متن کامل پایان نامه مقطع کارشناسی ارشد رشته  معدن با عنوان : پیش بینی خردایش ناشی ازفشاردرمعدن آهک سیمان
در ادامه مطلب می توانید صفحات ابتدایی این پایان نامه را بخوانید و در صورت نیاز به متن کامل آن می توانید از لینک پرداخت و دانلود آنی برای خرید این پایان نامه اقدام نمائید.

چكیده:
یكی از مهمترین مراحل استخراج در معادن روباز عملیات آتشباری می باشد كه 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 كه این فرآیند، فعالیت های زیادی را
تحت تاثیر قرار میدهد لذا بهینه سازی آن در كاهش هزینه های استخراج مؤثر می باشد. با توجه به اینكه عوامل
متعددی در نتیجه عملیات آتشباری دخالت دارند، به منظور بهینه سازی آن و دستیابی به یك نتیجه مناسب از
روشهای سعی و خطا و تجربی (روشهای سنتی) متعددی استفاده شده است كه 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، كاربرد
دستاوردهای نوین در این فن لازم و ضروری می باشد. یك روش مناسب جایگزین
آموزش دیده بر مبنای الگوهای 1 طراحیهای تجربی الگوهای آتشباری، استفاده از شبكههای عصبی مصنوعی
طراحی و اجرا شده پیشین است. این روش یكی از پر كاربرد ترین موضوعات مطرح در زمینه طراحی سیستم
های هوشمند با الهام از طبیعت می باشد كه در علوم مختلف از جمله علوم مهندسی از جایگاه مناسبی برخوردار
است.
در این تحقیق در ابتدا جهت تعیین كیفیت خردایش سنگ از نرم افزار Gold size ، استفاده گردید. سپس با
استفاده از روش شبكه های عصبی مصنوعی و در نظر گرفتن پارامتر های موثر در خردایش، مدلی مبتنی بر
شبكه عصبی چند لایه پرسپترون برای پیش بینی خردایش ناشی از عملیات آتشباری معدن سنگ آهك تهران
ارائه شد. پس از تنظیم یا همان آموزش شبكه، آزمون، انتخاب شبكه 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 محرك آنها به دست آمد. به این ترتیب شبكه بهینه با ساختار 6-12-5-1 با یك خروجی(D80)، وشبكه
ای دیگر با سه خروجی به طور همزمان(D20,D50,D80) با ساختار6-14-3، قادر به پیش بینی میزان
خردایش با كمترین 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 شبكه های عصبی مقایسه شد و

یک مطلب دیگر :

مشخص گردید روش های آماری از كارایی ضعیفتری نسبت به شبكه عصبی مصنوعی برخوردار هستند.
Artificial Neural Network.
Cosin Analysis Method
مقدمه
توجه به خردایش در عملیات آتشباری، یكی از مهمترین و حساس ترین پارامترهای موثر بر اقتصاد و حیات
معدن به شمار می رود. اجرای یك عملیات آتشباری مطلوب تاثیر بسزایی در كاهش هزینه های كل خردایش ،
افزایش و بهبود بازدهی عملیات حفاری، بارگیری، باربری و افزایش بازدهی عملكرد كارخانه فرآوری و سنگ
شكن های اولیه و ثانویه خواهد داشت. در سال های اخیر مطالعات زیادی جهت حصول یك 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 كار گرفته شده است و نتایج مطلوبی از آن حاصل گردیده لذا با توجه كارایی آن، كاربرد این
روش در علوم معدنكاری می تواند گره ای از مشكلات موجود باز كرده و تا جای ممكن در جهت بهبود و بهینه
سازی آنها گام برداشت.
هدف (1 -1
انجام عملیات آتشباری یكی 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 تكنولوژی و علم امكان استفاده از روش آزمون و خطا را محدود نموده و
آتشباری را به صورت علمی با قابلیت برنامه ریزی كامپیوتری تبدیل كرده است. درعملیات آتشباری معادن
روباز، مهم ترین هدف، خردشدگی مناسب است كه از ویژگی های یك انفجار خوب در اكثر معادن محسوب
می شود. در دو مرحله اول عملیات معدنكاری یعنی چالزنی و آتشباری، با توجه به جام سیستم بارگیری،
سیستم باربری و سنگ شكن اولیه، خردایش سنگ تا ابعاد خاصی طراحی می شود و در صورت رسیدن به
خردایش مورد نظر، هزینه سایر مراحل تولید كاهش می یابد. بنابراین عامل اساسی برای موفقیت انفجار در
یك جبهه كار، خردشدگی مناسب می باشد. این عملیات باید با كمترین هزینه و اثرات جانبی نظیر لرزش
زمین، پرتاب سنگ، انفجار هوا و … انجام شود. به منظور دستیابی به خردایش مناسب لازم است كلیه
عوامل تاثیر گذار بر روی آن را شناسایی نمود. به طور كلی میتوان این عوامل را به دو گروه عمده شامل،
پارامترهای قابل كنترل (الگوی آتشباری) و پارامترهای غیر قابل كنترل (خصوصیات ژئومكانیكی توده سنگ)
تقسیم بندی نمود. از جمله پارامترهای قابل كنترل 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 كنترل 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 اكثر عوامل موثر بر خردایش و با توجه به شرایط پیچیده حاكم 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 شبكههای عصبی مصنوعی گسترش زیادی پیدا كرده
است. شبكههای عصبی مصنوعی كه به عنوان یكی از پر كاربرد 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 كارایی TBM توسط Benardos و
همكارانش استفاده شده است. Singh و هكارانش از این روش جهت تخمین مقاومت سنگ های متورق استفاده كرده اند.
ارزیابی مقاومت و مدول الاستیسیته ژیپس به وسیله این روش توسط Yilmaz و Yuksek صورت گرفته است. با توجه
به كاربرد های روش شبكه های عصبی، می توان از آن به عنوان ابزاری قدرتمند جهت حل مسائل پیچیده استفاده نمود.
5