
(PPV). 
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 
74
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 
Trong khoa học dữ liệu, việc phân tích dữ liệu là một trong những nhiệm vụ 
quan trọng. Hiểu rõ được dữ liệu sử dụng sẽ giúp đạt được các kết quả tốt hơn. Dựa 
75
trên cơ sở dữ liệu đã được thu thập và sử dụng một số phương pháp phân tích đơn 
giản, có thể thấy các thuộc tính của dữ liệu chấn động nổ mìn đã được thu thập ở dạng 
số. Do đó, các kỹ thuật và thuật toán hồi quy sẽ được áp dụng trong khuôn khổ của 
luận án này. 
Để hiểu được dữ liệu, sự phân bố của các biến trong tập dữ liệu cần phải được khảo 
sát. Các kết quả phân tích dữ liệu trong Hình 4.3 cho thấy một số biến có thể ở dạng phân 
phối Gauss hoặc hàm phân phối mũ như Q, D, q, W, b và B. Ngoài ra, biến N có thể 
thuộc hàm phân phối nhị thức trong bộ dữ liệu chấn động nổ mìn đã được thu thập. Các 
biến có những dạng phân bố cụ thể như trên là ưu điểm để sử dụng và cải thiện mức độ 
chính xác của các thuật toán học máy trong trí tuệ nhân tạo [23]. 
Hình 4.3 minh họa sự phân bố dữ liệu của các biến và tần suất xuất hiện của 
chúng trong bộ dữ liệu được sử dụng. Ngoài ra, độ lệch của các phân phối dữ liệu và 
các giá trị ngoại lệ cũng cần thiết phải được phân tích để đưa ra các giải pháp chuẩn 
hóa dữ liệu nhằm cải thiện mức độ chính xác của từng thuật toán cụ thể. Hình 4.4 
minh họa biểu đồ hình hộp (hay đôi khi còn được gọi là biểu đồ hình hộp và râu – 
Box and Whisker [85]) của bộ dữ liệu chấn động nổ mìn đã thu thập. Nó thể hiện các 
giá trị cận trên, cận dưới, giá trị trung bình và khoảng phân bố của từng biến. Các 
điểm nằm ngoài cận trên và cận dưới được xem là các giá trị ngoại lệ, có thể gây ảnh 
hưởng xấu tới mức độ chính xác của các mô hình. Tuy nhiên, trong nổ mìn, các giá 
trị đặc biệt (ngoại lệ) là những giá trị cần được xem xét kỹ lưỡng hơn để kiểm soát 
chặt chẽ các tác động không mong muốn đến môi trường xung quanh. Ngoài ra, có 
thể thấy các điểm ngoại lệ trên Hình 4.4 xuất hiện không nhiều, chỉ có vài điểm ở 
biến N, D và H. Do đó, chúng được giữ nguyên để xem xét và đánh giá mức độ ảnh 
hưởng của chấn động nổ mìn một cách tổng thể. Các kỹ thuật chuẩn hóa dữ liệu là 
cần thiết để đưa các giá trị ngoại lệ về một phân phối chuẩn. Chúng được trình bày 
chi tiết trong mục 4.4 của luận án. 
76
Hình 4.3. Biểu đồ phân bố dữ liệu của các biến đầu vào và đầu ra 
77
Hình 4.4. Biểu đồ hình hộp và râu của dữ liệu chấn động nổ mìn 
Ngoài sự phân bố, độ lệch và các điểm ngoại lệ của dữ liệu, mối tương quan 
giữa các biến đầu vào cũng là một trong những cơ sở quan trọng để đánh giá ý nghĩa 
và tầm quan trọng của các biến đầu vào. Do đó, một ma trận tương quan giữa các 
biến đầu vào đã được phân tích và thực hiện nhằm đánh giá chi tiết mối quan hệ giữa 
78
các biến đầu vào. Hình 4.5 minh họa mối tương quan của các biến đầu vào. Trong đó, 
các chấm tròn màu xanh đại diện cho mối tương quan tích cực, các chấm tròn màu 
đỏ đại diện cho mối tương quan tiêu cực. Mức độ đậm nhạt của màu sắc và kích thước 
của các hình tròn thể hiện giá trị tương quan giữa chúng. 
