close
تبلیغات در اینترنت
خرید دامنه
مقاله- معدنی- روشهای بهینه آتشکاری Your SEO optimized title
روش های آتشکاری بهینه در معادن
چهارشنبه 18 فروردين 1395 ساعت 0:1 | بازدید : 89 | نویسنده : مجید ظفری | ( نظرات )

روش های آتشکاری بهینه در معادن

 

چکیده

یکی از اساسی ترین مراحل استخراج در معادن روباز، عملیات چالزنی و آتشکاری است و از مهمترین ویژگی های یک عملیات چالزنی و آتش کاری موفق، مناسب بودن خردایش سنگ های حاصل میباشد که این فاکتور در کیفیت وهزینه عملیات دیگر معدنکاری همانند بارگیری، حمل و سنگ شکنی بسیار موثر است. تعیین پارامترهای موثر بر خردایش در عملیات آتش کاری هر معدنی از اهمیت بسزایی برخوردار می باشد. معمولا برای تعیین این پارامترها و طراحی الگوی حفاری و آتشکاری از روش های تجربی استفاده می شود که با توجه به تعدد پارامترهای موثر در عملیات آتش کاری و در نتیجه پیچیده بودن فرآیند، این روش ها از کارآیی لازم برخوردار نیستند. جهت رفع این مشکل،روش های نوینی نظیر شبکه های عصبی مصنوعی، را میتوان برای مدل سازی مورد استفاده قرار داد.
در این پژوهش با استفاده از روش شبکه عصبی مصنوعی، مدلی برای تعیین پارامترهای موثر بر خردایش درعملیات آتشکاری معدن سنگ آهن چادرملو ارائه گردیده است. ابتدا پارامترهای ورودی مدل به شرح قطر چال، طول گل گذاری، نسبت مجموع طول ستون آب به مجموع طول ستون خرج در چال های بلوک (بدلیل آبدار بودن برخی چال ها و استفاده از آنفو در داخل پلاستیک از این پارامتر برای تعیین میزان تاثیر رطوبت بر روی قدرت آنفو استفاده شده است)، نسبت مجموع زمان های تاخیر به تعداد ردیف های بلوک، خرج ویژه ،قابلیت انفجار پذیری سنگ، نسبت بارسنگ به فاصله ردیفی چال ها تعیین شده و برای هر بلوک محاسبه گردید. پارامتر متوسط سایز سنگ های خرد شده توسط روش آنالیز تصویری (عکسبرداری از دپو حاصل از آتش کاری) و به کمک نرم افزار Split-Desktop برای تمام بلوک ها محاسبه شد. پس از مقایسه انواع شبکه ها، شبک های از نوع GRNN متشکل از سه لایه، شامل لایه ورودی۷نرون، لایه پنهان ۱۸ نرون و لایه خروجی یک نرون به عنوان شبکه بهینه در نظر گرفته شد.
پس از اعتبارسنجی مدل و انجام آنالیز حساسیت، مشخص گردید که شدت تاثیر پارامترهای تعیین شده بر روی خردایش حاصل از عملیات انفجار به ترتیب از بیشترین تا کمترین، شاخص قابلیت انفجار پذیری، زمان تاخیر ،قطر چال، نسبت بارسنگ به فاصله ردیفی چال ها، میزان آب، طول گل گذاری و خرج ویژه می باشند.

