اخبار و اعلانات
آمار
| تعداد نشریات | 19 |
| تعداد شماره‌ها | 380 |
| تعداد مقالات | 3,121 |
| تعداد مشاهده مقاله | 4,251,493 |
| تعداد دریافت فایل اصل مقاله | 2,845,935 |
تخمین نرخ تولید ماشین حفاری بر اساس خواص سنگ و پارامترهای دستگاهی با پیش بینی سرعت نفوذ سرمته | ||
| نشریه مهندسی منابع معدنی | ||
| مقاله 4، دوره 5، شماره 3 - شماره پیاپی 17، مهر 1399، صفحه 57-75 اصل مقاله (1.3 M) | ||
| نوع مقاله: علمی-پژوهشی | ||
| شناسه دیجیتال (DOI): 10.30479/jmre.2020.11456.1313 | ||
| نویسندگان | ||
| علی دولتی1؛ حسین ثمره* 2 | ||
| 1کارشناسی ارشد، گروه مهندسی معدن، دانشگاه آزاد اسلامی، واحد سیرجان، سیرجان | ||
| 2استادیار، گروه مهندسی معدن، دانشگاه آزاد اسلامی، واحد بافت، بافت | ||
| تاریخ دریافت: 04 شهریور 1398، تاریخ بازنگری: 05 تیر 1399، تاریخ پذیرش: 09 تیر 1399 | ||
| چکیده | ||
| حفر تعداد مشخصی چال انفجاری در هر ساعت، نقش تعیین‌کننده‌ای در نرخ تولید ماشین حفاری دارد،. بنابراین باتوجه به قیمت دستگاه حفاری و بالا بودن هزینه‌های عملیاتی آنها، استفاده مفید از زمان در دسترس بودن دستگاه برای حفر حداکثر چال‌های انفجاری ممکن، از اهمیت زیادی برخوردار است. سرعت حفر چال انفجاری تحت تاثیر عوامل مختلفی از جمله خواص سنگ و ویژگیهای دستگاه حفاری است. بنابراین با شناخت و تعیین میزان اثرگذاری عوامل موثر بر سرعت نفوذ سرمته، علاوهبر افزایش راندمان ماشین می‌توان هزینه حفاری را نیز کاهش داد. در این تحقیق برای پیش‌بینی نرخ نفوذ سرمته ابتدا در معدن مورد مطالعه شاخصهای مورد نظر مربوط به 91 چال از 28 بلوک انفجاری در 9 پله استخراجی مختلف برداشت شد. سپس با استفاده از روش میدان کسینوسی، میزان حساسیت تغییرات تکتک شاخصهای ورودی بر سرعت نفوذ سرمته مورد ارزیابی قرار گرفت. در نهایت با کمک آنالیز رگرسیون غیرخطی، شبکه عصبی مصنوعی و منطق استنتاج فازی مدل‌هایی برای پیش‌بینی نرخ نفوذ سرمته ایجاد شد. اعتبارسنجی مدل‌ها با استفاده از 12 سری داده آزمایشی نشان داد که مدل شبکه عصبی با ضریب تعیین 68/0 و میانگین مطلق درصد خطا 15/12 نسبت به مدل غیرخطی چند جمله‌ای درجه دوم، با دقت جزیی بیشتری می‌تواند سرعت نفوذ سرمته را پیش‌بینی کند. در ادامه با استفاده از مدل چند جمله‌ای درجه دوم، درصد بازدهی عملیاتی، قابلیت دسترسی و نرخ تولید ماشین حفاری برای یک روز کاری در سنگ‌ها با مقاومت کم، متوسط و زیاد تخمین زده شد. | ||
| کلیدواژه‌ها | ||
| سرعت نفوذ سرمته؛ منطق استنتاج فازی؛ شبکه عصبی مصنوعی؛ آنالیز رگرسیون چند متغیره؛ نرخ تولید | ||
| عنوان مقاله [English] | ||
| Estimation of Drilling Machine Production Rate Based on Properties of Rock and System Parameters by Prediction of Bit Penetration Speed | ||
| نویسندگان [English] | ||
| A. Dolati1؛ H. Samareh2 | ||
| 1M.Sc, Dept. of Mining Engineering, Sirjan Branch, Islamic Azad University, Sirjan, Iran | ||
| 2Assistant Professor, Dept. of Mining Engineering, Baft Branch, Islamic Azad University, Baft, Iran | ||
| چکیده [English] | ||
| Drilling a certain number of blast holes per hour plays an important role in reaching the required annual mine production. Since, the proper use of the availability time of machine to drill the maximum number of blast holes is crucial. The drilling rate of blast holes is affected by various factors such as rock properties and system parameters. Thus, recognizing the effectiveness of these factors on the penetration rate of bit (PR), not only machine production can be increased but also drilling and