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

teaching – learning-based optimization algorithm

در نشریات گروه مهندسی معدن
تکرار جستجوی کلیدواژه teaching – learning-based optimization algorithm در نشریات گروه فنی و مهندسی
تکرار جستجوی کلیدواژه teaching – learning-based optimization algorithm در مقالات مجلات علمی
  • رضا شمسی، محمدسعید امینی، حسام دهقانی، مارک باسکومپتا، بهشاد جدیری شکری، شیما انتظام

    در این مقاله، میزان پرتاب سنگ در معدن انگوران در ا ستان زنجان (ایران) با استفاده از روش الگوریتم بیان ژن، پیش بینی شده ا ست. برای این منظور، داده های ورودی شامل، میانگین عمق چالها، فاکتور پودرشوندگی، میزان مواد منفجره، تعداد چالها، ارتقا دهنده انفجار، جمع آوری شدند. سپس، با استفاده از روش الگوریتم بیان ژن، مجموعه ای از رابطه های ریاضی برای پیش بینی فاصله پرتاب سنگ، ارایه شدند. در ادامه، با استفاده از پارامترهای آماری، بهترین رابطه انتخاب شد. میزان ضرایب تعیین، برای داده های آموزش و آزمایش، بترتیب 89/0 و 798/0 بودند. سپس با ا ستفاده از روش الگوریتم بهینه سازی یادگیری معلم، رابطه بد ست آمده از الگوریتم بیان ژن، بهبود داده شد. نتایج بد ست آمده حاکی از آن ا ست، که میزان ضرایب بد ست آمده با ا ستفاده از روش الگوریتم یادگیری معلم برای داده های آموزش و آزمایش، افزایش یافته و بترتیب بهمیزان، 91 در صد و 89 در صد ر سیدند. برا ساس نتایج میتوان دریافت که این رابطه میتواند به عنوان معیار جدیدی در پیش بینی حاصل از انفجار، با دقت بالا، مورد استفاده قرار گیرد. همچنین، با استفاده از قابلیت این روش هوشمند، میتوان سایر ملاحظات زیست محیطی ناشی از عملیات آتشکاری را نیز، مورد بررسی قرار داد.

    کلید واژگان: عملیات آتشکاری، پرتاب سنگ، الگوریتم بیان ژن، الگوریتم بهبود دهنده یادگیری معلم
    R. Shamsi, M. S. Amini, H. Dehghani, M. Bascompta, B. Jodeiri Shokri *, Sh. Entezam

    This paper attempted to estimate the amount of flyrock in the Angoran mine in Zanjan province, Iran using the gene expression programming (GEP) predictive technique. The input data, including flyrock, mean depth of the hole, powder factor, stemming, explosive weight, number of holes, and booster were collected from the mine. Then, using GEP, a series of intelligent equations were proposed to predict flyrock distance. The best GEP equation was selected based on some well-established statistical indices in the next stage. The coefficient of determination for training and testing datasets of the GEP equation were 0.890 and 0.798, respectively. The model obtained from the GEP method was then optimized using teaching– learning-based optimization algorithm (TLBO). Based on the results, the correlation coefficient of training and testing data increased to 91% and 89%, which increased the accuracy of the Equation. This new intelligent equation could forecast flyrock resulting from mine blasting with a high level of accuracy. The capabilities of this intelligent technique could be further extended to the other blasting environmental issues.

    Keywords: Blasting Operations, Flyrock, Gene expression programing, Teaching – learning-based optimization algorithm
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