19460

16829

كارشناسي ارشد

استخراج

اصفهان : دانشگاه صنعتي اصفهان

1403

سيزده، 127ص، مصور، جدول، نمودار

1403/03/07

كتابنامه

معدن

مهندسي معدن

1403/03/08

23040545

عمليات آتشباري يكي از مهمترين عمليات‌ها در معدنكاري است. خردايش حاصل از آتشباري تاثير مستقيمي بر هزينه‌هاي معدن از جمله بارگيري، باربري و سنگ‌شكني دارد. علاوه بر هزينه‌هاي اقتصادي آتشباري داراي اثراتي نامطلوب از جمله لرزش زمين و لرزش هوا نيز است كه در معادن خطر آفرين است. از اين رو متخصصين معدن همواره به دنبال ارائه يك تابع مناسب براي پيش‌بيني خردايش حاصل از آتشباري بوده‌اند كه بتواند نتايج خردايش حاصل از آتشباري را به درستي پيش‌بيني كند. در اين پژوهش تعداد 64 آتشباري در معدن طلاي ساريگوني مورد بررسي قرار گرفته شده است. در ابتدا يك بانك اطلاعاتي كه شامل فاصله‌داري، تعداد چال، مقدار آنفو، مساحت سطوح آزاد، شاخص RQD و فشار بار نقطه‌اي Is هستند تشكيل شد سپس از محصولات خردايش هر آتشباري تصويربرداري انجام گرفت به اين صورت كه از هر آتشباري در جهات مختلف و زاويه‌هاي مختلف تصاوير لازم برداشت شد. پس از تصويربرداري با نرم افزار اسپليت دسكتاپ (Split-Dsektop) آناليز تصاوير با درنظر گرفتن تاثير نور و سايه با تغيير جهت و تغيير زاويه تصويربرداري مورد بررسي قرار گرفت كه در نهايت مشخص شد كه تصويربرداري از يك زاويه ثابت بيانگر مقدار واقعي اندازه محصولات خردايش نيست و وجود سايه مي‌تواند مقادير آناليز را تحت تاثير قرار دهد. پس از آناليز هر آتشباري درصدهاي عبوري D20، D50 وD80 به عنوان متغيرهاي وابسته و ساير عوامل ذكر شده به عنوان متغيرهاي مستقل درنظر گرفته شدند. پس از تعيين متغيرهاي مستقل و وابسته داده‌ها نرمال سازي شدند و با آزمون همبستگي پيرسون مقدار همبستگي بين آن‌ها مشخص گرديد سپس با سه روش رگرسيون خطي چند متغيره، رگرسيون غيرخطي چند متغيره و شبكه عصبي مصنوعي تابع توزيع و ميزان پيش‌بيني هر مدل با درنظر گرفتن مقدار ضريب تعيينr2)) براي تعيين ميزان همبستگي روابط مورد بررسي قرار گرفت. براي رگرسيون خطي چند ماغيره از نرم افزار spss، و براي رگرسيون غيرخطي چند متغيره از نرم افزار ديتافيت (Datafit)، و براي شبكه عصبي مصنوعي از تكنيك يادگيري عميق (Deep Learning)در دو حالت مختلف يك لايه پنهان و دو لايه پنهان استفاده شده است. پس از مشخص شدن روابط ارائه شده و نتايج به دست آمده از شبكه عصبي ضرايب تعيين همه روش‌ها مقايسه شدند كه مشخص شد رگرسيون خطس و غيرخطي مقادير يكساني را ارائه مي‌دهند و شبكه عصبي با دو لايه پنهان عملكرد بهتري دارد. پس از مقايسه نتايج هر روش ميزان همبستگي متغيرهاي مستقل با درصدهاي عبوري مختلف نيز مورد بررسي قرار گرفت كه مشخض گرديد بيشترين همبسنگي براي مقدار D80 است. در انتها براي بررسي دقيق‌تر نتايج پيش‌بيني 13 انفجار آخر با شبكه عصبي با دو لايه پنهان، مدل كاز-رام و آناليز تصويري مورد مقايسه قرار گرفتند كه مشخص شد شبكه عصبي با دقت بسيار بهتري مي‌تواند نتايج آتشباري را پيش‌بيني كند.

Blasting operations are one of the most important operations in mining. The fragmentation resulting from blasting directly affects mining costs, including loading, hauling, and crushing. In addition to the economic costs, blasting has undesirable effects such as ground vibration and air blast, which pose risks in mines. Therefore, mining experts have always sought to provide a suitable function to predict the fragmentation resulting from blasting accurately. In this study, 64 blasting operations in the Saryguni gold mine were investigated. Initially, a database was formed, including burden, number of holes, explosive quantity, free face area, RQD index, and point load pressure. Then, imaging of the fragmentation products of each blast was performed in such a way that images were taken from each blast in different directions and angles. After imaging, image analysis was performed using Split-Desktop software, considering the effects of light and shadow by changing the direction and angle of imaging, which ultimately revealed that imaging from a fixed angle does not accurately represent the actual size of the fragmentation products and the presence of shadows can affect the analysis values. After analyzing each blast, D20, D50, and D80 passing percentages were considered as dependent variables, and other factors mentioned were considered as independent variables. After determining the independent and dependent variables, the data were normalized, and the correlation between them was determined using Pearson correlation test. Then, three methods, including multiple linear regression, multiple nonlinear regression, and artificial neural network with distribution function, were used to predict the performance of each model, considering the coefficient of determination (r2) to determine the degree of correlation in the relationships under study. Multiple linear regression was performed using SPSS software, multiple nonlinear regression was performed using Datafit software, and for the artificial neural network, deep learning technique was used in two different cases, one hidden layer and two hidden layers. After determining the presented relationships and the results obtained, the coefficients of determination of all methods were compared, showing that linear and nonlinear regressions provide similar values and the neural network with two hidden layers performs better. After comparing the results of each method, the correlation between independent variables and different passing percentages was also examined, showing that the highest correlation is for the D80 value. Finally, for a more detailed examination of the prediction results of the last 13 blasts using the neural network with two hidden layers, the Kazi-Ram model and image analysis were compared, revealing that the neural network can predict blasting results much more accurately.

سعيد مهدوي

راحب باقرپور , محمود بهنيا