۱-۱مقدمه

یکی از مهمترین عوامل تاثیرگذار بر چرخه عملیات معدنکاری، طراحی الگوی آتش باری است.الگوی مناسب آتشباری الگوئی است که با کمترین هزینه، خردایش مورد نظر را فراهم نماید. خردایش مطلوب موجب سهولت انجام مراحل بعدی معدنکاری (بارگیری، باربری و سنگ شکنی) و در نتیجه کاهش هزینه های مربوطه می شود.مهمترین پارامترهای موثر بر خردایش عبارتند از: خرج ویژه (SC)، نسبت بردن به فاصله ردیفی چال ها (B/F)، قطر چال (D) ،طول گل گذاری (St)، زمان تاخیر بین ردیف ها (D) و شرایط توده سنگ شامل وضعیت درزه ها ،گسل ها، ناپیوستگی ها و … می باشد که بسته به وضعیت توده سنگ هر کدام از عوامل فوق می تواند موثرترین پارامترمحسوب گردد. از طرفی تعدد پارامترهای موثر، نیازبه تعیین درجه تاثیر هر پارامتر و پیچیدگی فرآیند طراحی الگوی انفجار موجب شده که متدهایی نظیر شبکه های عصبی مصنوعی جایگزین روش های تجربی شوند.
شبکه عصبی مصنوعی از جمله روش های بهینه سازی است که بر مبنای سیستم عصبی موجودات زنده ابداع شده است. این تکنیک کاربرد وسیعی در علوم مرتبط با مهندسی معدن مانند تعیین خصوصیات مکانیکی سنگی، طراحی الگوی آتش باری، طراحی شیب درمعادن روباز، پیش بینی لرزش زمین ناشی از انفجار،تعیین خرج ویژه، پیشبینی مقاومت فشاری تک محوری، آنالیز نتایج آزمایش بار نقطه ای، انتخاب سیستم نگهداری بهینه در تونل، بررسی پایداری شیب دمپ باطله، و ارزیابی تأثیر پارامترهای طراحی الگوی انفجار بر عقب زدگی و… دارد.
لذا میتوان از این تکنیک به منظور تعیین پارامترهای موثر بر خردایش و طراحی الگوی حفاری وآتشباری متناسب با خصوصیات توده سنگ و تشخیص طرح بهینه کمک گرفت.ساختار کلی شبکه های عصبی مصنوعی از شبکه بیولوژیک انسان الهام گرفته است. شبکه های عصبی مصنوعی با پردازش داده های تجربی، دانش یا قانون نهفته رابطه بین داده ها ورودی و خروجی را به ساختار شبکه منتقل میکند. یک شبکه عصبی شامل واحدهای ساختمانی به نام سلول عصبی است و این قابلیت را دارد که با بکار بردن یک دسته داده ورودی بتواند یک دسته داده خروجی دلخواه را تولید نماید. سلول های عصبی موجود در شبکه بسته به نوع عملکردشان در لایه های خاصی قرار می گیرند. هر شبکه عصبی حداقل دارای سه لایه ورودی، میانی یا پنهان و خروجی است. لایه ورودی محل ورود اطلاعات مورد نظرشبکه است. انتخاب نوع و تعداد ورودی های شبکه درکیفیت عملکرد شبکه تاثیر زیادی دارد. لایه های پنهان نقش سازماندهی عملکرد یک شبکه عصبی را دارند.
تعداد لایه های پنهان و سلول های عصبی موجود دراین لایه ها نیز تاثیر بسزایی در عملکرد شبکه دارد.در حالت کلی تعداد سلول های عصبی موجود درلایه پنهان به ساختار شبکه، تعداد ورودی ها، تعداد خروجی ها، تعداد دسته داده های آموزشی، میزان خطای داده ها، پیچیدگی توابع و الگوریتم آموزش بستگی دارد. لایه خروجی آخرین لایه هر شبکه است که نتیجه عملکرد شبکه عصبی و پارامترهای مورد نظررا ارائه می دهد .شبکه های عصبی از الگوریتم های مختلفی جهت یادگیری استفاده می نمایند ولی صرف نظر از روش استفاده شده، یادگیری به طور کلی یک عملیات تکراری است که طی آن مجموعه ای از مثال های آموزشی را به شبکه نشان دهیم تا کاملاً آموزش داده شود. پس انتشار متداول ترین الگوریتم یادگیری در شبکه های عصبی چند لایه با تغذیه پیشرو می باشد که توسط Rumel hurt ابداع گردید. این روش به طریقه کاهش شیب، وزن های اتصال را تغییر داده و تابع خطا را مینیمم می کند.

۱-۲-روش تحقیق

در این تحقیق شبکه ای از نوع GRNN بعنوان مناسب ترین شبکه انتخاب گردید. شبکه های GRNN که در ساختار آنها از توابع پایه شعاعی بکار گرفته شده، زیر مجموعه شبکه های RBF بوده و دارای سه لایه شامل لایه ورودی، لایه پایه شعاعی و لایه خطی می باشند (شکل۱).

در شبکه های GRNN تعداد نرون ها در لایه های ورودی و خروجی وابسته به شرایط مسئله است در حالی که تعداد نرون های لایه دوم برابر تعداد داده های آموزش می باشد. در این روش بر خلاف روش هایی نظیر BPNN و HNN ، وزن های لایه های پایه شعاعی و خطی توسط خود شبکه و بدون نیاز به در نظر گرفتن هرگونه پیش فرض، تعیین می گردند. این نوع شبکه ها از دو تابع محرک گوسین و خطی در ساختار خود استفاده می کنند (شکل های ۱و ۲).
در این جا میزان تاثیر هر یک از پارامترهای طراحی الگوی آتش باری بر خردایش سنگ با استفاده از روش شبکه عصبی مصنوعی در معدن چادرملو مشخص شده است.تعداد پارامتر های ورودی و خروجی به ترتیب هفت و یک در نظر گرفته شد (جدول۱)

۱-۳- بحث
کانسار چادرملو در ۱۸۰ کیلومتری شمال شرقی شهرستان یزد واقع شده و بزرگترین کانسار آهن اکتشاف شده در ایران می باشد. این کانسار دارای شکلی غیر یکنواخت بوده که در آن سختی سنگ معدنی زیاد و ساختار زمین شناسی بسیار تکتونیزه و پیچیده می باشد. همچنین وجود آب درچند سال اخیر بر مشکلات فوق افزوده و پیچیدگی کار بیشترشده است. به منظور بهینه سازی الگوی آتشباری دراین معدن ۱۸۰ بلوک انفجاری مورد مطالعه قرار گرفت و داده هایی نظیر طول بارسنگ، فاصله ردیفی چال ها،طول گل گذاری مربوط به این بلوک ها ثبت گردید.

