ارائه مدل تجربي براي پيش¬بيني نرخ نفوذ جامبودريل¬ها در معادن زيرزميني تحت شرايط عدم قطعيت ژئومكانيكي

اصفهان : دانشگاه صنعتي اصفهان

مهندسي معدن

دكتري

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.

231816

استخراج مواد معدني

مهندسي معدن

دانشگاه صنعتي اصفهان