وی گفت: امروز با وجود پیشرفت فناوری در سطوح مختلف مهندسی معدن و زمین شناسی، از انجام برخی از فعالیت‌ها نمی‌توان اجتناب کرد که از آن جمله می‌توان به فرآیندهای حفاری و آتش‌کاری در اکثر معادن روباز و زیرزمینی به منظور استخراج ماده معدنی اشاره داشت.

خیری گفت: در عملیات‌های آتش‌کاری، تنها درصد کمی از انرژی مواد منفجره برای خردایش سنگ‌ها استفاده می‌شود و بخش بزرگی از این انرژی به صورت لرزش، امواج فشاری و پرتاب سنگ از دست می‌رود.

این دانشجوی دانشگاه صنعتی امیرکبیر هدف اصلی این ایده را، کاهش اثرات جانبی مانند لرزش‌های زمین، پرتاب سنگ و آلودگی‌های صوتی عنوان کرد و گفت: این روش در عین حال، خردایش بهینه سنگ‌ها، کاهش هزینه‌های مربوط به مواد منفجره و جلوگیری از آسیب به محیط زیست را تضمین می‌کند.

وی افزود: برای رسیدن به این هدف، استفاده از مدل‌های یادگیری ترکیبی (Hybrid Learning) که شامل یادگیری تقویتی (Reinforcement Learning) در کنار شبکه‌های عصبی مصنوعی (ANN) و الگوریتم‌های بهینه‌سازی ژنتیکی (GA) است، پیشنهاد می‌شود.

به گفته خیری، این مدل‌ها می‌توانند با دریافت داده‌های مختلفی شامل شاخص‌های قابل کنترل مانند فاصله چال‌ها، عمق حفاری، نوع و مقدار مواد منفجره و همچنین شاخص‌های غیر قابل کنترل مانند ویژگی‌های زمین‌شناسی و کیفیت سنگ، الگوهای بهینه حفاری و آتشکاری را ارائه دهند.

این دانشجوی دانشگاه صنعتی امیرکبیر گفت: این مدل‌ می‌تواند با استفاده از تکنیک‌های شبیه‌سازی، میزان لرزش و پرتاب سنگ‌ها را در زمان واقعی تخمین بزند و به طراحان انفجار کمک کند تا با تنظیم بهینه پارامترها، میزان مصرف مواد منفجره را کاهش داده و از اثرات زیست‌محیطی جلوگیری کند.

وی تاکید کرد: از این ایده می‌توان در عملیات‌های عمرانی نظیر تامین مصالح ساختمانی، ترانشه‌زنی، پی‌کنی و حفاری فضاهای زیر زمینی که به عملیات آتشکاری و انفجار وابسته هستند، بهره برد.

خیری یادآور شد: این ایده در هشتمین جشنواره اندیشمندان و دانشمندان جوان به عنوان "برگزیده نهایی" در بخش ایده‌پردازان حوزه زمین‌شناسی انتخاب شد.