پیش بینی پرتاب سنگ ناشی از آتشباری با استفاده از تکنیک درختی M۵P
Publish Year: 1397
Type: Journal paper
Language: Persian
View: 110
This Paper With 11 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
Export:
Document National Code:
JR_ANM-8-16_004
Index date: 10 December 2024
پیش بینی پرتاب سنگ ناشی از آتشباری با استفاده از تکنیک درختی M۵P abstract
پرتاب سنگ یکی از مسائل بحرانی عملیات آتشباری در معادن روباز است که به شدت ایمنی پرسنل و تجهیزات را تحت تاثیر قرار میدهد. یکی از راههای کاهش ریسک حوادث ناشی از پرتاب سنگ، پیشبینی دقیق آن است. طی سالیان گذشته با استفاده از روشهای هوش مصنوعی، مدلهای تجربی بسیاری برای پیشبینی پرتاب سنگ توسعه داده شده است. اغلب این مدلها شفاف و قابل فهم نبوده و در آنها ارتباط بین پارامترهای ورودی و خروجی به وضوح نشان داده نشده است. هدف از این مقاله ارائه مدلی صریح و قابل فهم برای پیشبینی پرتاب سنگ است. برای این منظور از تکنیک M۵P استفاده و به کمک آن ساختاری درخت مانند برای تخمین فاصله پرتاب سنگ ارائه شده است. در این مدل پرتاب سنگ بر اساس یک سری معادلههای خطی پیشبینی میشود، از اینرو استفاده از آن بسیار ساده است. به منظور آموزش و آزمایش مدل درختی پیشنهادی، دادههای آتشباری معدن مس سونگون به کار گرفته شده است. در این مدل فاصله پرتاب سنگ با استفاده از مهم ترین پارامترهای قابل کنترل آتشباری یعنی بار سنگ، فاصلهداری چالها، طول گلگذاری، طول چال، قطر چال، خرج ویژه و متوسط خرج در هر چال تخمین زده میشود. دقت و کارایی مدل پیشنهادی با استفاده از شاخصهای آماری R۲، VAF و RMSEمورد ارزیابی قرار گرفت. مقدار این شاخصها به ترتیب ۱/۹۲ درصد، ۹۲ درصد و ۹/۳ به دست آمدند. بنابراین میتوان نتیجه گرفت که تکنیک درختی M۵P ابزاری مفید و قدرتمند برای پیشبینی پرتاب سنگ است. همچنین، نتایج نشان داد که بار سنگ و قطر چال به ترتیب با اهمیتترین و کم اهمیتترین پارامترها در پیشبینی پرتاب سنگ هستند.
پیش بینی پرتاب سنگ ناشی از آتشباری با استفاده از تکنیک درختی M۵P Keywords:
پیش بینی پرتاب سنگ ناشی از آتشباری با استفاده از تکنیک درختی M۵P authors
Ebrahim Ghasemi
Dept. of Mining, Isfahan University of Technology
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 :