بررسی وضعیت ماشین آلات حفاری حال حاضر معدن چادرملو و تعیین تعداد ماشین آلات حفاری لازم جهت طرح توسعه معدن

کلمات کلیدی :

انتخاب چالزن . راندمان چالزن . مدلسازی . سرعت حفاری . رگرسیون چند متغیره . شبکه عصبی مصنوعی . چادرملو . طرح توسعه

نخستین همایش علمی تخصصی حفاری در معادن

برای دانلود به ادامه مطلب بروید

پیش بینی خردایش سنگ حاصل از آتشباری با استفاده از شبکه عصبی مصنوعی مطالعه موردی معدن باغک سنگان خواف

چکیده
یکی از مهمترین اهداف عملیات آتشباری در معادن سطحی، خردایش بهینه سنگ است. به دلیل وجود خصوصیات متفاوتدر جبههکارهای مختلف معدن سنگآهن در هر جبههکار از الگوهای متفاوت چالزنی استفاده میشود. از این رو پیشبینیمیزان خردشدگی حاصل از انفجار، کمک شایانی در طراحی و اجرای الگوی انفجار خواهدکرد. در مقاله حاضر به وسیله یکیاز روشهای هوشمند، به نام شبکههای عصبی مصنوعی، خردایش حاصل از انفجار در معدن باغک از معادن سنگآهنسنگان خواف پیشبینی شدهاست. برای تشکیل شبکه عصبیمصنوعی از میان شبکههای مختلف ساخته شده، یک شبکه بابا یک لایه ورودی با 8پارامتر، یک لایه پنهان با 11 نرون و ، Levenberg-Marquardt backpropagation الگوریتم آموزشیک لایه خروجی با یک پارامتر خروجی به عنوان شبکه مطلوب انتخاب شد. پارامترهای ورودی شبکه بارسنگ، فاصلهردیفی چالها، ارتفاع پله، خرج ویژه، گلگذاری، چگالی، قطرچال، مقاومت تراکمی تک محوره سنگ میباشند و متوسطابعاد سنگ حاصل از خردایش به عنوان پارامتر خروجی درنظر گرفته شد. 01 سری داده که از معدن باغک سنگان خوافتهیه شده است ) 43 سری آن برای آموزش و 11 سری آن برای آزمایش و اعتبار سنجی( استفاده میشود. در نهایتمیانگین مربعات خطا و ضریب همبستگی برای شبکه منتخب، برای دادههای آموزش، آزمون و کل دادهها به ترتیب برابر1/99 ، 1/90 ، 1/ 31 و 91 ، 8/3 ، 9/4 بدست آمد.

واژه های کلیدی:

شبکه عصبی مصنوعی . پس انتشارخطا . خردایش سنگ . معدن سنگان

سومین کنفرانس معادن روباز ایران (1394)

برای دانلود به ادامه مطلب بروید

پیش بینی عقب زدگی ناشی از انفجار در معدن مس سونگون به روش عصبی فازی

چکيده
عقب زدگی يکی از عوارض نامطلوب در انفجارهای معدن مس سونگون میباشد. قدم اول برای کنترل اين پديده ناخواستهشناخت پارامترهای موثر بر آن و ساخت مدلی برای پيش بينی آن به وسيله پارامترهای موثر است. برای پيشبينیعقب زدگی معدن سونگون از روش عصبی فازی، - ANFIS به عنوان يکی از قدرتمندترين روشهای هوش مصنوعی استفادهشده است. همچنين جهت بررسی کارايی مدل نسبت به ساير روشها، مدلهای رگرسيون چند متغيره و شبکه عصبیمصنوعی نيز جهت مقايسه ساخته شدند. دادههای لازم جهت مدلسازی از بررسی 88 سايت انفجاری معدن سونگونبدست آمد. 9 پارامتر به عنوان ورودی مدلها و عقب زدگی به عنوان خروجی مدلهای مذکور تعيين شدند. نتايج حاصل بااستفاده از دادههای آزمون مورد ارزيابی قرار گرفت. ضريب همبستگی و جذر مجموع مربعات خطای حاصل از ارزيابی به1 و در نهايت مدل / 0 و 83 / 3 ، برای مدل شبکه عصبی مصنوعی برابر 88 / 0 و 12 / ترتيب برای مدل رگرسيون برابر 22ANFIS 1بدست آمد. تحليل حساسيت انجام شده روی پارامترهای ورودی مدل / 0 و 22 / برابر 93 ANFIS نشان دهنده اينبود که مقدار خرج ويژه، طول گل گذاری، عمق چال، مقدار بار سنگ و حفاری ويژه به ترتيب بيشترين تاثير را در پيشبينیمقدار عقبزدگی دارند.