Hình 4.5. Ma trận tương quan của các biến đầu vào 
 Trong phân tích dữ liệu sử dụng các phương pháp thống kê, việc quan trọng là 
phải quan sát và suy nghĩ về các thuộc tính có liên quan đến nhau. Đối với các thuộc 
tính dạng số như bộ dữ liệu chấn động nổ mìn của mỏ than Núi Béo, sự tương tác 
giữa các cặp thuộc tính cần phải được xem xét. Ma trận tương quan giữa các cặp 
thuộc tính trong Hình 4.5 đã cho thấy mối tương quan giữa các thuộc tính này. Các 
cặp thuộc tính có mức độ tương quan cao có thể được loại bỏ để giảm mức độ ảnh 
hưởng của các biến không cần thiết đến mô hình dự báo [123]. Theo đó, các cặp thuộc 
tính có mối tương quan lớn hơn 0,75 hoặc nhỏ hơn -0,75 được coi là các cặp thuộc 
79
tính có mối tương quan cao và chúng cần xem xét một cách kỹ lưỡng. Tuy nhiên, 
nhìn vào Hình 4.5 có thể thấy hầu hết các biến được sử dụng trong bộ dữ liệu chấn 
động nổ mìn đã thu thập đều có mối tương quan nhỏ và vừa. Nói cách khác, hầu hết 
các biến đầu vào được sử dụng trong luận án có mối quan hệ phi tuyến tính. Các biến 
Q, N, D và H có mối tương quan tương đối cao, nhưng vẫn nằm trong khoảng [-0,75; 
0,75]. Do đó, chúng nên được giữ nguyên cả tám thuộc tính cho tám biến đầu vào của 
dữ liệu và được coi như các biến độc lập. Trong khi đó, chấn động nổ mìn được dự 
báo dựa trên tám biến đầu vào này, và được gọi là biến phụ thuộc. 
 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. Các kết quả nghiên cứu được trình 
bày và đánh giá chi tiết trong các phần tiếp theo 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: lỗi bình phương gốc (RMSE), độ lệch tuyệt đối (MAE), 
phần trăm sai số tuyệt đối trung bình (MAPE), mức độ chính xác của mô hình hay 
còn được gọi là phương sai giữa các giá trị thực tế và các giá trị dự báo (variance 
accounted for-VAF), và hệ số tương quan (R2). Các chỉ số hiệu suất này được xác 
định theo các công thức sau: 
2
tt, db,
1
1RMSE ( )
n
i i
i
y y
n 
  (4.1) 
tt, db,
1
1MAE
n
i i
i
y y
n 
  (4.2) 
tt, db,
1 tt,
100%MAPE
n
i i
i i
y y
n y 
  (4.3) 
80
tt, db,
db,
var ( )VAF 1 100var( )
i i
i
y y
y
 (4.4) 
2
tt, db,
2
2
tt,
( )
R 1 ( )
i i
i
i tt
i
y y
y y

 (4.5) 
 Trong đó: n là số sự kiện nổ mìn được sử dụng trong bộ dữ liệu; ,tt iy là giá trị 
chấn động nổ mìn thứ i đo được ngoài thực tế; db,iy là giá trị chấn động nổ mìn dự 
báo tương ứng thứ i ; tty là trung bình các giá trị chấn động nổ mìn đo được ngoài 
thực tế. 
 Trong số các chỉ số hiệu suất được sử dụng, RMSE, MAE và MAPE đạt giá 
trị tối ưu khi bằng 0; R2 đạt giá trị tối ưu khi bằng 1, và VAF đạt giá trị tối ưu khi 
bằng 100%. 
 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 4.6. 
Tốt 
nhất 
Kém 
nhất 
Hình 4.6. Phổ màu đánh giá hiệu suất mô hình 
 Ngoài 5 chỉ số hiệu suất (RMSE, MAE, MAPE, VAF, R2), phương pháp đánh 
giá xếp hạng và phương pháp cường độ màu, 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. Hình 4.7 minh họa một biểu đồ Taylor dùng để đánh giá hiệu suất các 
mô hình. Theo đó, biểu đồ Taylor sử dụng ba tiêu chí bao gồm RMSE, R2 và độ lệch 
chuẩn để đánh giá hiệu suất của các mô hình trí tuệ nhân tạo. Ngoài ra, nó có thể giúp 
người đánh giá có cái nhìn trực quan và tổng thể về hiệu suất của các mô hình dự báo. 
81
Hình 4.7. Minh họa biểu đồ Taylor dùng trong đánh giá mô hình 
4.4. Phát triển các mô hình dự báo chấn động nổ mìn 
4.4.1. Xử lý dữ liệu 
Trước khi phát triển các mô hình trí tuệ nhân tạo dự báo chấn động nổ mìn cho 
nghiên cứu này, bộ dữ liệu cần phải được chuẩn hóa. Trong thực tế, các mô hình dự 
báo chấn động nổ mìn sau khi được phát triển cần phả