blasting costs can be reduced in the mine. In this study to predict the PR in the selected mine, firstly, parameters of 91 holes related to 28 blasting block and in 9 various extracting benches were collected. Secondly, the sensitivity rate related to each of the independent parameters on the PR was studied using Cosine Amplitude Method (CAM). Finally, three models including non-linear multivariate regression (NLMR), artificial neural network (ANN), and fuzzy logic were produced to predict the PR. These models were validated using 12 series of data tests. It was shown that with a coefficient of determination of 0.68 and mean absolute percentage error (MAPE) of 12.15, the ANN model could predict the PR with a slightly higher precision compared to NLMR. | ||
| کلیدواژه‌ها [English] | ||
| Penetration rates of bit, Fuzzy logic, Artificial neural network, Non-linear multiple regression analysis, Production rate | ||
| مراجع | ||
|
[1] Thuro, K. (1997). “Drillability prediction:Geological influences in hard rock drill and blast tunneling”. International Journal of Earth Sciences, 86(2): 426-438. [2] Hoseini, S. H., and Ataei, M. (2007). “A review of machine parameters influencing the drilling rate in mines”. 7th International Scientific Conference-(SGEM), Conference proceedings, ISBN:954-918181-2, June 11-15. [3] Inanloo Arabi Shad, H., Sereshki, F., Ataei, M., and Karamoozian, M. (2018). “Prediction of rotary drilling penetration rate in iron ore oxides using rock engineering system”. International Journal of Mining Science and Technology, 28(3): 407-413. [4] Ataei, M., KaKaie, R., Ghavidel, M., and Saeidi, O. (2015). “Drilling rate prediction of an open pit mine using the rock mass drillability index”. International Journal of Rock Mechanics & Mining Sciences, 73: 130-138. [5] حسینی، س. ه.، آقابابایی، ح.، پوررحیمیان، ی.؛ 1386؛ "بررسی و مدل‌سازی تأثیر شیب‌داری درزه‌ها بر سرعت چالزنی در معادن روباز". فصلنامه علوم زمین، سازمان زمین‌شناسی و اکتشافات معدنی ایران، دوره 16، شماره 63، ص 92-86. [6] Kahraman, S., Bilgin, N., and Feridunoglu, C. (2003). “Dominant rock properties affecting the penetration rate of percussive drills”. International Journal of Rock Mechanics and Mining Sciences, 40(5): 711-723. [7] Kahraman, S., Balci, C., Yazici, S., and Bligin, N. (2000). “Prediction of the penetration rate of rotary blast hole drilling using a new drillability index”. International Journal of Rock Mechanics and Mining Sciences, 37(5): 729-743. [8] Kahraman, S. (1999). “Rotary and percussive drilling prediction using regression analysis”. International Journal of Rock Mechanics and Mining Science, 36(7): 981-989. [9] Yarali, O., and Soyer, E. (2011). “The effect of mechanical rock properties and brittleness on drillability”. Scientific Research and Essays, 6(5): 1077-1088. [10] Yarali, O., and Kahraman, S. (2011). “The drillability assessment of rocks using the different brittleness values”. Tunnelling and Underground Space Technology, 26(2): 406-414. [11] قویدل، م.؛ 1390؛ "طبقه‌بندی قابلیت حفاری توده‌سنگ‌ها و پیش‌بینی سرعت حفاری در معدن سنگ آهن گل‌گهر". پایان نامه کارشناسی ارشد مهندسی استخراج معدن، دانشکده مهندسی معدن، دانشگاه صنعتی شاهرود.
