توصيفگر ها :
حفاري سنگ , پيش‌بيني سايش , مدل هاي هوشمند , امواج آوايي , امواج لرزشي
چكيده فارسي :
حفاري و چالزني سنگ امروزه كاربرد فراواني در پروژه‌هاي مختلف عمراني، معدني و نفتي يافته است. انتقال نيرو و شكستن سنگ در عمليات حفاري و چالزني از طريق سرمته¬هاي نصب‌شده بر روي ماشين‌آلات حفاري انجام مي‌پذيرد. شرايط سرمته به طور قابل توجهي بر عملكرد حفاري و در نتيجه هزينه كل عمليات تاثير مي¬گذارد. تعيين زمان براي تغيير سرمته يك مسئله چالش برانگيز است. خرابي سرمته در حين عمليات در نتيجه سايش تدريجي هزينه هاي مضاعفي را به پروژه تحميل مي¬كند. بنابراين پيش‌بيني و كنترل ميزان سايش سرمته پيش و در حين عمليات حفاري مي‌تواند به‌طور قابل‌توجهي بر موفقيت و بهره‌وري عمليات تأثيرگذار باشد. روش‌هاي تحليل امواج آوايي و لرزش ازجمله روش‌هاي كم‌هزينه، سريع، با حساسيت بالا نسبت به تغيير شرايط و با دقت و قابليت اطمينان بالا هستند كه مي‌توانند در پيش‌بيني و كنترل ميزان سايش مورد استفاده قرار بگيرند. بنابراين، اين پژوهش عمدتاً بر توسعه يك مدل نظارتي جهت كنترل وضعيت سرمته در فرآيند حفاري سنگ با استفاده از تحليل سيگنال‌هاي صوتي و لرزشي ناشي از فرآيند حفاري متمركز است. براي توسعه يك روش نظارت غيرمستقيم بر سايش، درك عميقي از رابطه بين سايش سرمته و سيگنال‌هاي حفاري مورد نياز است. از اين رو جهت جمع¬آوري داده¬هاي حفاري، در اين مطالعه عمليات حفاري به‌صورت آزمايشگاهي بر روي طيف وسيعي از سنگ‌ها انجام و ثبت امواج صوتي و لرزشي ناشي از آن ثبت شد. شرايط سايش مته در طول آزمايشات بررسي شد تا داده‌هاي جمع‌آوري‌شده بر اساس آن برچسب‌گذاري شوند. داده‌هاي صوتي و لرزشي ثبت¬شده در حوزه‌هاي زمان، فركانس و زمان-فركانس تجزيه و تحليل شدند. نتايج بررسي¬ها نشان داد كه با ورود سرمته به حالت شديدا ساييده شده توان سيگنال‌هاي صوتي توليدي به طور قابل ملاحظه¬اي افزايش مي¬يابد. ويژگي‌هاي آماري سيگنال¬هاي صوتي و لرزشي جهت توسعه¬ي يك مدل نظارت بر سايش سرمته استخراج و انتخاب شدند. سپس با استفاده از اين ويژگي¬ها، مدل¬هاي هوشمند يادگيري ماشين شامل شبكه¬هاي عصبي مصنوعي، ماشين بردار پشتيبان، درخت تصميم و جنگل تصادفي جهت پيش بيني وضعيت و ميزان سايش سرمته توسعه داده شد. نتايج بدست آمده از مدل¬هاي هوشمند نشان داد كه اين مدل¬ها قابليت بالايي در پيش بيني وضعيت سايشي سرمته¬هاي حفاري سنگ با دقت بالا دارند به طوريكه مدل¬هاي شبكه¬هاي عصبي مصنوعي، ماشين بردار پشتيبان، درخت تصميم و جنگل تصادفي به ترتيب دقت 7/82، 9/88، 0/84 و 8/93 درصدي از خود نشان دادند. به علاوه مدل جنگل تصادفي علاوه بر دقت بالا در پيش¬بيني وضعيت سايشي سرمته، توانايي پيش¬بيني ميزان سايش سرمته را نيز با دقت بالايي (89/0=R2) دارد.
چكيده انگليسي :
Today, rock drilling is widely utilized in various construction, mining, and oil projects. Power transmission and rock breaking in drilling operations are achieved through drill bits installed on drilling machines. Wet conditions significantly impact drilling performance and, consequently, the total cost of the operation. Determining the optimal time to change focus presents a challenging issue. Bit failure during operation due to gradual wear imposes additional costs on the project. Therefore, predicting and controlling the extent of bit wear before and during the drilling operation can significantly impact the success and productivity of the operation. Acoustic emission and vibration analysis methods are among the low-cost, fast, highly sensitive to changing conditions, and highly accurate and reliable methods that can be used to predict and control the extent of wear. Therefore, this research mainly focuses on developing a monitoring model to control the state of drilling in the rock drilling process by analyzing sound and vibration signals from the drilling process. Developing an indirect wear monitoring method necessitates a deep understanding of the relationship between bit wear and drilling signals. To collect drilling data, laboratory drilling operations were conducted on a wide range of rocks in this study, and the resulting sound and vibration waves were recorded. Bit wear conditions were monitored during the tests to appropriately label the collected data. The recorded sound and vibration data were analyzed in the time, frequency, and time-frequency domains. The results of the investigations showed that the power of the audio signals produced significantly increases when the power reaches a highly worn state. The statistical characteristics of sound and vibration signals were extracted and selected to develop a model for monitoring bit wear. Subsequently, intelligent machine learning models, including artificial neural networks, support vector machines, decision trees, and random forests, were developed using these features to predict the condition and amount of bit wear. The results obtained from intelligent models have shown that they possess a high capability in predicting the wear status of rock drill bits with remarkable accuracy. Artificial neural network models, support vector machines, decision trees, and random forests demonstrated accuracies of 82.7%, 88.9%, 84.0%, and 93.8%, respectively. Additionally, the random forest model, in addition to its high accuracy in predicting the wear status of drill bits, also exhibits the capability to predict the amount of bit wear with precision (R-squared of 89.0%).
