پیش بینی خردایش ناشی از انفجار در معدن آهک سیمان تهران با استفاده از شبکه های عصبی مصنوعی – معدن

مشخصات فایل

مقطع:کارشناسی ارشد
رشته تحصیلی:مهندسی معدن
نوع ارائه:پایان نامه
تعداد صفحات:84
قالب بندی:word ,pdf

نحوه خرید

پیش بینی خردایش ناشی از انفجار در معدن آهک سیمان تهران با استفاده از شبکه های عصبی مصنوعی – معدن

شما میتوانید تنها با یک کلید به راحتی فایل مورد نظر را دریافت کنید. 🙂

برای دسترسی به این فایل ابتدا باید اشتراک خریداری کنید. برای خرید اشتراک بر روی لینک زیر کلیک کنید.

ارتقاء عضویت

چکیده

فهرست مطالب
چکیده ………………………… ۱
مقدمه …………………………. ۲
فصل اول : کلیات
۱- ۱)هدف ………………………. ۴
۱- ۲)پیشینه تحقیق …………………….. ۴
۱-۳)روش کار وتحقیق ……………………. ۵
فصل دوم : عوامل موثر در آتشباری و پدیده های ناشی از آن
۲-مقدمه ………………………… ۷
۲- ۲ عوامل قابل کنترل آتشباری ………………… ۷
۲- ۲- ۱ قطر چال ……………………. ۸
۲- ۲- ۲ بار سنگ ……………………. ۹
۲- ۲- ۳ فاصله ردیفی چال ها ………………… ۱۰
۲- ۲- ۴ ارتفاع پله …………………….. ۱۱
۲- ۲- ۵ اضافه حفر چال ……………………. ۱۲
۲- ۲- ۶ گل گذاری …………………… ۱۳
۲- ۲- ۷ شیب چال …………………… ۱۵
۲ ۲- ۸ خرج ویژه …………………….. ۱۶
۲ ۳ مکانیزم خردشوندگی سنگها در اثر انفجار ……………….. ۱۶
۴عوامل موثر بر خردایش ………………….۱۷
۵روش های تعیین خردشدگی پس ازانفجار ……………..۱۸
۵- ۱روش آنالیز سرندی …………………….۱۸
۲- ۵- ۱-۱ مشکلات اجرایی روش سرندی ……………… ۱۹
۲- ۵- ۲ روش آنالیز تصویری …………………. ۱۹
۲- ۵- ۲-۱ مزایای سیستم آنالیز تصویری ………………. ۱۹
۲- ۵- ۲-۲ معایب سیستم آنالیز تصویری ………………. ۲۰
۲- ۵- ۳ مدل های تجربی پیش بینی خردایش ………………. ۲۰
۲- ۵- ۳-۱ رابطه کاز-رام …………………… ۲۰
۲۱…………………… JKMRC روابط ۲-۳-۵ -۲
۲۲……………………. TCM مدل ۱-۲-۳ -۵ -۲
۲-۵- ۳-۲-۲ مدل CZM ……………………. 23
فصل سوم : شبکه های عصبی مصنوعی
۳-۱ مقدمه ……………………….. ۲۶
۳- ۲ تاریخچه شبکه های عصبی مصنوعی …………….. ۲۷
۳- ۳ اساس بیولوژیکی شبکه های عصبی ………………. ۲۷
۳- ۴ قابلیت یادگیری شبکه های عصبی بیولوژیکی ……………. ۳۰
۳- ۴- ۱ انواع یادگیری ………………….. ۳۰
۳- ۴- ۱-۱ روش های وزن ثابت ………………… ۳۱
۳ ۴- ۱-۲ روشهای آموزش بدون نظارت ……………….. ۳۱
۳ ۴- ۱-۳ روشهای آموزش با نظارت …………………۳۲
۴-۱-۴ روشهای آموزش تقویتی ……………….۳۲
۵-اجزا و ساختمان واحد های مصنوعی ……………..۳۳
۶-مدل نرون تک ورودی …………………..۳۳
۳- ۷ انواع شبکه های عصبی مصنوعی ……………….. ۳۶
۳- ۷- ۱ شبکه های تک لایه ……………………. ۳۶
۳- ۷- ۲ شبکه های چند لایه …………………. ۳۷
۳- ۸ پرسپترون ……………………… ۳۸
۳- ۸- ۱ پرسپترون چند لایه …………………… ۴۱
۳- ۹ روش پس انتشار خطا ……………………. ۴۱
۳- ۱۰ شبکه های پایه شعاعی ……………………. ۴۲
۳- ۱۱ مزایای شبکه های عصبی مصنوعی ………………. ۴۳
۳-۱۲ برخی معایب شبکه های عصبی مصنوعی …………….. ۴۳
فصل چهارم : معرفی و مشخصات معدن سنگ آهک سیمان تهران
۴-۱ مقدمه ……………………….. ۴۶
۴- ۲ تاریخچه آهک و سیمان و سوابق استفاده از آنها ………….. ۴۶
۴- ۳ موقعیت جغرافیایی و وضعیت جوی مجتمع معادن آهک سیمان تهران …….. ۴۶
۴- ۴ مشخصات و زمین شناسی کانسار بی بی شهر بانو …………… ۴۸
۴- ۴- ۱ دوره دونین …………………… ۴۹
۴- ۴- ۲ دوره کربونیفر ……………………. ۴۹
۴ ۴- ۳ دوره پرمین …………………… ۴۹
۴۴- ۴ دوره تریاسیک …………………..۴۹
۵ظرفیت و عمر معدن ………………….۵۰
۶روش استخراج ……………………۵۰
۷مشخصات آتشباری معدن بی بی شهربانو ………………..۵۱
فصل پنجم : محاسبه شبکه عصبی بهینه جهت پیش بینی خردایش ناشی از عملیات آتشباری در معـدن سـنگآهک سیمان تهران
۵- ۱ مقدمه ………………………. ۵۴
۵- ۲ مدلسازی شبکه عصبی …………………. ۵۴
۵- ۲- ۱ جمع آوری داده های لازم جهت مدلسازی ……………… ۵۴
۵- ۲- ۲ آموزش شبکه و انتخاب قانون یادگیری ……………….. ۵۶
۵- ۲- ۳ ارزیابی شبکه…………………….. ۵۷
۵- ۲- ۳-۱ خطای مطلق …………………….. ۵۷
۵- ۲- ۳-۲ درصد خطای مطلق …………………… ۵۸
۵- ۲- ۳-۳ جذر متوسط مربعات خط …………………. ۵۸
۵- ۳ استفاده از روش آماری به منظور مقایسه با نتایج شبکه …………… ۵۸
۵- ۴ تعیین شبکه بهینه …………………… ۵۹
۵- ۵ آنالیز حساسیت …………………….. ۶۳
فصل ششم: نتیجه گیری …………………… ۸۴
منابع و مراجع ……………………….. ۶۸
فهرست منابع فارسی ……………………… ۶۸
فهرست منابع لاتین …………………… ۶۹
چکیده انگلیسی ……………………. ۷۰

