ارائه بهترین مدل پیش بینی سرعت دستگاه شیرر لودر بر اساس پارامترهای غیر قابل تغییر در معدن ذغالسنگ مکانیزه طبس، با استفاده از روشهای تحلیل آماری

برای بالا بردن میزان تولید در کارگاه­های استخراج معدن­کاری زغال­سنگ، در کنار سایر تجهیزات مورد استفاده، به کار بردن ماشین­های زغال­کنی (شیرر) بسیار مفید می­باشد. پیش­بینی سرعت شیرر و تعیین پارامترهای موثر در آن در تخمین هزینه­ها نقش مهمی دارد. شناخت کامل خصوصیات مقاومتی و گازخیزی زغال­­سنگ بعنوان پارامترهای غیر قابل تغییر و ارزیابی توانایی اجرایی دستگاه­های شیرر لودر باعث افزایش سرعت شیرر و تولید زغال­سنگ می­گردد. بنابراین برای دستیابی به یک راندمان تولید بالا در استخراج لایه­ های زغال­سنگ، پیش­بینی سرعت شیرر و تعیین پارامترهای موثر در آن امری مهم و ضروری است. در این مقاله پیش­بینی سرعت شیرر با توجه به خواص مقاومتی و گازخیزی زغال­سنگ، با کمک تحلیل­های آماری بررسی شده است. برای این منظور تعداد 1260 نوع برش زغال­سنگ توسط دستگاه زغال­کنی (شیرر)، در کارگاه استخراج e3 معدن شماره یک پروده طبس پرداخته شد. در مرحله اول پس از برداشت و ثبت سرعت شیرر هر برش، اطلاعات مروط به گازخیزی در سه نقطه از طول کلی کارگاه انجام شد. این سه نقطه شامل گازهای متان منتشر شده بر حسب درصد بروی سنسور شماره 88 و سنسور ورودی تلگیت (tg) و سنسور تعبیه شده بروی دستگاه ناو زنجیری (afc)، می­باشد. سپس با استفاده از خواص مقاومتی شامل سختی زغال­سنگ و همچنین سیستم گاززدایی متان به بررسی پیش­بینی سرعت شیرر پرداخته شد. با استفاده از مطالعات آماری، پیش­بینی سرعت شیرر با مدلهای مختلف آماری بررسی شد. برای توسعه مدل­های پیش­بینی شده، از 70 درصد داده­ها (882 داده) به عنوان داده­های آموزش و از 30 درصد داده­ها ( 378 داده) به عنوان داده آزمون استفاده شده است. از بین سه مدل رگرسیون انجام شده، نتایج نشان می­دهد که مدل رگرسیون چند متغیره خطی دارای پیش­بینی دقیق­تر نسبت به دو روش دیگر می­باشد. بنابراین با استفاده از مدل رگرسیون چند متغیره خطی می­توان مقدار سرعت شیرر را در معدن زغال­سنگ مکانیزه پروده طبس، با دقت خوبی پیش­بینی نمود.

presenting the best statistical model to predict speed of the shearer machine acording to the resistance and gasification of coa parvadeh one tabas coal mine l

in order to increase the production rate in coal mining extraction workshops, the use of coal mining machines (shearers) is very useful, along with other equipment used. predicting the shearer speed and determining the effective parameters in it plays an important role in estimating costs. full understanding of the resistance and gas-richness properties of coal and evaluation of the executive ability of shearer devices lead production designers to increase the speed of shearer and production. therefore, to attain a high production efficiency in the extraction of coal layers, predicting the shearer speed and determining the effective parameters in it are important and necessary matters. in this paper, the prediction of shearer speed with regard to the resistance and gaseous properties of coal has been examined with the help of statistical analysis. for this purpose, 1260 types of coal cuts by coal machine (shearer), in the extraction workshop of e3 mine number one of parvadeh tabas were done. in the first stage, after collecting and recording the shearer speed of each cut, the information on gas-richness was done at three points of the total length of the workshop. these three points include the emitted methane gases as a percentage on sensor number 88 and the tail gate input sensor (tg) and the sensor installed on the armored face conveyor (afc) device. then, using the resistance properties including coal hardness and also the gas system, the prediction of the shearer speed was investigated. statistical studies were performed on the available data. using statistical studies, shearer speed was predicted with three models of linear multivariate regression, nonlinear multivariate regression (exponential) and nonlinear multivariate regression (logarithmic). to develop the predicted models, 70% of the data (882 data) were used as training data and 30% of the data (378 data) were used as test data. of the three regression models performed, the results demonstrate that the linear multivariate regression model has a more accurate prediction than the other two methods. thus, using the linear multivariate regression model, it is possible to predict the value of the shearer speed in the coal mine number one of parvadeh tabas with good accuracy.