پيش‌بيني قابليت برش سنگ هاي ساختماني با استفاده از روش تحليل سلسه مراتبي فازي

Prediction of the Sawability of Stone Using Fuzzy Analytical Hierarchy Process

در اين تحقيق سعي شده است تا با توجه به پارامترهاي مهم و موثر در فرايند برش سنگ، يك سيستم طبقه‌بندي جامع براي ارزيابي قابليت برش سنگ ها ارايه شود. در سيستم طبقه‌بندي جديد 4 مشخصه مهم از سنگ شامل مقاومت فشاري تك‌محوري، سختي موهس، فاكتور سايندگي شيميازك و مدول الاستيسيته براي ارزيابي فابليت برش سنگ انتخاب شدند كه در مجموع به سنگ‌ها امتيازي از 10 تا 100 اختصاص داده و قابليت برش سنگ‌ها را در دو گروه سخت و نرم به پنج كلاس خيلي خوب، خوب، متوسط، ضعيف و خيلي ضعيف طبقه‌بندي مي‌كند. شاخص به‌دست آمده از سيستم طبقه‌بندي جديد مي تواند به‌عنوان شاخصي مهم و كاربردي براي ارزيابي قابليت برش سنگ-هاي ساختماني استفاده شود. در مقاله حاضر، ارتباط ميان شدت جريان مصرفي و شاخص قابليت برش و پارامترهاي ماشين كاري با استفاده از برازش چند متغيره بررسي شد. بدين منظور دوازده نوع سنگ ساختماني در آزمايشگاه با دستگاه برش تحت شرايط مختلف ماشين‌كاري (عمق هاي مختلف برش و نرخ‌هاي مختلف پيشروي)‌ آزمايش شدند. نتايج حاصل از بررسي هاي آزمايشگاهي به‌عنوان ورودي نرم افزار آماري SPSS در نظر گرفته شدند و در نهايت مدل هاي پيش‌بيني شدت جريان مصرفي با توجه به پارامترهاي ماشين‌كاري و شاخص قابليت برش ارايه شدند. با استفاده از اين مدل ها در كارخانجات فراوري مي توان به ديدگاه نسبتاً خوبي از نظر نرخ مصرف انرژي براي برش سنگ هاي ساختماني دست پيدا كرد.

In this research, it is attempted to develop a new classification system for evaluating the rock sawability with respect to effective major parameters. In this new classification system, four major characteristics of rock are selected for evaluating the rock sawability. In general, each rock takes a new score from 10 to 100 and classified into five classes: very poor, poor, fair, good and very good by new classification system. The new calculated rock sawability index (RSi) can be used as a useful index for evaluating the rock sawability. In the present paper, the relationship between ampere consumption, RSi and machine parameters are investigated by multiple regression. For this purpose, 12 stones are tested by new sawing machine under different machining conditions (different depth of cut and feed rate). The results of this step are used as input data in SPSS software. Finally, two predicted models are presented with respect to machining parameters and RSi. These new models in stone factories can give a good viewpoint of energy consumption.