چکیده:
یکی از مهمترین مراحل استخراج در معادن روباز عملیات آتشباری می باشد که سایر فعالیت های معدنی به نحوی در ارتباط مستقیم و یا غیر مستقیم با آن میباشند. هر چند هدف اولیه انفجار سنگ در معادن روباز دستیابی به خردایش مناسب و نهایتا تسهیل در بارگیری است اما باید از بروز پدیده های ناخواسته ای مانند پرتاب سنگ، لرزش زمین و غیره نیز جلوگیری به عمل آید. از آنجایی که این فرآیند، فعالیت های زیادی را تحت تاثیر قرار میدهد لذا بهینه سازی آن در کاهش هزینه های استخراج مؤثر می باشد. با توجه به اینکه عوامل متعددی در نتیجه عملیات آتشباری دخالت دارند، به منظور بهینه سازی آن و دستیابی به یک نتیجه مناسب از روشهای سعی و خطا و تجربی (روشهای سنتی) متعددی استفاده شده است که اغلب برای معادن الگوی مناسبی را ارائه نمی دهد. علت آن عدم لحاظ نمودن همزمان پارامترهای موثر در روابط پیشنهادی می باشد.
با توجه به مطلب فوق و نیز پیچیده بودن طراحی الگوی آتشباری به علت تاثیر عوامل متعدد بر آن، کاربرد
دستاوردهای نوین در این فن لازم و ضروری می باشد. یک روش مناسب جایگزین طراحیهای تجربی الگوهای آتشباری، استفاده از شبکه های عصبی مصنوعی۱آموزش دیده بر مبنای الگوهای طراحی و اجرا شده پیشین است. این روش یکی از پر کاربرد ترین موضوعات مطرح در زمینه طراحی سیستم های هوشمند با الهام از طبیعت می باشد که در علوم مختلف از جمله علوم مهندسی از جایگاه مناسبی برخوردار است.
در این تحقیق در ابتدا جهت تعیین کیفیت خردایش سنگ از نرم افزار Gold size ، استفاده گردید. سپس با استفاده از روش شبکه های عصبی مصنوعی و در نظر گرفتن پارامتر های موثر در خردایش، مدلی مبتنی بر شبکه عصبی چند لایه پرسپترون برای پیش بینی خردایش ناشی از عملیات آتشباری معدن سنگ آهک تهران ارائه شد. پس از تنظیم یا همان آموزش شبکه، آزمون، انتخاب شبکه های مختلف با تعداد لایه ها و نرون های مختلف و مقدار خطا ها در تخمین میزان خردایش ، مقادیر بهینه ای برای تعداد لایه های پنهان، تعداد نرون ها و توابع محرک آنها به دست آمد. به این ترتیب شبکه بهینه با ساختار ۱-۵-۱۲-۶ با یک خروجی(D80)، وشبکه ای دیگر با سه خروجی به طور همزمان(D20,D50,D80) با ساختار۳-۱۴-۶، قادر به پیش بینی میزان خردایش با کمترین خطا میباشند. در ادامه به منظور تعیین حساسیت خردایش نسبت به پارامتر های ورودی از روش تجربی آنالیز حساسیت،CAM) ) استفاده شد.
در نهایت از روش آماری استفاده و نتایج حاصل از آن با نتایج خروجی از شبکه های عصبی مقایسه شد و مشخص گردید روش های آماری از کارایی ضعیفتری نسبت به شبکه عصبی مصنوعی برخوردار هستند.

