تخمین نرخ تولید ماشین حفاری بر اساس خواص سنگ و پارامترهای دستگاهی با پیش بینی سرعت نفوذ سرمته

حفر تعداد مشخصی چال‌ انفجاری در هر ساعت، نقش تعیین‌کننده‌ای در نرخ تولید ماشین حفاری دارد،. بنابراین باتوجه به قیمت دستگاه حفاری و بالا بودن هزینه‌های عملیاتی آنها، استفاده مفید از زمان در دسترس بودن دستگاه برای حفر حداکثر چال‌های انفجاری ممکن، از اهمیت زیادی برخوردار است. سرعت حفر چال انفجاری تحت تاثیر عوامل مختلفی از جمله خواص سنگ و ویژگی‎های دستگاه حفاری است. بنابراین با شناخت و تعیین میزان اثرگذاری عوامل موثر بر  سرعت نفوذ سرمته، علاوه‎بر افزایش راندمان ماشین می‌توان هزینه حفاری را نیز کاهش داد. در این تحقیق برای پیش‌بینی نرخ نفوذ سرمته ابتدا در معدن مورد مطالعه شاخص‎های مورد نظر مربوط ‌به 91 چال از  28 بلوک انفجاری در 9 پله استخراجی مختلف برداشت شد. سپس با استفاده از روش میدان کسینوسی، میزان حساسیت تغییرات تک‎تک شاخص‎های ورودی بر سرعت نفوذ سرمته مورد ارزیابی قرار گرفت. در نهایت با کمک آنالیز رگرسیون غیرخطی، شبکه عصبی مصنوعی و منطق استنتاج فازی مدل‌هایی برای پیش‌بینی نرخ نفوذ سرمته ایجاد شد. اعتبارسنجی مدل‌ها با استفاده از 12 سری داده آزمایشی نشان داد که مدل شبکه عصبی با ضریب تعیین 0.68 و میانگین مطلق درصد خطا 12.15 نسبت به مدل غیرخطی چند جمله‌ای درجه دوم، با دقت جزیی بیشتری می‌تواند سرعت نفوذ سرمته را پیش‌بینی کند. در ادامه با استفاده از مدل چند جمله‎ای درجه دوم، درصد بازدهی عملیاتی، قابلیت دسترسی و نرخ تولید ماشین حفاری برای یک روز کاری در سنگ‌ها با مقاومت کم، متوسط و زیاد تخمین زده شد.

Estimation of Drilling Machine Production Rate Based on Properties of Rock and System Parameters by Prediction of Bit Penetration Speed

Drilling a certain number of blast holes per hour plays an important role in reaching the required annual mine production. Since, the proper use of the availability time of machine to drill the maximum number of blast holes is crucial. The drilling rate of blast holes is affected by various factors such as rock properties and system parameters. Thus, recognizing the effectiveness of these factors on the penetration rate of bit (PR), not only machine production can be increased but also drilling and blasting costs can be reduced in the mine. In this study to predict the PR in the selected mine, firstly, parameters of 91 holes related to 28 blasting block and in 9 various extracting benches were collected. Secondly, the sensitivity rate related to each of the independent parameters on the PR was studied using Cosine Amplitude Method (CAM). Finally, three models including nonlinear multivariate regression (NLMR), artificial neural network (ANN), and fuzzy logic were produced to predict the PR. These models were validated using 12 series of data tests. It was shown that with a coefficient of determination of 0.68 and mean absolute percentage error (MAPE) of 12.15, the ANN model could predict the PR with a slightly higher precision compared to NLMR.