واژه های کليدی:

روش عصبی فازی . شبکه عصبی مصنوعی . عقب زدگی . معدن مس سونگون . ANFIS    

سومین کنفرانس معادن روباز ایران (1394)

برای دانلود به ادامه مطلب بروید

پیش بینی لرزش زمین ناشی از عملیات آتشباري در معادن با استفاده از رگرسیون خطی چند متغیره،شبکه عصبی مصنوعی و ماشین بردار پشتیبان

چکیده
عملیات حفاري و آتشباري از جمله مهمترین فرآیندهاي استخراج معادن روباز هستند که گاهی اوقات توأم با پیامدهاي نامطلوببوده و باعث بوجود آمدن خطرات و مشکلاتی میشوند. از جمله پیامدهاي خطرناك و نامطلوب عملیات انفجار معادن روباز، پدیدهلرزش زمین است. کنترل لرزش زمین ناشی از انفجار یک موضوع تحقیقاتی مهم در مهندسی انفجار بوده است و توسط حداکثرسرعت ذرهاي اندازهگیري میشود. در این مطالعه 37 مورد از رویدادهاي لرزهاي انجام یافته در معدن مس سونگون اهر، مورد بررسیقرار گرفت. در این مقاله به بررسی اثر پارامترهاي لرزش زمین بر حداکثر سرعت ذرهاي با استفاده از رگرسیون خطی چند متغیره،شبکه عصبی مصنوعی و ماشین بردار پشتیبان پرداخته شده است. نتایج آماري مدل نشان میدهد که ارتباط بسیار خوبی بینبراي رگرسیون خطی چند متغیره، R2=0/ حداکثر سرعت ذرهاي مجموعه آموزش و متغیرهاي سازنده مدل با ضریب تعیین 800 براي ماشین بردار پشتیبان وجود دارد. همچنین مقدار مربع / 0/98 براي شبکه عصبی مصنوعی و همچنین ضریب تعیین 990 براي شبکه عصبی مصنوعی و / 0 براي رگرسیون خطی چند متغیره، 84 / ضریب همبستگی براي دادههاي مجموعه تست، برابر 750/99براي ماشین بردار پشتیبان بدست آمد که نمایانگر توانایی بالاي این روشهاي مدلسازي در پیشبینی نمونههاي خارج از آن است.

کلمات کلیدي:

انفجار . شبکه عصبی مصنوعی . لرزش زمین . ماشین بردار پشتیبان . معدن مس سونگون

سومین کنفرانس معادن روباز ایران (1394)

برای دانلود به ادامه مطلب بروید

بهینه سازی الگوی آتشباری به منظور کمینه کردن پرتاب سنگ و عقب زدگی با الگوریتم عصبی ژنتیک

کلمات کلیدی :

الگوی آتشباری . پرتاب سنگ . عقب زدگی . شبکه عصبی مصنوعی . الگوریتم ژنتیک

چهارمین همایش ملی معادن روباز (1396)

برای دانلود به ادامه مطلب بروید

ارزیابی عملکرد روش تاگوچی در تخمین خصوصیات رئولوژی ملات خود متراکم در مقایسه با شبکه عصبی مصنوعی