مقدمه
توجه به خردایش در عملیات آتشباری، یکی از مهمترین و حساس ترین پارامترهای موثر بر اقتصاد و حیات معدن به شمار می رود. اجرای یک عملیات آتشباری مطلوب تاثیر بسزایی در کاهش هزینه های کل خردایش ، افزایش و بهبود بازدهی عملیات حفاری، بارگیری، باربری و افزایش بازدهی عملکرد کارخانه فرآوری و سنگ شکن های اولیه و ثانویه خواهد داشت. در سال های اخیر مطالعات زیادی جهت حصول یک خردایش مناسب صورت گرفته و الگوها و روابط مختلفی ارائه شده است. در این میان روش های هوشمند به عنوان ابزار مناسبی در سایر علوم به کار گرفته شده است و نتایج مطلوبی از آن حاصل گردیده لذا با توجه کارایی آن، کاربرد این روش در علوم معدنکاری می تواند گره ای از مشکلات موجود باز کرده و تا جای ممکن در جهت بهبود و بهینه سازی آنها گام برداشت.

نتیجه گیری
با توجه به هدف تحقیق، و به کمک بررسی روی داده های انفجار، ضمن تعیین پارامترهای موثر بر میزان خردایش، مدلی های مختلفی جهت پیش بینی میزان خردایش در این معدن آزمایش شد. مدل های ساخته شده مورد آموزش و آزمون قرار گرفتند و با توجه به میزان خطاها، ساختار شبکه بهینه شناخته شد. پس از ارزیابی آنالیز حساسیت انجام گرفته بر خروجی های مدلسازی، نتایج زیر حاصل گردید:

• با توجه به مدل های به دست آمده از شبکه، می توان از آنها برای پیش بینی خردایش در بلوک های جدید استفاده نمود.

• پارامترهای گل گذاری، فاصله داری بین چال ها و بارسنگ به ترتیب در بین پارامترهای ورودی، بیشترین تاثیر را بر میزان خردایش را دارند.

• روش شبکههای عصبی یک روش ساده برای آنالیز داده هایی است که نمیتوان با فرمول بندی بین آنها ارتباط منطقی بر قرار کرد .

• با استفاده از تکنیک شبکههای عصبی و نتایج حاصل از آنالیز حساسیت می توان به راحتی با تغییر این پارامترها به پیش بینی خردایش قبل از اجرای عملیات آتشباری دست یافت.

• از آنجایی که شبکه عصبی درمورد پاسخها، توضیحی ارائه نمیکند بنابراین شبکه به عنوان ابزاری مناسب برای مسائلی که دارای روابط پیچیده ای هستند و دستیابی به جواب رکن اصلی آن می باشد به کار می رود.

نحوه خرید

دانلود رایگان فایل
شما میتوانید تنها با یک کلید به راحتی فایل مورد نظر را دریافت کنید. 🙂

برای دسترسی به این فایل ابتدا باید اشتراک خریداری کنید. برای خرید اشتراک بر روی لینک زیر کلیک کنید.

ارتقاء عضویت

در صورت بروز هر گونه مشکل در روند خرید اینترنتی، بخش پشتیبانی کاربران آماده پاسخگویی به مشکلات و سوالات شما می باشد

راهنمای سایت

برخلاف سایت های دیگر که فایل ها را به صورت تکی می فروشند روال سایت ما این است که شما با عضویت در سایت ما میتوانید از تمام فایل های موجود استفاده کنید.

تمام مطالب سایت فقط برای اعضای سایت رایگان است.

نحوه عضویت در سایت

آخرین مطالب

مطالب مرتبط