19938

2274 دكتري

دكتري

استخراج مواد معدني

اصفهان : دانشگاه صنعتي اصفهان

1403

244 ص

1403/08/21

كتابنامه

مهندسي معدن

مهندسي معدن

1403/08/26

23086850

چكيده اين تحقيق باهدف ارائه يك مدل تجربي براي پيش‌بيني نرخ نفوذ جامبودريل‌ها در معادن زيرزميني تحت شرايط عدم قطعيت ژئومكانيكي انجام شده است. ابتدا با بررسي پيشينه تحقيق و مدل‌هاي موجود براي پيش‌بيني نرخ نفوذ، عوامل مؤثر بر نرخ نفوذ شناسايي شدند كه شامل خصوصيات توده سنگ، پارامترهاي عمليات حفاري و پارامترهاي جانبي ديگر است. به دليل تعدد خصوصيات توده سنگ و هزينه‌بربودن دخيل كردن تمامي اين پارامترها، شاخص قابليت حفاري توده سنگ (RDi) به‌عنوان نماينده خصوصيات توده سنگ در تحليل‌ها استفاده شد. اطلاعات ميداني از معادن دو مجتمع معدني سرب و روي باما و سرمه جمع‌آوري و بانك اطلاعاتي از 737 چال در پنج معدن زيرزميني با دو قطر 52 و 64 ميلي‌متر تشكيل شد. در اين فرايند، قبل از شروع حفاري، اطلاعات مربوط به ناپيوستگي‌هاي سينه‌كار برداشت شد و نمونه‌هايي براي مطالعات آزمايشگاهي جمع‌آوري گرديد. در حين حفاري، پارامترهاي عملياتي جامبودريل‌ها شامل فشار روغن هيدروليك تامين¬كننده بار پشت مته، سرعت چرخش مته، ضربه و مدت‌زمان حفاري براي هر چال ثبت شدند. پس از تشكيل بانك اطلاعاتي، ارتباط بين نرخ نفوذ و شاخص قابليت حفاري توده سنگ با استفاده از الگوريتم درختان طبقه‌بندي و رگرسيون بررسي شد. نتايج نشان داد كه اين دو پارامتر داراي ارتباط معني‌دار خوبي هستند و ارتباط بين آن‌ها يك رابطه خطي با ضريب تعيين بالاي 9/0 است. براي توسعه مدل تجربي پيش‌بيني نرخ نفوذ، بانك اطلاعاتي به دو قسمت تقسيم شد: 80درصد داده‌ها براي توسعه مدل و 20درصد براي اعتبارسنجي استفاده شد. از چندين پارامتر آماري نظير ضريب تعيين، ريشه ميانگين مربعات خطا، ميانگين مطلق خطا، درصد ميانگين خطاي مطلق و شمول واريانس براي ارزيابي دقت مدل‌ها استفاده شد. در ابتدا مدل‌هاي رگرسيون خطي چندگانه و غيرخطي چندگانه براي پيش‌بيني نرخ نفوذ ارائه شدند. مدل رگرسيون چندگانه غيرخطي با ضريب تعيين 88/0 و خطاي نسبي كمتر عملكرد بهتري داشت. سپس، مدل‌هايي با استفاده از الگوريتم‌هاي يادگيري ماشيني مانند شبكه‌هاي عصبي مصنوعي پرسپترون چندلايه، ماشين بردار پشتيبان و جنگل تصادفي توسعه داده شدند. نتايج نشان داد كه مدل شبكه عصبي با ضريب تعيين 92/0 و ريشه ميانگين مربعات خطاي معادل 16/0 براي داده‌هاي آموزشي و 9/0 براي داده‌هاي اعتبارسنجي، عملكرد بهتري نسبت به مدل‌هاي رگرسيوني دارد. همچنين مدل رگرسيون بردار پشتيبان با ضريب تعيين 94/0 دقت بالاتري را نسبت به مدل‌هاي رگرسيوني نشان داد. علاوه بر روش‌هاي يادگيري ماشيني، از روش‌هاي يادگيري عميق شامل جنگل تصادفي عميق، رگرسيون بردار پشتيبان عميق و شبكه عصبي مصنوعي عميق كاملاً متصل با تلفيق الگوريتم بهينه‌سازي ژنتيك نيز استفاده شد. نتايج نشان داد كه دقت روش‌هاي يادگيري عميق بالاتر از ساير مدل‌ها است و شبكه عصبي عميق بهترين نتايج را به دست مي‌دهد. شبكه عصبي عميق بهترين نتايج را با ضريب تعيين 94/0 براي داده‌هاي آموزشي و آزمايشي و ريشه ميانگين مربعات خطاي برابر با 16/0 و 2/0 به ترتيب براي داده‌هاي آموزشي و آزمايشي ارائه داد. براي بررسي عدم قطعيت مدل‌ها از روش شبيه‌سازي مونت‌كارلو استفاده شد. در اين روش، تابع توزيع احتمال پارامترهاي خروجي مشخص و با توليد 2000 نمونه تصادفي، فضاي شبيه‌سازي آماده شد. در سطح اطمينان 95درصد، بازه عدم قطعيت ميانگين مقادير واقعي با مقادير پيش‌بيني شده توسط مدل‌ها مقايسه شدند. نتايج نشان داد كه مدل‌هاي رگرسيون و يادگيري ماشيني مقادير نرخ نفوذ كمتري را نسبت به مقادير واقعي پيش‌بيني مي‌كنند و مدل‌هاي يادگيري عميق و به‌ويژه شبكه عصبي عميق، پيش‌بيني بهتري داشتند. باتوجه‌به دقت، خطا و عدم قطعيت مدل‌ها، مي‌توان نتيجه گرفت كه مدل‌هاي توسعه‌يافته براي پيش‌بيني نرخ نفوذ جامبودريل‌ها با درنظرگرفتن عدم قطعيت ژئومكانيكي، با استفاده از روش‌هاي يادگيري ماشيني و عميق، مدل‌هاي مناسبي براي پيش‌بيني نرخ نفوذ جامبودريل¬ها در معادن زيرزميني هستند.

