11880

10905

كارشناسي ارشد

مكانيك سنگ

اصفهان: دانشگاه صنعتي اصفهان، دانشكده معدن

1395

دوازده، 63ص.: مصور، جدول، نمودار

ص.ع. به فارسي و انگليسي

راحب باقرپور، ابراهيم قاسمي

داور داخلي: مسعود چراغي سيف آباد داور خارجي: نادر فتحيان پور

1395/09/06

كتابنامه

مهندسي معدن

ID10905

1 چكيده در اين تحقيق با استفاده از دادههاي لرزهاي معدن مس سرچشمه مدلهايي با بهكارگيري روش هوشمند رگرسيون بردار پشتيبان SVR و روش خوشهبندي فازي FCM توسعه داده شده است براي ارزيابي كارايي مدلهوشمند اين مدلها با مدل تجربي اداره معادن اياالت متحده USBM مقايسه شدهاست عالوهبر اين براي نشان دادن قدرت خوشهبندي در بهبود نتايج پيشبيني مدلهايي بدون استفاده از تكنيك خوشهبندي يعني با استفاده از كل دادهها توسعه داده شدند بنابراين در اين تحقيق چهار مدل متفاوت براي پيشبيني PPV براساس دادههاي معدن مس سرچشمه توسعه داده شد و كارايي آنها با استفاده از شاخصهاي آماري VAF RMSE و 2 R مورد بررسي قرار گرفت در تمام مدلها پس از توسعه مدل بهوسيله دادههاي آموزشي با دادههاي آزمايشي كه 15 از كل دادهها را تشكيل ميدهد مدل آزمايش گرديده است در مدل اول شش پارامتر ورودي كه شامل بارسنگ فاصلهداري طول گلگذاري تعداد چال در هر تأخير مقدار خرج در هر تأخير و فاصله از محل آتشباري ميباشند با استفاده از روش FCM به سه خوشه تقسيم گرديد و سپس با درنظر گرفتن دو پارامتر مقدار خرج در هر تأخير و فاصله از محل انفجار با استفاده از روش SVR براي هر خوشه مدلي براي پيشبيني PPV توسعه داده شد بهطور خالصه در مدل اول همزمان خوشهبندي و روش SVR استفاده گرديده است كه به اختصار اين مدل مدل FCM SVR ناميده شده است مدل دوم همانند مدل اول ميباشد با اين تفاوت از معادله تجربي USBM به جاي روش SVR استفاده شده است و بهدليل اينكه هم از خوشهبندي و رابطه USBM استفاده شده است اين مدل مدل FCM USBM ناميده شده است در مدل سوم و چهارم دو پارمتر مقدار خرج در هر تأخير و فاصله از آتشباري بدون استفاده از خوشهبندي كل دادهها به عنوان وروديهاي روشهاي SVR و USBM استفاده شده است بهعبارتي دادههاي آموزشي شامل مجموع دادههاي آموزشي هر سه خوشه و دادههاي آزمايشي شامل مجموع دادههاي آزمايشي هر سه خوشه ميباشد مقادير VAF RMSE و 2 به ترتيب براي مدل 31 91 5 36 FCM SVR و 0913 6 براي مدل FCM USBM به ترتيب 11 9 06 24و 1424 6 براي مدل SVR بهترتيب 11 9 11 61 و 9361 6 و براي مدل USBM بهترتيب 16 4 92 49 و 5419 6 ميباشد اين نتايج نشان ميدهند كه اوال مدل SVR كارآمدتر و دقيقتر از روش تجربي ميباشد ثانيا مدل SVR FCM نسبت به مدل SVR دقيقتر ميباشد و بهطور كلي ميتوان مشاهده كرد كه خوشهبندي در پيشبيني دقيق لرزش زمين ناشي از آتشباري نقش مؤثري داشته است كلمات كليدي حداكثر سرعت ذرهاي PPV روش تجربي USBM روش هوشمند SVR خوشهبندي فازي FCM

64AbstractIn this study using ground vibration data in the Sarcheshmeh Copper Mine model using supportvector regression intelligent method SVR and the fuzzy C Means clustering FCM has beendeveloped To evaluate the performance of intelligent model this model with experimental modelUnited States Bureau of Mines USBM were compared In addition to demonstrate the power ofclustering to improve results perdiction models without the use of clustering techniques namelyusing the whole data have been developed Therefore In this study four different models to predictthe PPV was developed based on data Sarcheshmeh Copper Mine and their performance usingstatistical indicators RMSE VAF and R2 was examined In all models after the model developedby the training data with test data that form 15 the whole data models have been examined Inthe first model six parameters including the burden spacing length of stemmeing the number ofholes in each delay the amount of charge in each delay and the distance from the blasting usingFCM was divided into three clusters and then taking into account two parameters the amount ofcharge in each delay and the distance from the blasting Q and D using SVR for each cluster modelwas developed to predict the PPV Briefly in the first model simultaneous clustering and SVRmethods were used that concisely this model is called FCM SVR The second model is same as thefirst model with this difference that the empirical equation USBM has been used instead of SVRand because simultaneously clustering and USBM equation is used this model is called FCM USBM In the third and fourth model two parameters Q and D without use of clustering all data as the inputs SVR and USBM methods has been used In other words in third and fourth modeltraining data including total training of all three clusters and test data including total test data of allthree clusters Values of RMSE VAF and R2 1 8 85 25 and 0 8536 for FCM SVR model respectively 3 55 49 06 and 0 4947 for FCM USBM model respectively 2 55 70 75 and 0 7082for SVR model respectively and 4 05 34 93 and 0 3541 for USBM model respectively wasobtained This results indicate that firstly SVR model is better than USBM model and secondlymodel FCM SVR respect to SVR model is more accurate and generally it can be seen that theclustering in accurate predicting ground vibration caused by blasting has an effective role Key words PPV USBM SVR Fuzzy C Means clustring

راحب باقرپور، ابراهيم قاسمي

داور داخلي: مسعود چراغي سيف آباد داور خارجي: نادر فتحيان پور