ارائه بهترين مدل پيش بيني سرعت دستگاه شيرر لودر بر اساس پارامترهاي غير قابل تغيير در معدن ذغالسنگ مكانيزه طبس، با استفاده از روشهاي تحليل آماري

Presenting the best statistical model to predict speed of the shearer machine acording to the resistance and gasification of coa Parvadeh One Tabas Coal Mine l

براي بالا بردن ميزان توليد در كارگاه­هاي استخراج معدن­كاري زغال­سنگ، در كنار ساير تجهيزات مورد استفاده، به كار بردن ماشين­هاي زغال­كني (شيرر) بسيار مفيد مي­باشد. پيش­بيني سرعت شيرر و تعيين پارامترهاي مؤثر در آن در تخمين هزينه­ها نقش مهمي دارد. شناخت كامل خصوصيات مقاومتي و گازخيزي زغال­­سنگ بعنوان پارامترهاي غير قابل تغيير و ارزيابي توانايي اجرايي دستگاه­هاي شيرر لودر باعث افزايش سرعت شيرر و توليد زغال­سنگ مي­گردد. بنابراين براي دستيابي به يك راندمان توليد بالا در استخراج لايه­ هاي زغال­سنگ، پيش­بيني سرعت شيرر و تعيين پارامترهاي مؤثر در آن امري مهم و ضروري است. در اين مقاله پيش­بيني سرعت شيرر با توجه به خواص مقاومتي و گازخيزي زغال­سنگ، با كمك تحليل­هاي آماري بررسي شده است. براي اين منظور تعداد 1260 نوع برش زغال­سنگ توسط دستگاه زغال­كني (شيرر)، در كارگاه استخراج E3 معدن شماره يك پروده طبس پرداخته شد. در مرحله اول پس از برداشت و ثبت سرعت شيرر هر برش، اطلاعات مروط به گازخيزي در سه نقطه از طول كلي كارگاه انجام شد. اين سه نقطه شامل گازهاي متان منتشر شده بر حسب درصد بروي سنسور شماره 88 و سنسور ورودي تلگيت (TG) و سنسور تعبيه شده بروي دستگاه ناو زنجيري (AFC)، مي­باشد. سپس با استفاده از خواص مقاومتي شامل سختي زغال­سنگ و همچنين سيستم گاززدايي متان به بررسي پيش­بيني سرعت شيرر پرداخته شد. با استفاده از مطالعات آماري، پيش­بيني سرعت شيرر با مدلهاي مختلف آماري بررسي شد. براي توسعه مدل­هاي پيش­بيني شده، از 70 درصد داده­ها (882 داده) به عنوان داده­هاي آموزش و از 30 درصد داده­ها ( 378 داده) به عنوان داده آزمون استفاده شده است. از بين سه مدل رگرسيون انجام شده، نتايج نشان مي­دهد كه مدل رگرسيون چند متغيره خطي داراي پيش­بيني دقيق­تر نسبت به دو روش ديگر مي­باشد. بنابراين با استفاده از مدل رگرسيون چند متغيره خطي مي­توان مقدار سرعت شيرر را در معدن زغال­سنگ مكانيزه پروده طبس، با دقت خوبي پيش­بيني نمود.

In order to increase the production rate in coal mining extraction workshops, the use of coal mining machines (shearers) is very useful, along with other equipment used. Predicting the shearer speed and determining the effective parameters in it plays an important role in estimating costs. Full understanding of the resistance and gas-richness properties of coal and evaluation of the executive ability of shearer devices lead production designers to increase the speed of shearer and production. Therefore, to attain a high production efficiency in the extraction of coal layers, predicting the shearer speed and determining the effective parameters in it are important and necessary matters. In this paper, the prediction of shearer speed with regard to the resistance and gaseous properties of coal has been examined with the help of statistical analysis. For this purpose, 1260 types of coal cuts by coal machine (shearer), in the extraction workshop of E3 mine number one of Parvadeh Tabas were done. In the first stage, after collecting and recording the shearer speed of each cut, the information on gas-richness was done at three points of the total length of the workshop. These three points include the emitted methane gases as a percentage on sensor number 88 and the tail gate input sensor (TG) and the sensor installed on the Armored Face Conveyor (AFC) device. Then, using the resistance properties including coal hardness and also the gas system, the prediction of the shearer speed was investigated. Statistical studies were performed on the available data. Using statistical studies, Shearer speed was predicted with three models of linear multivariate regression, nonlinear multivariate regression (exponential) and nonlinear multivariate regression (logarithmic). To develop the predicted models, 70% of the data (882 data) were used as training data and 30% of the data (378 data) were used as test data. Of the three regression models performed, the results demonstrate that the linear multivariate regression model has a more accurate prediction than the other two methods. Thus, using the linear multivariate regression model, it is possible to predict the value of the shearer speed in the coal mine number one of Parvadeh Tabas with good accuracy.