اخبار و اعلانات
آمار
| تعداد نشریات | 20 |
| تعداد شماره‌ها | 406 |
| تعداد مقالات | 3,323 |
| تعداد مشاهده مقاله | 4,804,382 |
| تعداد دریافت فایل اصل مقاله | 3,247,729 |
بکارگیری مدلهای یادگیری ماشین تقویتی در پیش‌بینی نرخ نفوذ حفاری دورانی چالهای انفجاری | ||
| نشریه مهندسی منابع معدنی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 29 مرداد 1404 | ||
| نوع مقاله: علمی-پژوهشی | ||
| شناسه دیجیتال (DOI): 10.30479/jmre.2025.20456.1696 | ||
| نویسندگان | ||
| محمد میرزهی کلاته کاظمی1؛ عارف فیاضی2؛ حسام دهقانی* 3 | ||
| 1دانشکده فنی مهندسی بخش مهندسی معدن دانشگاه تربیت مدرس | ||
| 2تهران، دانشگاه تربیت مدرس، دانشکده فنی مهندسی، بخش مهندسی معدن، گروه استخراج مواد معدنی | ||
| 3عضو محترم هیات علمی دانشگاه صنعتی همدان | ||
| تاریخ دریافت: 13 خرداد 1403، تاریخ بازنگری: 28 مرداد 1404، تاریخ پذیرش: 07 آذر 1403 | ||
| چکیده | ||
| حفاری به کمک دستگاه حفاری دورانی ابزار مهمی به منظور اکتشاف و استخراج در معادن است. از طرفی برآورد هزینه‌ها و کارایی دستگاه حفاری دورانی، یک گام اساسی در طراحی پروژه‌های معدنی و عمرانی است. نرخ نفوذ حفاری (PR)، شاخص مناسبی به منظور برآورد هزینه‌ها و کارایی دستگاه حفاری دورانی به‌شمار می‌رود. بنابراین، بهینه‌سازی PR در دستگاه حفاری دورانی، سبب کاهش هزینه‌ها و افزایش کارایی دستگاه حفاری دورانی می‌شود. بدین منظور در این مقاله، از روش‌های تقویت‌شده یادگیری ماشین (ML) که با ترکیب تقویت گرادیان سبک (LGB) و جنگل تصادفی (RF) با الگوریتم‌های فراابتکاری (MH) شامل گرگ خاکستری (GWO) و شاهین هریس (HHO) صورت گرفته‌است، به منظور تخمین PR اقدام می‌شود. در راستای اعتبارسنجی مدلهای توسعه داده‌شده، مدل‌ها بر روی مجموعه داده‌های جمع‌آوری‌شده پیاده‌سازی شده‌اند. مجموعه داده شامل 7 متغیر مستقل ورودی شامل قطر حفار بر حسب اینچ (D)، سرعت دورانی بر حسب دور بر دقیقه (RPM)، وزن روی سرمته (WOB)، مقاومت فشاری تک‌محوره سنگ بر حسب مگاپاسکال (UCS)، مقاومت کششی سنگ بر حسب مگاپاسکال (T)، فاصله‌داری درزه‌ها در زمین بر حسب سانتی-متر (JS) و راستی نسبی درزه‌ها بر حسب درجه (JD)، استفاده گردید. . نتایج به‌دست آمده نشان می‌دهد که روش RF-GWO (R2= 0.987 و RMSE= 3.059) از دقت بیش‌تری نسبت به روش‌های LGB-GWO (912/0 و 045/8)، LGB-HHO (917/0 و 831/7) و RF-HHO (912/0 و 044/8) در داده‌های آزمایشی برخوردار است. همچنین، مطالعات آنالیز حساسیت مشخص می‌کند که پارامترهای RPM و JD به ترتیب بیش‌ترین و کم‌ترین تأثیر را بر PR دستگاه حفاری دورانی دارند. | ||
| کلیدواژه‌ها | ||
| نرخ نفوذ حفاری؛ تقویت گرادیان سبک (LGB)؛ جنگل تصادفی (RF)؛ گرگ خاکستری (GWO)؛ شاهین هریس (HHO) | ||
| عنوان مقاله [English] | ||
| Application of Reinforcement Machine Learning Models in Predicting Penetration Rate of Rotary Blast Holes | ||
| نویسندگان [English] | ||
| Mohammad Mirzehi Kalateh Kazemi1؛ Aref Fayyazi2؛ Hesam Dehghani3 | ||
| 1Faculty of Engineering, Department of Mining Engineering, Tarbiat Modares University | ||
| 2Tehran. Tarbiat Modares University, Faculty of Engineering, Department of Mining Engineering, Mineral Exploitation Group | ||
| 3Mining faculty, Hamedan University of Technology, Hamedan, Iran | ||
| چکیده [English] | ||
| Drilling with the help of a rotary drilling machine is an important tool for exploration and extraction in mines. On the other hand, estimating the costs and efficiency of the rotary drilling machine is a fundamental step in the design of mining and construction projects. Drilling Penetration Rate (PR) is a suitable indicator for estimating the costs and efficiency of rotary drilling rigs. Therefore, achieving the optimal amount of PR in the rotary drilling machine will reduce costs and increase the efficiency of the rotary drilling machine. For this purpose, in this article, one of the enhanced Machine Learning (ML) methods that combines Light Gradient Boosting (LGB) and Random Forest (RF) with Meta-Heuristic algorithms (MH) including Gray Wolf Optimizer (GWO) and Harris hawk (HHO) has been done, it is done to estimate PR. In order to validate the developed models, the models were implemented on the collected data sets. The dataset including 7 independent input variables was used.The independent input variables are: drilling Diameter in inches (D), rotational speed in Revolutions Per Minute (RPM), Weight On Bit (WOB), Uniaxial Compressive Strength (UCS) of rock in megapascals, Tensile (T) strength of rock in terms of megapascals, the Joints Spacing (JS) in the ground in centimeters and the relative accuracy of the Joints in Degrees (JD). The obtained results show that RF-GWO method (R2 = 0.987 and RMSE = 3.059) is more accurate than LGB-GWO (0.912 and 8.045), LGB-HHO (0.917 and 7.831) and RF-HHO (0.912 and 8.044) in training data. | ||
| کلیدواژه‌ها [English] | ||
| Penetration Rate Drilling, Light Gradient Boosting (LGB), Random Forest (RF), Gray Wolf Optimizer (GWO), Harris Hawk Optimization (HHO) | ||
|
آمار تعداد مشاهده مقاله: 7 |
||