This research aims to present an empirical model for predicting the penetration rate of jumbo drills in underground mines under conditions of geomechanical uncertainty. Initially, by reviewing the existing literature and models for predicting penetration rates, the factors affecting the penetration rate were identified, including rock mass properties, drilling operation parameters, and other ancillary parameters. Due to the multitude of rock mass characteristics and the high cost of including all these parameters, the Rock mass Drillability Index (RDi) was used as a representative of the rock mass properties in the analyses. Field data were collected from the two mining complexes of Bama Lead and Zinc and Sormeh, resulting in a database of 737 drill holes with two diameters of 52 and 64 millimeters. In this process, prior to drilling, information related to discontinuities in the face was collected, and samples were taken for laboratory studies. During drilling, operational parameters of the jumbo drills, including hydraulic oil pressure for feed, rpm, percusion, and drilling duration for each borehole were recorded. After forming the database, the relationship between penetration rate and the Rock mass Drillability Index was examined using classification and regression tree algorithms (CART). The results showed a significant correlation between these two parameters, with a linear relationship yielding a high coefficient of determination (R²) above 0.9. To develop the empirical model for predicting penetration rates, the database was divided into two parts: 80% of the data was used for model development and 20% for validation. Several statistical parameters, such as the coefficient of determination, root mean square error (RMSE), mean absolute error (MAE), percentage of mean absolute error (MAPE), and variance accounted for (VAF), were used to assess the accuracy of the models. Initially, multiple linear and nonlinear regression models were proposed for predicting penetration rates. The linear and nonlinear regression models were developed, with the nonlinear model performing better, yielding an R² of 0.88 and lower relative error. Subsequently, models were developed using machine learning algorithms, including multilayer perceptron artificial neural networks (MLP), support vector regression (SVR), and random forests (RF). The results indicated that the neural network model outperformed regression models, with an R² of 0.92 and a root mean square error of 0.16 for training data and 0.09 for validation data. Additionally, the support vector regression model showed a higher accuracy with an R² of 0.94 compared to regression models. Alongside machine learning methods, deep learning techniques, including deep random forests (DRF), deep support vector regression (DSVR), and fully connected deep artificial neural networks (FCDNN) combined with genetic optimization algorithms, were also utilized. The results demonstrated that the accuracy of deep learning methods surpassed that of other models, with the deep neural network yielding the best results. The deep neural network achieved an R² of 0.94 for both training and testing data, with root mean square errors of 0.16 and 0.2, respectively. To assess the uncertainty of the models, Monte Carlo simulation was employed. The probability distribution function of the output parameters was specified, and the simulation space was prepared by generating 2000 random samples. At a 95% confidence level, the uncertainty range of the actual average values was compared with the values predicted by the models....

هادي حسيني

راحب باقرپور

ابراهيم قاسمي ورنوسفادراني , محمد عطايي , مرتضي اصانلو