مدلسازی زمین آماری تخریب پذیری توده سنگ مبتنی بر روش تجربی لابسچر در معدن سه چاهون
Publish place: Journal of Mineral Resource Engineering، Vol: 3، Issue: 2
Publish Year: 1397
نوع سند: مقاله ژورنالی
زبان: Persian
View: 269
This Paper With 17 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_MHRE-3-2_004
تاریخ نمایه سازی: 19 آذر 1400
Abstract:
انتخاب روش های استخراج تخریبی در معادن زیرزمینی مستلزم شناخت ویژگی های ژئومکانیکی توده سنگ است. شاخص قابلیت تخریب یک پارامتر کلیدی برای انتخاب روش های استخراج تخریبی است. برای ارزیابی این شاخص، روش های تجربی مختلفی ارایه شده که مبتنی بر طبقه بندی مهندسی توده سنگ است. روش تجربی لابسچر بر اساس طبقه بندی توده سنگ در پروژه های معدنی و شعاع هیدرولیکی فضای زیربرش، یکی از روش های قابل قبول در این زمینه است. در این مطالعه ویژگی های ژئومکانیکی موثر در قابلیت تخریب بر اساس داده های سطحی و زیرسطحی با استفاده از روش های زمین آماری مدلسازی شده اند. به این صورت که بر اساس روش طبقه بندی لابسچر قابلیت تخریب توده سنگ با انتخاب بلوکی با ابعاد ۲۵×۲۵×۲۵ متر برآورد شد. از طرفی بر اساس منحنی تخریب لابسچر، روابط مورد نیاز برای بررسی این قابلیت بر اساس طبقه بندی توده سنگ در پروژه های معدنی و شعاع هیدرولیکی به دست آمده است. در این مطالعه داده های آنومالی شماره ۱۲ معدن سه چاهون به عنوان مطالعه موردی بررسی شد و مدلسازی زمین آماری و وضعیت تخریب پذیری منطقه مورد بررسی قرار گرفت. نتایج این بررسی نشان می دهد که با در نظر گرفتن شعاع هیدرولیکی ۱۲/۵ متر، بیش از ۸۰ درصد بلوک ها دارای قابلیت تخریب می شوند و بقیه بلوک ها در شرایط گذار قرار دارند، بنابراین نتیجه گیری می شود که منطقه مورد مطالعه دارای قابلیت تخریب مناسب برای به کارگیری روش های تخریبی است.
Keywords:
Authors
علیرضا جبین پور
دانشجوی دکتری، دانشکده مهندسی معدن و متالورژی، دانشگاه یزد، یزد
علیرضا یاراحمدی بافقی
دانشیار، دانشکده مهندسی معدن و متالورژی، دانشگاه یزد، یزد
جواد غلام نژاد
دانشیار، دانشکده مهندسی معدن و متالورژی، دانشگاه یزد، یزد
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :