google-site-verification: google03b253fc81c67925.html
نشریه علمی-پژوهشی مکانیک سنگ

نشریه علمی-پژوهشی مکانیک سنگ

پیش‌بینی عملکرد چکش‌های ضربه‌ای هیدرولیکی با استفاده از شبکه عصبی مصنوعی و تحلیل عمق نفوذ با بهینه‌سازی ازدحام ذرات، مطالعه موردی: معدن زغال‌سنگ کوچکعلی شمالی، طبس

نوع مقاله : مقاله پژوهشی

نویسندگان
1 گروه معدن و زمین‌شناسی، دانشگاه آزاد اسلامی واحد قائم‌شهر، قائم‌شهر، ایران
2 گروه مهندسی نفت، معدن و مواد، واحد تهران‌مرکزی، دانشگاه آزاد اسلامی، تهران، ایران
چکیده
پیش‌بینی نرخ شکست چکش‌های ضربه‌ای برای برنامه‌ریزی حفاری در معادن زغال‌سنگ اهمیت دارد. در این پژوهش با 30 نمونه‌ی سنگ معدن کوچکعلی شمالی طبس (5 سنگ‌شناسی)، مقاومت فشاری تک‌محوره (UCS) و عمق نفوذ مته ورودی و نرخ شکست آنی (IBR) خروجی بود؛ IBR و عمق نفوذ با روابط نیمه‌تجربی و تحلیلی از UCS برآورد شده‌اند. یک شبکه‌ی عصبی مصنوعی 2-1-1 (ANN) با اعتبارسنجی 5-fold تکراری ارزیابی شد (R² = 0.901 ± 0.011؛ RMSE = 0.749 ± 0.042 m³/h)، ولی رگرسیون خطی (R² = 0.924) و درجه‌دو (R² = 0.955) دقیق‌تر بودند؛ بنابراین ANN برتری پیش‌بینی نشان نداد و در اینجا به‌عنوان مدلی غیرخطی برای تحلیل و بهینه‌سازی به‌کار رفت. سپس الگوریتم ازدحام ذرات (PSO) عمق نفوذ را، با UCS ثابت و سقف انرژی ضربه، روی خروجی مدل جست‌وجو کرد. در سقف 4000 J (با فرض ثابت‌ماندن فرکانس ضربه)، میانگین IBR پیش‌بینی‌شده 9.28 m³/h بود (افزایش پیش‌بینی‌شده‌ی میانگین 35% نسبت به پیش‌بینی مدل در عمق فعلی؛ 11% تا 52% برای سقف‌های 2500 تا 6000 J). این نتایج خروجی مدل‌اند، به‌دلیل همبستگی شدید دو ورودی (r = −0.93) اثر مستقل آن‌ها قابل تفکیک نیست و به اعتبارسنجی میدانی نیاز دارند.
کلیدواژه‌ها
موضوعات

[1]          ع. مجتهدزاده, ا. فرامرزی نژاد,  ا. محمدی. (1403). بررسی کاربرد و مدیریت ماشین آلات سنگین در پروژه های عمرانی. بیست و چهارمین کنفرانس ملی مهندسی عمران، معماری و شهرسازی,
[2]          Y. Zhao, A. Noorbakhsh, M. Koopialipoor, A. Azizi, and M. Tahir. (2020). A new methodology for optimization and prediction of rate of penetration during drilling operations. Engineering with Computers, 36(2), 587–595.
[3]          J. Kennedy and R. Eberhart. (1995). Particle swarm optimization. Proceedings of ICNN'95-international conference on neural networks, 4(1), 1942–1948.
[4]          S. Kahraman. (1999). Rotary and percussive drilling prediction using regression analysis. International journal of rock mechanics and mining sciences, 36(7), 981–989.
[5]          M. Iphar. (2012). ANN and ANFIS performance prediction models for hydraulic impact hammers. Tunnelling and Underground Space Technology, 27(1), 23–29.
[6]          S. Hojjati, D. Tumac, and S. Jeon. (2021). Accurate performance prediction model for impact hammer developed using customized evolutionary algorithm. Tunnelling and Underground Space Technology, 109(1), 103773.
[7]          J. Li et al. (2024). Theoretical and numerical analysis of the rock breaking process by impact hammer. Powder Technology, 448(1), 120254.
[8]          C. Zhang, Y. Zhao, K. Gao, Z. Liu, J. Qin, and X. Lv. (2025). Numerical simulation and experimental study on rock fragmentation and crack propagation characteristics with hole enlargement under impact load. Rock Mechanics and Rock Engineering, 58(3), 3015–3037.
[9]          M. Ismael, K. Abdelghafar, M. Sholqamy, and M. Elkarmoty. (2021). Performance prediction of hydraulic breakers in excavation of a rock mass. Rudarsko-geološko-naftni zbornik, 36(4), 69–80.
[10]        I. Ocak, S. E. Seker, and J. Rostami. (2018). Performance prediction of impact hammer using ensemble machine learning techniques. Tunnelling and underground space technology, 80(1), 269–276.
[11]        C. Aksoy. (2014). Proposed chart for the selection of impact hammer. International Journal of Rock Mechanics and Mining Sciences, 68(1), 120–127.
[12]        شرکت توسعه معادن فلات زرین کیمیا طبس. (1395). طرح اکتشاف معدن کوچکعلی طبس.
[13]        شرکت توسعه معادن فلات زرین کیمیا طبس. (1401). طرح بهره برداری معدن کوچکعلی طبس.
[14]        شرکت توسعه معادن فلات زرین کیمیا طبس. (1404). معدن کوچکعلی طبس.
[15]        ا. جعفری and ع. رهبرفرش بر. (1380). کاربرد چکش های هیدرولیکی در حفاری تونل وبررسی پارامترهای مؤثر بر انتخاب آن. پنجمین کنفرانس تونل ایران,
[16]        آ. م. م. روانشادنیا.(1392) مدیریت ماشین‌آلات عمرانی برای مهندسان و مدیران پروژه (no. 1100). سیمای دانش، آذر, 1392, p. 362.
[17]        E. Ebrahimi, M. Monjezi, M. R. Khalesi, and D. J. Armaghani. (2016). Prediction and optimization of back-break and rock fragmentation using an artificial neural network and a bee colony algorithm. Bulletin of Engineering Geology and the Environment, 75(1), 27–36.
[18]        B. Vergara, M. Torres, V. Aramburu, and C. Raymundo. (2021). Predictive model of rock fragmentation using the neuro-fuzzy inference system (ANFIS) and Particle swarm optimization (PSO) to estimate fragmentation size in open pit mining. International Conference on Applied Human Factors and Ergonomics, 124–131.