Blasting is a first preparatory stage that plays a fundamental role in the subsequent operations of an open pit mine. However, its adverse effects can seriously affect the environment and surrounding structures, especially ground vibration, which is measured by peak particle velocity (PPV). The present study proposes a robust model for predicting PPV in open pit mines. An adaptive fuzzy inference neural network (ANFIS) was used as the primary model. The moth–flame optimization (MFO), a swarm-based meta-heuristic algorithm, was integrated to ANFIS, leading to a MFO–ANFIS model, to improve its accuracy. Other intelligent models, such as XGBoost (extreme gradient boosting machine), ANN (artificial neural network), SVM (support vector machine), and two empirical equations (linear and non-linear), were also considered to compare with the proposed MFO–ANFIS model. The findings indicate that the proposed hybrid intelligent MFO–ANFIS model provided the best accuracy (i.e., 98.62%). Meanwhile, the other models provided accuracies of 50.55–96.96%. Among the other models, the artificial intelligence models (i.e., MFO–ANFIS, ANN, XGBoost, and SVM) were recommended to be better in predicting PPV compared to the empirical models. Besides, a sensitivity analysis was also adopted and discussed in this study to understand the role of the input variables in predicting PPV. The results revealed that explosive charge per borehole is more critical than total explosive used per blast; in addition, burden and distance from blast sites are still essential parameters in predicting PPV.

爆破是第一个准备阶段，在露天矿的后续作业中起着重要作用。然而，它的不利影响会严重影响环境和周围结构，特别是地面振动，这是通过峰值粒子速度（PPV）测量的。本研究提出了一种用于预测露天矿 PPV 的稳健模型。自适应模糊推理神经网络（ANFIS）被用作主要模型。飞蛾火焰优化 (MFO) 是一种基于群的元启发式算法，被集成到 ANFIS 中，形成 MFO-ANFIS 模型，以提高其准确性。其他智能模型，如XGBoost（极端梯度提升机）、ANN（人工神经网络）、SVM（支持向量机），以及两个经验方程（线性和非线性），还考虑与建议的 MFO-ANFIS 模型进行比较。结果表明，所提出的混合智能 MFO-ANFIS 模型提供了最佳准确度（即 98.62%）。同时，其他模型提供了 50.55-96.96% 的准确率。在其他模型中，与经验模型相比，推荐使用人工智能模型（即 MFO-ANFIS、ANN、XGBoost 和 SVM）来更好地预测 PPV。此外，本研究还采用并讨论了敏感性分析，以了解输入变量在预测 PPV 中的作用。结果表明，每个钻孔的炸药装药量比每次爆炸使用的炸药总量更为关键；此外，负荷和距爆炸地点的距离仍然是预测 PPV 的重要参数。结果表明，所提出的混合智能 MFO-ANFIS 模型提供了最佳准确度（即 98.62%）。同时，其他模型提供了 50.55-96.96% 的准确率。在其他模型中，与经验模型相比，推荐使用人工智能模型（即 MFO-ANFIS、ANN、XGBoost 和 SVM）来更好地预测 PPV。此外，本研究还采用并讨论了敏感性分析，以了解输入变量在预测 PPV 中的作用。结果表明，每个钻孔的炸药装药量比每次爆炸使用的炸药总量更为关键；此外，负荷和距爆炸地点的距离仍然是预测 PPV 的重要参数。结果表明，所提出的混合智能 MFO-ANFIS 模型提供了最佳准确度（即 98.62%）。同时，其他模型提供了 50.55-96.96% 的准确率。在其他模型中，与经验模型相比，推荐使用人工智能模型（即 MFO-ANFIS、ANN、XGBoost 和 SVM）来更好地预测 PPV。此外，本研究还采用并讨论了敏感性分析，以了解输入变量在预测 PPV 中的作用。结果表明，每个钻孔的炸药装药量比每次爆炸使用的炸药总量更为关键；此外，负荷和距爆炸地点的距离仍然是预测 PPV 的重要参数。与经验模型相比，推荐人工智能模型（即 MFO-ANFIS、ANN、XGBoost 和 SVM）在预测 PPV 方面更好。此外，本研究还采用并讨论了敏感性分析，以了解输入变量在预测 PPV 中的作用。结果表明，每个钻孔的炸药装药量比每次爆炸使用的炸药总量更为关键；此外，负荷和距爆炸地点的距离仍然是预测 PPV 的重要参数。与经验模型相比，推荐人工智能模型（即 MFO-ANFIS、ANN、XGBoost 和 SVM）在预测 PPV 方面更好。此外，本研究还采用并讨论了敏感性分析，以了解输入变量在预测 PPV 中的作用。结果表明，每个钻孔的炸药装药量比每次爆炸使用的炸药总量更为关键；此外，负荷和距爆炸地点的距离仍然是预测 PPV 的重要参数。结果表明，每个钻孔的炸药装药量比每次爆炸使用的炸药总量更为关键；此外，负荷和距爆炸地点的距离仍然是预测 PPV 的重要参数。结果表明，每个钻孔的炸药装药量比每次爆炸使用的炸药总量更重要；此外，负荷和距爆炸地点的距离仍然是预测 PPV 的重要参数。