خلاصه
با افزایش مصرف بتن در پروژه هاي عمرانی و ساخت پروژه هاي بزرگ و پیچیده و در نتیجه تراکم بالاي آرماتور ها در اعضاي بتنی در بخشهاي مختلف پروژه مجبور به استفاده از ملات ها و بتن هاي خود متراکم به دلیل قابلیت پرکنندگی مناسب قالب ها هستیم. بنابر این نیاز به ساختمخلوط ها با کارایی بالا یک ضرورت محسوب می شود. لازمه حصول به ملات ها وبتن ها با کارایی بالا ، پیش بینی تاثیر عامل ها در مخلوط هامی باشد. ازین رو استفاده از روش هاي آماري و طراحی آزمایش ها نزیر روش تاگوچی حائز اهمیت است. در این تحقیق به پیشبینی نتایج آزمایشهاي کارایی با استفاده از روش تاگوچی می پردازیم ، همچنین باید توجه داشت که این ملات ها باید حداقل مقاومت فشاري مجاز را داشته باشند.) ، مقدار جایگزینی /38 ، 0/41 ، 0/ آزمایش هاي مشخص شده توسط روش تاگوچی شامل چهار عامل اصلی ، نسبت آب به سیمان (  % ) انجام گرفت. نتایج کارایی و /3 ، % 0/33 ، % 0/ 650 ) و مقدار فوق روان کننده ( 36 ،700 ، 0% ) ، عیار سیمان ( 750 ، %3 ، % میکروسیلیس ( 6مقاومت فشاري حاصل از آزمایش ها براي پیش بینی سایر آزمایش ها انجام نشده بکار گرفته شد. نتایج نشان داد که این روش در پیشبینی و بهینهکردن طرح هاي اختلاط و نتایج به ویژه دربخش مقاومت فشاري از دقت قابل قبولی برخوردار است. در آخر براي صحت سنجی پیش بینی ها چندین آزمایش به دلخواه انتخاب گردید و نتایج آزمایشگاهی با نتایج حاصل از روش تاگوچی مقایسه شد

کلمات کلیدی :

ملات خود متراکم . طراحی آزمایش تاگوچی . شبکه عصبی مصنوعی . کارایی . میکروسیلیس 

هفتمین كنفرانس مکانیک سنگ ایران (1396)

برای دانلود به ادامه مطلب بروید

قابلیت اطمینان تخمین ظرفیت باربری شمع از نتایج آزمایش PDA با استفاده از شبکه عصبی مصنوعی

چکیده
شیامزآPDAمهم زا یکی ، یبسانم رایسب نیمخت هب رداق شیامزآ نیا .تسا کینکتوئژ یسدنهم ياجرب ياهشیامزآ نیرت زا تیفرظعمش يربراب یعونصم یبصع هکبش عون هس زا قیقحتنیا رد .تسا1)ANN روظنم هب (نیمخت شیامزآPDA نورتپسرپ هیلا دنچ یبصع هکبش زا ادتبا رد .تسا هدش هدافتسا2هکبش نیرتدربراکرپ زا یکی ، .تسا هدش هدافتسا ،یبصعياههکبش زا یبیکرت ،يزافورن هکبش زا همادا ردیبصع ياه- ب يزافیعاعش يانبم عبات یبصع هکبش زا اهتنا رد و هدش هتفرگ هره ،3شبکه موفقی در مسائل غیر خطی استفاده شده است.هکبش ریاس دنچره .دراد يرتهب ییاراک نورتپسرپ هیلادنچ هکبش هدافتسا دروم یبصع هکبش فلتخم ياهلدم نیب ياههداد ناشن دوخ زا یلوبق لباق تیقفوم زین هدافتسادروما فلتخم ياهلدم تیاهن رد .دنشبکههاي عصبی با یکدیگر مقایسه شده و شبکهاي که بهترین عملکرد را داشته در هر دو مرحله مشخص شده است. مدلهايمبتنی بر شبکههاي عصبی، برخلاف مدلهاي رفتاري مرسوم توضیحی در مورد چگونگی اثر پارامترهاي ورودي بر خروجینمیدهند. در این تحقیق با انجام آنالیز حساسیت برروي ساختار بهینه مدلهاي معرفی شده در هر مرحله سعی شده است تاحدودي به این سوال پاسخ داده شود.همچنین استخراج و ارایه روابط حاکم بر یک مدل شبکه عصبی به کاربر اطمینانبیشتري در استفاده از چنین مدلهایی داده، در نتیجه کاربرد چنین مدلهایی را در کارهاي مهندسی تسهیل میکند.

