توصيفگر ها :
رويكرد معدن تا آسيا , پايش وضعيت عمليات آسيا , سيگنالهاي آكوستيك , دانهبندي محصول
چكيده فارسي :
در صنعت معدنكاري استفاده از روشها و تكنيكهاي پايش وضعيت بهعنوان يك ابزار مفيد در جهت پيشبرد اهداف رويكرد معدن تا آسيا گسترشيافته است. يكي از روشهاي مؤثر پايش وضعيت ميتوان به روش انتشار امواج آكوستيك اشاره كرد، اين روش امكان پايش عملياتها و پيشبيني پارامترهاي فرآيند را با دقت بالا و بهصورت بلادرنگ فراهم ميكند. با توجه به اهميت عمليات آسيا در زنجيره توليد ماده معدني كه حدود 53 درصد مصرف انرژي در صنعت معدن به اين عمليات اختصاص دادهشده است، بهينهسازي مصرف انرژي با توجه به بازدهي بسيار پايين عمليات آسيا يكي از اهداف مهم در رويكرد معدن تا آسيا است. بايد توجه داشت كه خوراك آسياها ازنظر خواص فيزيكي و مكانيكي داراي تغييرات بسيار زيادي در سالهاي اخير در اكثر عملياتهاي معدني هستند، اين تغييرات بهويژه در قابليت خردايش بر مصرف انرژي آسيا تأثير ميگذارد كه بهينهسازي عمليات آسيا را با چالشهاي فني و پيچيده روبرو كرده است؛ بنابراين استفاده از روش انتشار امواج آكوستيك بهعنوان يك روش با دقت بالا و سريع در جهت طبقهبندي قابليت خردايش خوراك ورودي و همچنين پيشبيني پارامترهاي عملياتي آسيا از اهميت بسياري برخوردار است، زيرا روشهاي سنتي اندازهگيري اين پارامترها اغلب زمانبر، هزينهبر و داراي دقت محدودي هستند. در همين راستا، پس از جمعآوري 10 نمونه سنگ متمايز از كلاسهاي سنگي معدن مس سرچشمه، مجموعهاي از آزمونهاي آزمايشگاهي انجام شد كه شامل تعيين شاخص سختي سرشار، مقاومت فشاري تك محوره و اجراي دو مرحله خردايش، يعني سنگشكني و آسيا بود. در حين فرآيند آسيا، سيگنالهاي آكوستيك منتشرشده توسط تجهيزات مناسب ثبت گرديد. اين سيگنالها پس از پيشپردازش، ازجمله بهكارگيري فيلتر باندپس براي كاهش و حذف نويز، مورد استخراج ويژگي با استفاده از روشهاي حوزه زمان، حوزه فركانس و حوزه زمان-فركانس قرار گرفتند. پس از استخراج ويژگي از سيگنالهاي آكوستيك براي ارزيابي اثر سختي سنگ بر عملكرد آسيا، شاخص سرشار و انديس كار باند نمونهها مورد تحليل قرار گرفتند. نتايج نشان داد كه نميتوان خوراك ورودي به آسيا را با استفاده از سختي سرشار بر اساس انديس كار باند و قابليت خردايش طبقهبندي كرد، به همين منظور با تلفيق ويژگيهاي استخراجشده از سيگنالهاي آكوستيك با سختي سرشار و مقاومت فشاري تكمحوره با استفاده از الگوريتم ماشين بردار پشتيبان يك مدل براي پيشبيني مقدار انديس كار باند آموزش داده شد كه اين مدل با دقت بالا و با ضريب تعيين 82/0 مقدار انديس كار باند را پيشبيني كرد. در مرحله توسعه مدل براي پيشبيني دانهبندي محصول ابتدا مدل رگرسيون خطي آموزش داده شد و دقت متوسط در مدلسازي ارتباط وروديها و خروجي حاصل شد. در گام بعد، الگوريتم ماشين بردار پشتيبان به كار گرفته شد كه عملكرد مناسبي در پيشبيني دانهبندي محصول داشت و ضريب تعيين براي اين مدل 83/0 بود. ارزيابيهاي صورت گرفته و نتايج بهدستآمده بيانگر آن است كه استفاده از سيگنالهاي آكوستيك براي پايش عمليات آسيا رويكردي با پتانسيل بالا و كاربرد صنعتي ارزشمند محسوب ميشود.
چكيده انگليسي :
In the mining industry, the application of condition monitoring methods has become a valuable tool for advancing the objectives of the mine to mill approach. Among these methods, the acoustic emission (AE) technique has shown great potential due to its ability to provide real time and high-precision monitoring of operational processes. Given that approximately 53% of the total energy consumption in mining operations is attributed to the milling stage, optimizing energy efficiency in this process is of significant importance. However, the variability in the physical and mechanical properties of mill feed, particularly in grindability, introduces considerable complexity to process optimization. In this study, ten distinct rock samples representing various lithological classes from the Sarcheshmeh copper mine were examined. Laboratory tests were conducted to determine the Shore hardness index, uniaxial compressive strength (UCS) and Bond work index (BWI), along with two stages of comminution crushing and milling. During the milling process, acoustic signals were recorded and preprocessed using a band-pass filter to reduce noise, followed by feature extraction in the time, frequency, and time–frequency domains. The results showed that classification of mill feed based solely on Shore hardness was not feasible in terms of grindability and the Bond work index. Therefore, a predictive model integrating AE features with the Shore hardness index and UCS was developed using the Support Vector Machine (SVM) algorithm. The proposed model achieved a high prediction accuracy with a coefficient of determination (R²) of 0.82 for the Bond work index. Furthermore, the SVM model outperformed linear regression in predicting product particle size distribution, achieving an R² value of 0.83. Overall, the findings demonstrate that the use of acoustic emission signals offers a highly promising and efficient approach for monitoring milling operations, with strong potential for industrial application and real-time process optimization in the mining sector.
