ارتقاء بازدهی پروژه حفاری: پیش بینی و ارزیابی عملکرد ماشین رودهدر مبتنی بر هوش مصنوعی
Publish Year: 1401
Type: Journal paper
Language: Persian
View: 90
This Paper With 12 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
Export:
Document National Code:
JR_TUSE-11-3_005
Index date: 27 November 2024
ارتقاء بازدهی پروژه حفاری: پیش بینی و ارزیابی عملکرد ماشین رودهدر مبتنی بر هوش مصنوعی abstract
رودهدر به عنوان یک حفار مکانیکی فضاهای زیرزمینی، اهمیت بالایی در پروژه های عمرانی و معدنی دارد و بررسی اقتصادی یک پروژه حفاری به شدت وابسته به پیش بینی عملکرد رودهدر است. نرخ خالص حفاری رودهدر یک معیار مهم در ارزیابی عملکرد آن به حساب می آید که از طریق روش های مختلفی می توان به تخمین آن پرداخت. در این تحقیق با استفاده از روش های هوش مصنوعی ماشین بردار پشتیبان (SVM)، شبکه عصبی مصنوعی (ANN)، نزدیک ترین همسایگی (KNN)، جنگل تصادفی (RF) و رگرسیون خطی (LR)، مدل هایی به منظور پیش بینی عملکرد رودهدر ایجاد شد و دقت و مطلوبیت آن ها با هم مقایسه شد. متغیرهای ورودی در این مدل ها، شاخص کیفی سنگ (RQD) و مقادیر بازگشت چکش اشمیت R۱، R۲ و R۳ می باشند و مدل سازی ها در نرم افزار داده کاوی Orange انجام شده است. نتایج مدلسازی ها نشان می دهد که مدل ماشین بردار پشتیبان با ۸۴۷/۰R۲= و ۱۲۰/۰RMSE= از عملکرد قابل قبولی برای پیش بینی نرخ حفاری یا بعبارتی پیش بینی عملکرد ماشین رودهدر در حفاری تونل برخوردار است.
ارتقاء بازدهی پروژه حفاری: پیش بینی و ارزیابی عملکرد ماشین رودهدر مبتنی بر هوش مصنوعی Keywords:
ارتقاء بازدهی پروژه حفاری: پیش بینی و ارزیابی عملکرد ماشین رودهدر مبتنی بر هوش مصنوعی authors
هادی فتاحی
دانشیار؛ دانشکده ی مهندسی علوم زمین، دانشگاه صنعتی اراک
فاطمه جیریایی
دانشجو؛ دانشکده ی مهندسی علوم زمین، دانشگاه صنعتی اراک
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 :
