(CAM استفاده شد. 2 روش تجربی آنالیز حساسیت، )
در نهایت از روش آماری استفاده و نتایج حاصل از آن با نتایج خروجی از شبكه های عصبی مقایسه شد و
مشخص گردید روش های آماری از كارایی ضعیفتری نسبت به شبكه عصبی مصنوعی برخوردار هستند.
Artificial Neural Network.
Cosin Analysis Method
مقدمه
توجه به خردایش در عملیات آتشباری، یكی از مهمترین و حساس ترین پارامترهای موثر بر اقتصاد و حیات
معدن به شمار می رود. اجرای یك عملیات آتشباری مطلوب تاثیر بسزایی در كاهش هزینه های كل خردایش ،
افزایش و بهبود بازدهی عملیات حفاری، بارگیری، باربری و افزایش بازدهی عملكرد كارخانه فرآوری و سنگ
شكن های اولیه و ثانویه خواهد داشت. در سال های اخیر مطالعات زیادی جهت حصول یك خردایش مناسب
صورت گرفته و الگوها و روابط مختلفی ارائه شده است. در این میان روش های هوشمند به عنوان ابزار مناسبی
در سایر علوم به كار گرفته شده است و نتایج مطلوبی از آن حاصل گردیده لذا با توجه كارایی آن، كاربرد این
روش در علوم معدنكاری می تواند گره ای از مشكلات موجود باز كرده و تا جای ممكن در جهت بهبود و بهینه
سازی آنها گام برداشت.
هدف (1 -1
انجام عملیات آتشباری یكی از اساسیترین و حساسترین عملیات های موثر بر اقتصاد معدن است و همواره
برای اهداف گوناگونی مورد توجه بوده است. تا مدت های طولانی عملیات آتشباری مبتنی بر روش آزمون و
خطا استوار بوده است، اما پیشرفت تكنولوژی و علم امكان استفاده از روش آزمون و خطا را محدود نموده و
آتشباری را به صورت علمی با قابلیت برنامه ریزی كامپیوتری تبدیل كرده است. درعملیات آتشباری معادن
روباز، مهم ترین هدف، خردشدگی مناسب است كه از ویژگی های یك انفجار خوب در اكثر معادن محسوب
می شود. در دو مرحله اول عملیات معدنكاری یعنی چالزنی و آتشباری، با توجه به جام سیستم بارگیری،
سیستم باربری و سنگ شكن اولیه، خردایش سنگ تا ابعاد خاصی طراحی می شود و در صورت رسیدن به
خردایش مورد نظر، هزینه سایر مراحل تولید كاهش می یابد. بنابراین عامل اساسی برای موفقیت انفجار در
یك جبهه كار، خردشدگی مناسب می باشد. این عملیات باید با كمترین هزینه و اثرات جانبی نظیر لرزش
زمین، پرتاب سنگ، انفجار هوا و … انجام شود. به منظور دستیابی به خردایش مناسب لازم است كلیه
عوامل تاثیر گذار بر روی آن را شناسایی نمود. به طور كلی میتوان این عوامل را به دو گروه عمده شامل،
پارامترهای قابل كنترل (الگوی آتشباری) و پارامترهای غیر قابل كنترل (خصوصیات ژئومكانیكی توده سنگ)
تقسیم بندی نمود. از جمله پارامترهای قابل كنترل می توان به خرج ویژه، نحوه آرایش چالها، تاخیر در
شروع انفجار، قطر چال، ضخامت بار سنگ، فاصله ردیفی چالها، طول گل گذاری و… اشاره نمود. عواملی
همچون نواحی غیرمقاوم شامل سطوح لایه بندی، گسلها و درزهها و همچنین مقاومت توده سنگ، جزو
پارامترهای غیر قابل كنترل محسوب میشوند.
2-1) پیشینه تحقیق
محققین زیادی در گذشته روابط تجربی بسیاری به منظور تعیین خردایش ناشی از عملیات انفجار ارئه داده اند،
اما به علت در نظر نگرفتن همزمان اكثر عوامل موثر بر خردایش و با توجه به شرایط پیچیده حاكم بر آن، نتایج
حاصل، چندان مطلوب نبوده است. در سالهای اخیر، به منظور مدلسازی محیطهای ناهمگون و پیچیده، و
دستیابی به الگویی بهینه و مطلوب، روشهای نوینی مانند شبكههای عصبی مصنوعی گسترش زیادی پیدا كرده
است. شبكههای عصبی مصنوعی كه به عنوان یكی از پر كاربرد ترین موضوعات مطرح در زمینه طراحی سیستم
های هوشمند با الهام از طبیعت می باشد، به دلیل داشتن قابلیت یادگیری و تعمیم دهی، قادر به یادگیری هر
نوع نگاشت و تابعی میباشند. به عنوان مثال از این روش جهت مدلسازی كارایی TBM توسط Benardos و
همكارانش استفاده شده است. Singh و هكارانش از این روش جهت تخمین مقاومت سنگ های متورق استفاده كرده اند.
[پنجشنبه 1399-10-11] [ 04:46:00 ق.ظ ]
|
پاسخ دهید