توصيفگر ها :
سنگ ساختماني , سيمبرش الماسه , سنگ گرانيت , نرخ برش , يادگيري ماشين
چكيده فارسي :
استخراج با سيمبرش الماسه در بسياري از معادن سنگ يكي از مهمترين مراحل توليد است. شناسايي و بررسي عواملي كه بر نرخ توليد اين عمليات تاثير مي گذارند، بسيار مهم است. هدف از انجام اين پژوهش، بررسي تأثير پارامترهاي فيزيكي و مكانيكي سنگ و آمپراژ كشش به عقب ماشين سيمبرش الماسه بر نرخ برش سنگهاي گرانيتي است. در اين راستا از 11 نمونه مختلف سنگ گرانيت با مشخصات فيزيكي و مكانيكي متفاوت انتخاب شده است. سپس نرخ برش براي هر يك از نمونهها در 9 آمپراژ متفاوت ثبت شده است. بر اساس نتايج برازش تكمتغيره نميتوان رابطهاي با دقت بالا بر مبناي يك پارامتر واحد ارائه كرد. بنابراين از روش برازش چندمتغيره استفاده شده است. رابطهي غير خطي متشكل از دو پارامتر مقاومت فشاري تكمحوره و سختي موهس با ضريب تعيين 0/89بالاترين دقت را داشته است. با توجه وجود 9 داده متفاوت از آمپراژ دستگاه به ازاي مشخصات ثابت از سنگ، نميتوان از پارامتر آمپراژ در مدل برازش چندمتغيره استفاده كرد. بنابراين از سه روش مدلسازي پرسپترون چندلايه، رگرسيون بردار پشتيبان و رگرسيون فرآيندهاي گوسي استفاده شده است. همبستگي بين مقادير واقعي و پيشبيني شده در مدل پرسپترون چندلايه براي دادههاي آموزش و آزمون به ترتيب برابر با 92/24و 93/50 بوده است. در مدل رگرسيون بردار پشتيبان، همبستگي بين مقادير واقعي و پيشبيني شده براي دادههاي آموزش و آزمون به ترتيب برابر 98/96 و 93/16بوده است. همچنين همبستگي بين مقادير واقعي و پيشبيني شده در مدل رگرسيون فرآيندهاي گوسي براي دادههاي آموزش و آزمون به ترتيب برابر 95/58 و 95/42 بوده است. در نهايت روش رگرسيون فرآيندهاي گوسي با توجه به بالاترين ضريب تعيين و كمترين ميزان خطاي مطلق و نسبي بهترين نتايج را داشته است.
چكيده انگليسي :
Diamond wire sawing is one of the most critical stages in the production process in many stone quarries. Therefore, identifying and examining the factors that affect the production rate of this operation is of great importance. The aim of this research is to investigate the impact of the physical and mechanical parameters of the stone, as well as the back-pull amperage of the diamond wire saw machine, on the cutting rate of granite stones. For this purpose, 11 different samples of granite with varying physical and mechanical properties were selected. The cutting rate for each sample was then recorded at nine different amperage levels. Based on the results of univariate fitting, a highly accurate relationship could not be established based on a single parameter. Therefore, a multivariate fitting approach was employed. A non-linear relationship comprising two parameters uniaxial compressive strength, and Mohs hardness showed the highest accuracy with a coefficient of determination of 0.89. Given the presence of nine different amperage data points for each stone's fixed characteristics, it was not possible to use the amperage parameter in the multivariate fitting model. Therefore, three modeling methods—Multilayer Perceptron (MLP), Support Vector Regression (SVR), and Gaussian Process Regression (GPR)—were used. The correlation between the actual and predicted values in the Multilayer Perceptron model for training and test data was 92.24% and 93.50%, respectively. In the Support Vector Regression model, the correlation between the actual and predicted values for training and test data was 98.96% and 93.16%, respectively. Additionally, in the Gaussian Process Regression model, the correlation between the actual and predicted values for training and test data was 95.58% and 95.42%, respectively. Finally, the Gaussian Process Regression method produced the best results, considering the highest coefficient of determination and the lowest absolute and relative errors.