[12] Hoseini, S. H., Aghababaei, H., and Pourrahimian, Y. (2008). “Development of a new classification system for assessing of rock mass drillability index (RDi)”. International Journal of Rock Mechanics and Mining Sciences, 45(1): 1-10. [13] Iphar, M., and Goktan, R. M. (2006). “An application of fuzzy sets to the Diggability index rating method for surface mine equipment selection”. International Journal of Rock Mechanics & Mining Sciences, 43(2): 253-266. [14] Cheniany, A., Khoshrou, S. H., Shahriar, K., and Hamidi Jafar, KH. (2012). “An estimation of the penetration rate of rotary drills using the specific rock mass drillability index”. International Journal of Mining Science and Technology, 22: 187-193. [15] Xiao, Y., Hurich, CH., and Butt, S. D. (2018). “Assessment of rock-bit interaction and drilling performance using elastic waves propagated by the drilling system”. International Journal of Rock Mechanics and Mining Sciences, 105: 11-21. [16] Ataei, M., Mikaeil, R., Hoseinie, S. H., and Hosseini, S. M., (2012). “Fuzzy analytical hierarchy process approach for ranking the sawability of carbonate rock”. International Journal of Rock Mechanics and Mining Sciences, 50: 83-93. [17] Plinninger, R., Spaun, G., and Thuro, K. (2002). “Predicting tool wear in drill and blast”. Tunnel & Tunnelling International Magazine, 34: 1-5. [18] Monjezi, M., Rezaei, M., and Yazdian, A. (2010). “Prediction of backbreak in open-pit blasting using fuzzy set theory”. Expert System with Applications, 37(3): 2637-2643. [19] Yang, Y., and Zang, O. (1997). “A hierarchical analysis for rock engineering using artificial neural networks”. Rock Mechanics and Rock Engineering, 30(4): 207-222. [20] Samareh, H., Khoshrou, S. H., Shahriar, K., Ebadzadeh, M. M., and Eslami, M. (2017). “Optimization of a nonlinear model for predicting the ground vibration using the combinational particle swarm optimization-genetic algorithm”. Journal of African Earth Sciences, 133: 36-45. [21] Khandelwal, M., Armaghani, D. J., Faradonbeh, R.S., Ranjith, P., and Ghoraba, S. (2016). “A new model based on gene expression programming to estimate air flow in a single rock joint”. Environmental Earth Sciences, 75: pp. 739. DOI 10.1007/s12665-016-5524-6. [22] Monjezi, M., Faradonbeh, R. S., and Armaghani, D. J. (2016). “Genetic programing and non-linear multiple regression techniques to predict backbreak in blasting operation”. Engineering with Computers, 32: 123-133. [23] بشلیده، ک.؛ 1391؛ "روش‌های پژوهش و تحلیل آماری". انتشارت دانشگاه شهید چمران اهواز، 654 صفحه. [24] نیرومند، ح. ع.؛ 1384؛ "تحلیل رگرسیون". انتشارت دانشگاه فردوسی مشهد، 604 صفحه. [25] اصانلو، م.؛ 1386؛ "روش‌های حفاری". نشر صدرا، ویرایش سوم، 494 صفحه. [26] شریف زاده، م.، نورانی، ر.؛ 1390؛ "خواص و رفتار مهندسی سنگ‌ها". ترجمه، مرکز نشر صدا، فصل 6، 204 صفحه. [27] فاروق حسینی، م.؛ 1376؛ "درآمدی بر مکانیک سنگ". تالیف، مرکز خدمات فرهنگی سالکان، فصل 3، 45 صفحه.
| ||
|
آمار تعداد مشاهده مقاله: 484 تعداد دریافت فایل اصل مقاله: 661 |
||