پایان نامه کارشناسی ارشد معدن پیش بینی خردایش ناشی از انفجار درمعدن سنگ آهک سیمان تهران با استفاده از شبکه های مصنوعی عصبی

اختصاصی از فی بوو پایان نامه کارشناسی ارشد معدن پیش بینی خردایش ناشی از انفجار درمعدن سنگ آهک سیمان تهران با استفاده از شبکه های مصنوعی عصبی دانلود با لینک مستقیم و پر سرعت .

این محصول در قالب  پی دی اف و 84 صفحه می باشد.

پایان نامه کارشناسی ارشد معدن پیش بینی خردایش ناشی از انفجار درمعدن سنگ آهک سیمان تهران با استفاده از شبکه های مصنوعی عصبی

این پایان نامه جهت ارائه در مقطع کارشناسی ارشد رشته معدن-استخراج طراحی و تدوین گردیده است . و شامل کلیه مباحث مورد نیاز پایان نامه ارشد این رشته می باشد.نمونه های مشابه این عنوان با قیمت های بسیار بالایی در اینترنت به فروش می رسد.گروه تخصصی ما این پایان نامه را با قیمت ناچیزی جهت استفاده دانشجویان عزیز در رابطه با منبع اطلاعاتی در اختیار شما قرار می دهند. حق مالکیت معنوی این اثر مربوط به نگارنده است. و فقط جهت استفاده ازمنابع اطلاعاتی و بالابردن سطح علمی شما در این سایت ارائه گردیده است.

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
آموزش دیده بر مبنای الگوهای 1 طراحیهای تجربی الگوهای آتشباری، استفاده از شبکههای عصبی مصنوعی
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 بهینهای برای تعداد لایه های پنهان، تعداد نرونها و
توابع محرک آنها به دست آمد. به این ترتیب شبکه بهینه با ساختار 6-12-5-1 با یک خروجی(D80)، وشبکه
ای دیگر با سه خروجی به طور همزمان(D20,D50,D80) با ساختار6-14-3، قادر به پیش بینی میزان
خردایش با کمترین خطا میباشند. در ادامه به منظور تعیین حساسیت خردایش نسبت به پارامتر های ورودی از
(CAM استفاده شد. 2 روش تجربی آنالیز حساسیت، )
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.

Artificial Neural Network.
Cosin Analysis Method
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.

هدف (1 -1
انجام عملیات آتشباری یکی از اساسیترین و حساسترین عملیات های موثر بر اقتصاد معدن است و همواره
برای اهداف گوناگونی مورد توجه بوده است. تا مدت های طولانی عملیات آتشباری مبتنی بر روش آزمون و
خطا استوار بوده است، اما پیشرفت تکنولوژی و علم امکان استفاده از روش آزمون و خطا را محدود نموده و
آتشباری را به صورت علمی با قابلیت برنامه ریزی کامپیوتری تبدیل کرده است. درعملیات آتشباری معادن
روباز، مهم ترین هدف، خردشدگی مناسب است که از ویژگی های یک انفجار خوب در اکثر معادن محسوب
می شود. در دو مرحله اول عملیات معدنکاری یعنی چالزنی و آتشباری، با توجه به جام سیستم بارگیری،
سیستم باربری و سنگ شکن اولیه، خردایش سنگ تا ابعاد خاصی طراحی می شود و در صورت رسیدن به
خردایش مورد نظر، هزینه سایر مراحل تولید کاهش می یابد. بنابراین عامل اساسی برای موفقیت انفجار در
یک جبهه کار، خردشدگی مناسب می باشد. این عملیات باید با کمترین هزینه و اثرات جانبی نظیر لرزش
زمین، پرتاب سنگ، انفجار هوا و … انجام شود. به منظور دستیابی به خردایش مناسب لازم است کلیه
عوامل تاثیر گذار بر روی آن را شناسایی نمود. به طور کلی میتوان این عوامل را به دو گروه عمده شامل،
پارامترهای قابل کنترل (الگوی آتشباری) و پارامترهای غیر قابل کنترل (خصوصیات ژئومکانیکی توده سنگ)
تقسیم بندی نمود. از جمله پارامترهای قابل کنترل می توان به خرج ویژه، نحوه آرایش چالها، تاخیر در
شروع انفجار، قطر چال، ضخامت بار سنگ، فاصله ردیفی چالها، طول گل گذاری و… اشاره نمود. عواملی
همچون نواحی غیرمقاوم شامل سطوح لایه بندی، گسلها و درزهها و همچنین مقاومت توده سنگ، جزو
پارامترهای غیر قابل کنترل محسوب میشوند.

2-1) پیشینه تحقیق
محققین زیادی در گذشته روابط تجربی بسیاری به منظور تعیین خردایش ناشی از عملیات انفجار ارئه داده اند،
اما به علت در نظر نگرفتن همزمان اکثر عوامل موثر بر خردایش و با توجه به شرایط پیچیده حاکم بر آن، نتایج
حاصل، چندان مطلوب نبوده است. در سالهای اخیر، به منظور مدلسازی محیطهای ناهمگون و پیچیده، و
دستیابی به الگویی بهینه و مطلوب، روشهای نوینی مانند شبکههای عصبی مصنوعی گسترش زیادی پیدا کرده
است. شبکههای عصبی مصنوعی که به عنوان یکی از پر کاربرد ترین موضوعات مطرح در زمینه طراحی سیستم
های هوشمند با الهام از طبیعت می باشد، به دلیل داشتن قابلیت یادگیری و تعمیم دهی، قادر به یادگیری هر
نوع نگاشت و تابعی میباشند. به عنوان مثال از این روش جهت مدلسازی کارایی TBM توسط Benardos و
همکارانش استفاده شده است. Singh و هکارانش از این روش جهت تخمین مقاومت سنگ های متورق استفاده کرده اند.
ارزیابی مقاومت و مدول الاستیسیته ژیپس به وسیله این روش توسط Yilmaz و Yuksek صورت گرفته است. با توجه
به کاربرد های روش شبکه های عصبی، می توان از آن به عنوان ابزاری قدرتمند جهت حل مسائل پیچیده استفاده نمود.
5
3-1) روش کار و تحقیق
پروژه حاضر به منظور پیش بینی خردایش ناشی از عملیات آتشباری با استفاده از شبکه عصبی مصنوعی در
معدن سنگ آهک سیمان تهران انجام گرفته است. با بررسی پارامترها و ایجاد شبکههای مختلف، شبکه
بهینه انتخاب شد، سپس با روش دامنه کسینوسی میزان حساسیت هدف بر پارامترهای ورودی، تعیین
گردید و در نهایت به منظور مقایسه، نتایج حاصل از شبکه با نتایج به دست آمده از روش آماری (نرم افزار
SPSS) مقایسه گردید.