تخمين نرخ توليد ماشين حفاري بر اساس خواص سنگ و پارامترهاي دستگاهي با پيش بيني سرعت نفوذ سرمته

Estimation of Drilling Machine Production Rate Based on Properties of Rock and System Parameters by Prediction of Bit Penetration Speed

حفر تعداد مشخصي چال انفجاري در هر ساعت، نقش تعيين كننده اي در نرخ توليد ماشين حفاري دارد،. بنابراين باتوجه به قيمت دستگاه حفاري و بالا بودن هزينه هاي عملياتي آنها، استفاده مفيد از زمان در دسترس بودن دستگاه براي حفر حداكثر چال هاي انفجاري ممكن، از اهميت زيادي برخوردار است. سرعت حفر چال انفجاري تحت تاثير عوامل مختلفي از جمله خواص سنگ و ويژگيهاي دستگاه حفاري است. بنابراين با شناخت و تعيين ميزان اثرگذاري عوامل موثر بر سرعت نفوذ سرمته، علاوهبر افزايش راندمان ماشين مي توان هزينه حفاري را نيز كاهش داد. در اين تحقيق براي پيش بيني نرخ نفوذ سرمته ابتدا در معدن مورد مطالعه شاخصهاي مورد نظر مربوط به 91 چال از 28 بلوك انفجاري در 9 پله استخراجي مختلف برداشت شد. سپس با استفاده از روش ميدان كسينوسي، ميزان حساسيت تغييرات تكتك شاخصهاي ورودي بر سرعت نفوذ سرمته مورد ارزيابي قرار گرفت. در نهايت با كمك آناليز رگرسيون غيرخطي، شبكه عصبي مصنوعي و منطق استنتاج فازي مدل هايي براي پيش بيني نرخ نفوذ سرمته ايجاد شد. اعتبارسنجي مدل ها با استفاده از 12 سري داده آزمايشي نشان داد كه مدل شبكه عصبي با ضريب تعيين 0/68 و ميانگين مطلق درصد خطا 12/15 نسبت به مدل غيرخطي چند جمله اي درجه دوم، با دقت جزيي بيشتري مي تواند سرعت نفوذ سرمته را پيش بيني كند. در ادامه با استفاده از مدل چند جمله اي درجه دوم، درصد بازدهي عملياتي، قابليت دسترسي و نرخ توليد ماشين حفاري براي يك روز كاري در سنگ ها با مقاومت كم، متوسط و زياد تخمين زده شد.

Drilling a certain number of blast holes per hour plays an important role in reaching the required annual mine production. Since, the proper use of the availability time of machine to drill the maximum number of blast holes is crucial. The drilling rate of blast holes is affected by various factors such as rock properties and system parameters. Thus, recognizing the effectiveness of these factors on the penetration rate of bit (PR), not only machine production can be increased but also drilling and blasting costs can be reduced in the mine. In this study to predict the PR in the selected mine, firstly, parameters of 91 holes related to 28 blasting block and in 9 various extracting benches were collected. Secondly, the sensitivity rate related to each of the independent parameters on the PR was studied using Cosine Amplitude Method (CAM). Finally, three models including non-linear multivariate regression (NLMR), artificial neural network (ANN), and fuzzy logic were produced to predict the PR. These models were validated using 12 series of data tests. It was shown that with a coefficient of determination of 0.68 and mean absolute percentage error (MAPE) of 12.15, the ANN model could predict the PR with a slightly higher precision compared to NLMR.