 

 یکی از مهمترین قابلیت های مدل شبکه عصبی،عدم محدودیت در تعداد پارامترهای ورودی است. برای طراحی الگوی آتشباری پارامتر قابلیت انفجار پذیری سنگ برای هر بلوک انفجاری از طریق رابطه Lilly به دست می آید.

Atashkar optimization methods in mining (05)

که در این رابطه:
BI : قابلیت انفجار پذیری سنگ
RMD : توصیف توده سنگ
RDI : اندیس چگالی سنگ
Xi : متوسط سایز بلوک های برجا (m)
HF : فاکتور سختی سنگ که مقدار آن بین ۱ تا ۱۰می باشد.
JFS : فاکتور فاصله داری درزه ها که مقدار آن بین ۱۰تا ۵۰ می باشد.
JFO : فاکتور جهت داری درزه ها که با توجه به شیب و اختالف جهت داری درزه با امتداد لبه پله مقداری بین ۱۰ تا ۴۰ دارد.
SG : چگالی سنگ (kg/ton)
همچنین پارامتر متوسط سایز سنگ های خرد شده (خروجی)، توسط روش آنالیز تصویری (عکسبرداری) و به کمک نرم افزار Split-Desktop برای تمام بلوک ها تعیین گردید. در این نرم افزار ابتدا مرز دانه های خرد شده در تصاویرتهیه شده از سطح بلوک انفجاری، تعیین میگردد و بدین طریق میتوان نمودار دانه بندی خردایش سنگ را بدست آورد. روند کلی کار این نرم افزار در شکل (۴) برای یک نمونه عکس گرفته شده از سطح بلوک خرد شده به شماره۱۰۲۶ واقع در افق ۱۴۲۰ معدن، آورده شده است.

در نهایت داده های بلوک ها پس از جمع آوری ودسته بندی، وارد شبکه عصبی گردید تا شبکه براساس آنها آموزش یابد.

۴- ساختار شبکه

به منظور تعیین ساختار شبکه بهینه، انواع شبکه ها با تعداد نرون های مختلف در لایه دوم مورد آزمایش قرار گرفت. از میان این شبکه ها، شبکه ای با ۷ نرون در لایه ورودی، ۱۸ نرون در لایه میانی و ۱ نرون در لایه خروجی قادر به پیشبینی میزان خردایش پس ازانفجار با بیشترین دقت می باشد. نمونه ای از ساختارگرافیکی این نوع شبکه در شکل ۵ نمایش داده شده است.

۵- اعتبارسنجی مدل و آنالیز حساسیت

برای بررسی کارآیی شبکه های با معماری متفاوت و مقایسه آنها با هم و قضاوت در انتخاب بهترین شبکه نیاز به معیاری است که بر اساس آنها بتوان کارآیی شبکه را مورد بررسی قرار داد. به این منظور از مقادیر خطاها نظیر خطای مطلق، درصد خطای مطلق و شاخص جذر متوسط مربعات خطا استفاده می شود.خطای مطلق (Ea) نشان دهنده مقدار خطا در کل مجموعه مورد نظر است هر چه مقدار این خطا کمتر باشد، نشان از تفاوت کمتر بین داده های تخمین زده شده توسط مدل و داده های واقعی می باشد.

Atashkar optimization methods in mining (08)

MB = میانگین مقادیر خردایش اندازه گیری شده
PB = میانگین مقادیر خردایش تخمین زده شده
درصد خطای مطلق (Er) بیان کننده درصد خطا درکل مجموعه مورد نظر است.

Atashkar optimization methods in mining (09)

 شاخص جذر متوسط مربعات خطا (RMSE) نشان دهنده متوسط خطای بین نتایج بدست آمده از آنالیزها و خروجی مدل ها می باشد، با این تفاوت که تمرکز بیشتری بر روی خطاهای بزرگتر دارد.

