به جمع مشترکان مگیران بپیوندید!

تنها با پرداخت 70 هزارتومان حق اشتراک سالانه به متن مقالات دسترسی داشته باشید و 100 مقاله را بدون هزینه دیگری دریافت کنید.

برای پرداخت حق اشتراک اگر عضو هستید وارد شوید در غیر این صورت حساب کاربری جدید ایجاد کنید

عضویت
جستجوی مقالات مرتبط با کلیدواژه

non-linear multiple regression analysis

در نشریات گروه مهندسی معدن
تکرار جستجوی کلیدواژه non-linear multiple regression analysis در نشریات گروه فنی و مهندسی
تکرار جستجوی کلیدواژه non-linear multiple regression analysis در مقالات مجلات علمی
  • علی دولتی، حسین ثمره*
    حفر تعداد مشخصی چال انفجاری در هر ساعت، نقش تعیین کننده ای در نرخ تولید ماشین حفاری دارد،. بنابراین باتوجه به قیمت دستگاه حفاری و بالا بودن هزینه های عملیاتی آنها، استفاده مفید از زمان در دسترس بودن دستگاه برای حفر حداکثر چال های 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 می توان هزینه حفاری را نیز کاهش داد. در این تحقیق برای پیش بینی 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 مدل هایی برای پیش بینی نرخ نفوذ سرمته ایجاد شد. اعتبارسنجی مدل ها با استفاده از 12 سری داده آزمایشی نشان داد که مدل شبکه عصبی با ضریب تعیین 68/0 و میانگین مطلق درصد خطا 15/12 نسبت به مدل غیرخطی چند جمله ای درجه دوم، با دقت جزیی بیشتری می تواند سرعت نفوذ سرمته را پیش بینی 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 سنگ ها با مقاومت کم، متوسط و زیاد تخمین زده شد.
    کلید واژگان: سرعت نفوذ سرمته، منطق استنتاج فازی، شبکه عصبی مصنوعی، آنالیز رگرسیون چند متغیره، نرخ تولید
    A. Dolati, H. Samareh *
    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 non-linear 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.
    Keywords: Penetration rates of bit, Fuzzy logic, Artificial neural network, non-linear multiple regression analysis, production rate
نکته
  • نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
  • کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
  • در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
درخواست پشتیبانی - گزارش اشکال