پیش‌بینی نرخ نفوذ سرمته در سنگ با کمک هوش مصنوعی
عملیات چالزنی اولین گام در برخی از فعالیت‌های عمرانی و معدنی محسوب می‌شود. به دلیل هزینه زیاد این عملیات، باید در تجهیز و نگهداری اقلام مصرفی و مستهلک شونده، دقت شود.
جهت بررسی دلایل استهلاک دستگاه و اقلام مصرفی، ابزار دقیقی موجود نیست، به همین دلیل باید در هنگام اجرای عملیات دقت کافی صورت گیرد تا از هزینه‌های اضافی جلوگیری شود. به منظور کاهش هزینه‌های عملیاتی باید علاوه بر شناخت محیط کاری (زمین)، عملکرد دستگاه چالزنی نیز تحت کنترل باشد، این فرآیند موجب تسهیل برنامه‌ریزی بر اساس عملکرد دستگاه در شرایط مختلف زمین می‌شود. در اندازه‌گیری راندمان چالزنی و تشخیص بازدهی دستگاه در مناطق مختلف، شاخص‌های متفاوتی در نظر گرفته شده که نرخ نفوذ و قابلیت چالخوری بیشترین کاربرد را دارند.
هدف از این پژوهش که در قالب پایان نامه کارشناسی ارشد علی نعمتی در رشته مهندسی معدن- استخراج مواد معدنی، انجام شد، پیش‌بینی نرخ نفوذ سرمته و بررسی تاثیر پارامتر رده‌بندی توده سنگ، ژئومکانیکی در معدن و پارامترهای عملیاتی دستگاه بر میزان نرخ نفوذ سرمته در سنگ و عملکرد دستگاه چالزنی به روش هوشمند است.
جهت ارزیابی مدل از دستگاه‌های چالزنی اطلس کپکو، هوشر، سانوارد و تامراک موجود در معدن مس سونگون استفاده شد. پس از انجام برداشت‌های میدانی و آزمون‌های آزمایشگاهی، بانک اطلاعاتی از ۸۵ چال و پارامترهای مورد نظر از معدن مس سونگون گردآوری شد.
در مدل، نیروی فشاری پشت سرمته و فشار دوران سرمته جزو پارامترهای عملیاتی دستگاه چالزنی و پارامتر توده سنگ از سیستم رده‌بندی توده سنگ و چکش اشمیت متغیر ژئومکانیکی استفاده شده است. پس از برداشت داده‌های زمین شناسی و عملکرد دستگاه، مطالعه آماری بر روی چهار دستگاه چالزنی انجام شد. سپس تاثیر هریک از متغیرهای چالزنی بر روی نرخ نفوذ سرمته بررسی شد. نتایج تحلیل‌ها ارتباطی معنی‌دار بین متغیرهای مورد بررسی و نرخ نفوذ سرمته نشان داد.
در دستگاه‌های اطلس کپکو، هوشر و سانوارد فشار پشت سرمته به ترتیب با ضریب تعیین ۸۷ ، ۸۶ و ۷۱ درصد مؤثرترین متغیر است. در دستگاه تامراک با ضریب تعیین ۸۵ درصد مؤثرترین متغیر بر نرخ نفوذ سرمته، فشار دوران است. همچنین در تحلیل داده‌های هر دستگاه به صورت مجزا به روش رگرسیون خطی چند متغیره با استفاده از متغیرهای مسئله، مدلی جهت پیش بینی نرخ نفوذ سرمته با ضریب تعیین ۹۱، ۸۹، ۸۹ و ۸۳ درصد به ترتیب برای دستگاه‌های اطلس کپکو، هوشر، تامراک و سانوارد به دست آمد.
در بررسی رگرسیون چند متغیره برای تمامی دستگاه‌ها و متغیرها، مدلی با ضریب تعیین ۷۴ درصد جهت تخمین نرخ نفوذ سرمته ایجاد شد. با استفاده از مدل شبکه عصبی با الگوریتم‌های بهینه سازی درجه اول شبکه عصبی به روش‌های Adam ، SGD و GD استفاده شد و به ترتیب هر یک با ضریب تعیین ۹۴، ۹۱ و ۹۱ درصد در داده‌های آموزش و در داده های آزمون ۹۴، ۹۰ و ۸۶ درصد نتیجه شد. با تحلیل حساسیت مدل مشخص شد متغیر فشار پشت سرمته بیشترین تأثیر و فشار دوران کمترین تأثیر را درمعدن مورد مطالعه دارد.
این پژوهش در قالب پایان نامه کارشناسی ارشد علی نعمتی با راهنمایی دکتر مسعود منجزی و با مشاوره دکتر جعفر خادمی در دانشکده فنی و مهندسی دانشگاه تربیت مدرس انجام شد.
No tags for this post.
