چکیده: معدن از مهم ترین بخش های پیشران اقتصادی هر کشور است که میزان تولید آن وابستگی بسیار زیادی به کیفیت فرایند انفجار، که از متداول ترین روش های استخراج محسوب می شود؛ دارد. فرایند انفجار در کنار نقاط قوت خود، به دلیل ایجاد لرزه، می تواند به تاسیسات اطراف خود آسیب های جدی وارد کند. لذا بررسی و پیش بینی لرزه های ایجاد شده، از مشکلات اساسی استخراج است که در این مطالعه، مورد توجه قرار گرفته است. برای این منظور با جمع آوری داده های مربوط به انفجارها و لرزه های مربوط به آن ها، از دو معدن گل گهر سیرجان و سونگون اهر، بعد از تحلیل و توصیف آن ها؛ اقدام به پیش بینی میزان لرزه، براساس فاصله و مقدار ماده منفجره، شد. برای مطالعه این مهم ابتدا با استفاده از دستگاه های لرزه نگار، مقدار لرزه ایجاد شده براساس حداکثر سرعت ذره؛ در طی انفجارهای مختلف، در دو معدن مذکور، اندازه گیری شد که مشتمل بر حدود 1000 داده شد. برای پیش بینی، با توجه به حجم داده ها، از روش یادگیری عمیق استفاده شد. در این مطالعه، با جستجوی مقادیر بهینه برای پارامترهای موثر مدل (هایپرپارامترها) از طریق آزمون و خطا، در وهله اول سعی در گرفتن نتایجی قابل قبول شد. ضریب تعیین، خطای درصد میانگین مطلق و ریشه میانگین مربع خطا، به عنوان شاخص های دقت مدل در نظر گرفته شدند. عملکرد روش انتخاب شده، برای قضاوت بهتر، با کارکرد سه روش ماشین بردار پشتیبان، گرادیان کاهشی تصادفی و روش تقویت سازگار؛ مقایسه شد. مقادیر ضریب تعیین برای چهار روش فوق به ترتیب، 952/0، 809/0، 845/0 و 911/0، بدست آمده است. برای شاخص ریشه میانگین مربع خطا، مقادیر برابر با: 67/2، 308/5، 773/4 و 631/3 شده است. مقدار شاخص خطای درصد میانگین مطلق، برای چهار روش فوق الذکر، عبارتند از : 003/2، 119/2 ، 786/2 و 887/1 است. با توجه به مقادیر شاخص ها، روش یادگیری عمیق با توجه به انعطاف در معماری و انطباق بهتر با ویژگی های مسئله، بهترین عملکرد را داشته است. به عنوان مرحله دوم از رساله، برای دسترسی به مقادیر بهینه، از روش بهینه سازی جمعی ایمنی کرونا ویروس، استفاده شد. نتایج بدست آمده نشان داد که روش بهینه سازی بکار گرفته شده، حداقل تا 4 درصد باعث بهبود پیش بینی ها شده است. برای انعکاس بهتر عملکرد بهینه سازی، از شاخص های خطای درصد میانگین مطلق و ریشه میانگین مربع خطا استفاده شد. ضریب تعیین برای روش های جنگل تصادفی، یادگیری عمیق پایه و بهینه سازی شده به ترتیب، 861/0 ، 932/0 ، 972/0 بدست آمده است. برای شاخص ریشه میانگین مربع خطا، مقادیر برابر با: 687/3 ، 338/2 ، 146/1 شده است. مقدار شاخص خطای درصد میانگین مطلق، برای سه روش فوق الذکر، عبارتند از : 169/0، 128/0 ، 068/0 است. با در نظر گرفتن این نتایج، می توان گفت که روش یادگیری عمیق عملکرد قابل قبولی در پیش بینی میزان لرزه داشته و همچنین به دلیل حساسیت بالا به مقادیر هایپر پارامترهای خود، با استفاده از الگوریتم های بهینه سازی، می توان راندمان آن را افزایش داد. از سوی دیگر نتایج نشان دهنده پاسخ بسیار خوب روش یادگیری عمیق به ادغام روش بهینه سازی توده ای ایمنی کرونا ویروس در آن؛ داشته و قابلیت خوب روش بهینه سازی مورد استفاده را نشان می دهد.