کلمات کلیدي:

آزمایش پرسیومتري . پیشبینی و تفسیر . شبکه عصبی مصنوعی . چند لایه پرسپترون . نروفازي . تابع مبناي شعاعی . آنالیز حساسیت

هفتمین كنفرانس مکانیک سنگ ایران (1396)

برای دانلود به ادامه مطلب بروید

تخمین ظرفیت خمشی تیرهای بتن آرمه تقویت شده با ورق های FRP با استفاده از شبکه عصبی پرسپترون چند لایه و مقایسه با روابط آیین نامه ای

کلمات کلیدی :

ظرفیت خمشی . مصالح FRP . شبکه عصبی مصنوعی . نشریه 345 . ACI 440   

هفتمین كنفرانس مکانیک سنگ ایران (1396)

برای دانلود به ادامه مطلب بروید

تحلیل رفتار پی گسترده متکی بر شمع با استفاده از روش المان محدود و شبکه های عصبی مصنوعی

خلاصه
یکی از مسائل مهم در مهندسی ژئوتکنیک، نشست پی های گسترده متکی به شمع می باشد. در این پژوهش مدلی پایه شامل یک پی گستردهمتکی بر چهار شمع بر روی خاک دو لایه تعریف و با استفاده از نرم افزار پلکسیس تحلیل و بررسی شده است. سپس با تغییر پارامترهای موثر برمقدار نشست، اثر هر پارامتر به صورت جداگانه بررسی شده است. نتایج حاصل از این مدل ها ثبت شده و برای آموزش یک شبکه عصبیمصنوعی و نهایتا توسعه یک رابط کاربری گرافیکی استفاده شده است. نتایج نشان می دهد نوع خاک، تعداد و ابعاد شمع، ضخامت دال، مقدار بارو وضعیت قرارگیری دال روی خاک یا بالاتر از آن، مهمترین پارامترهای موثر در مقدار نشست پی های گسترده متکی بر شمع میباشند. همچنین در این پژوهش مشخص شد می توان با تقریبی بسیار خوب، از شبکه های عصبی مصنوعی در تخمین نشست استفاده نمود.

کلمات کلیدی:

فونداسیون . شمع . شبکه عصبی مصنوعی . پلکسیس

دومین کنفرانس ملی مکانیک خاک و مهندسی پی  (1394)

برای دانلود به ادامه مطلب بروید

بکارگیری شبکه عصبی مصنوعی در پیش بینی ظرفیت باربری شمع

خلاصه
طراحی شمع ها برای دستیابی به بهره وری مناسب به لحاظ مقاومتی و خدمت پذیری بهتر، نیازمند تعیین دقیق ظرفیت باربری آن می باشد. اگرچهتحقیقات گسترده ای در خصوص تعیین ظرفیت باربری شمع ها صورت گرفته است ولی به دلیل خواص فیزیکی و مکانیکی منحصربه فرد خاکمانند ناهمگونی، ناهمسانی، وجود آب، تنوع ترکیبات مختلف خاک در طبیعت و ...، یک روش کاملاً مطمئن برای ظرفیت باربری شمع تعیین نشدهاست؛ بنابراین، ادامه پژوهش در این زمینه از اهمیت قابل توجهی برخوردار است. ازاین رو، در این مطالعه با استفاده از مدل شبکه عصبی مصنوعی بهپیش ظرفیت باربری شمع پرداخته شده است. مجموعه داده جمع آوری شده در این تحقیق شامل شمعهای درجاریز میباشد که در ساخت مدلمورداستفاده قرارگرفته اند. نتایج ارائه شده در این مطالعه نشان می دهد که مدل شبکه عصبی پیشنهادی، از دقت و سطح عملکرد قابل قبولی در پیش- بینی ظرفیت باربری شمع برخوردار است.

کلمات کلیدی:

شمع . ظرفیت باربری . شبکه عصبی مصنوعی

دومین کنفرانس ملی مکانیک خاک و مهندسی پی  (1394)

برای دانلود به ادامه مطلب بروید