 Atashkar optimization methods in mining (10)

که در این رابطه Qi و Ti به ترتیب مقدار واقعی و مقدار تخمین زده شده اندازه گیری شده است و N نیز تعداد زوج داده های موجود می باشد. هرگاه مقدار خطای مقادیر واقعی و تخمین زده شده از خطای شبکه کمتر باشد نشان از مناسب بودن معماری شبکه و مراحل آموزش آن دارد.به منظور آزمایش شبکه، از اطلاعات ۱۸ بلوک انفجاری که در آموزش شبکه مورد استفاده قرار نگرفته بودند، استفاده گردید (جدول ۳ ) همان طوری که مشاهده می شود، اعداد پیش بینی شده توسط شبکه بسیارنزدیک به اعداد واقعی می باشد (شکل ۶)

Atashkar optimization methods in mining (11)Atashkar optimization methods in mining (12)عیین میزان حساسیت پارامترهای خروجی نسبت به پارامترهای ورودی از اهمیت بسزایی برخوردار می باشد.بدین منظور هر بار با حذف یکی از پارامترهای ورودی،مدل اجرا شده و مقدار خطا ثبت می گردد. اختلاف چشمگیر بین مقادیر تخمین زده شده و مقادیر واقعی،نشان ازتأثیر بیشتر پارامتر حذف شده بر نتایج حاصله (خروجی شبکه) دارد. نتایج حاصل از آنالیز فوق درشکل (۷) نمایش داده شده است.
همان طوری که در این شکل مشاهده میشود پارامترهای قابلیت انفجار پذیری سنگ (BI)، زمان تأخیر و قطر چال ها بیشترین تأثیر و پارامترهای خرج ویژه (SC) و طول گل گذاری (St) کمترین تأثیر را روی خردایش دارند.

۶- نتیجه گیری:
با استفاده از تکنیک شبکه های عصبی میتوان میزان تأثیر پارامترهای مؤثر بر خردایش سنگ ها را تعیین نمود. پس از طراحی شبکه عصبی بهینه، خصوصیات توده سنگ و پارامترهای الگوی آتشباری به عنوان ورودی به شبکه وارد و بدین ترتیب میزان خردایش قبل از انفجار هر بلوک پیش بینی می شود. در صورت نامناسب بودن خردایش تخمینی میتوان با تغییر موثرترین پارامترهای آتشباری به دست آمده از نتایج شبکه عصبی نسبت به اصلاح الگوی طراحی شده، اقدام نمود.
– تکنیک شبکه عصبی برای بهینه سازی الگوی آتشباری کم هزینه، سریع و قابل اعتماد می باشد.
– بهترین شبکه با ۷ نرون در لایه اول، ۱۸ نرون در لایه دوم و۱ نرون در لایه سوم برای پیش بینی متوسط سایزسنگ های خرد شده ناشی از انفجار، شبکه سه لایهGRNN می باشد.
– با توجه به آنالیز حساسیت انجام گرفته در این تحقیق، پارامترهای قابلیت انفجارپذیری سنگ، زمان تاخیر و قطر چال بیشترین تأثیر و پارامترهای نسبت بارسنگ به فاصله ردیفی چال ها (B/S)، طول گل گذاری(ST)، آب و خرج ویژه کمترین تاثیر را روی خردایش سنگ ها دارند.

 

 

برچسب‌ها: مقاله ,

|
امتیاز مطلب : 0
|
تعداد امتیازدهندگان : 0
|
مجموع امتیاز : 0


می توانید دیدگاه خود را بنویسید

نام
ایمیل (منتشر نمی‌شود) (لازم)
وبسایت
:) :( ;) :D ;)) :X :? :P :* =(( :O @};- :B /:) :S
نظر خصوصی
مشخصات شما ذخیره شود ؟ [حذف مشخصات] [شکلک ها]
کد امنیتیرفرش کد امنیتی

 
تبلیغات
[-Text1-]
منوی کاربری


عضو شوید


نام کاربری :
رمز عبور :

:: فراموشی رمز عبور؟

عضویت سریع

نام کاربری :
رمز عبور :
تکرار رمز :
ایمیل :
نام اصلی :
کد امنیتی : * کد امنیتیبارگزاری مجدد
آرشیو مطالب
تبادل لینک هوشمند
تبادل لینک هوشمند : برای تبادل لینک ابتدا مارا با عنوان دنیای مقالات و نرم افزارها وآدرس http://worldofdanesh.rozblog.com لینک نمایید سپس مشخصات لینک خود را در زیر نوشته . در صورت وجود لینک ما در سایت شما لینکتان به طور خودکار در سایت ما قرار میگیرد.

عنوان :
آدرس :
کد : کد امنیتیبارگزاری مجدد
آمار وب سایت

آمار مطالب

:: کل مطالب : 59
:: کل نظرات : 4

آمار کاربران

:: افراد آنلاین : 1
:: تعداد اعضا : 23

کاربران آنلاین


آمار بازدید

:: بازدید امروز : 11
:: باردید دیروز : 21
:: بازدید هفته : 32
:: بازدید ماه : 411
:: بازدید سال : 2,050
:: بازدید کلی : 11,532