ارزیابی عملکرد ماشین برش اره زنجیری برای سنگهای کربناته با استفاده از امکانسنجی مدلهای شبکه های عصبی

پیش بینی نرخ تولید فرآیند برش سنگ ساختمانی و به خصوص زمان استفاده از ماشین برش اره زنجیری بسیار سخت است. فرآیند برش سنگهای ساختمانی عموما یک موضوع پیچیده به همراه فاکتورهای موثر متعدد شامل شرایط مختلف و غیرقابل اطمینان سنگها و ماشینهای برش است . روش گروهی مدیریت (به عنوان نوعی از روش محاسباتی نرم، ابزاری قدرتمند برای تعیین و ارزیابی RBF) (از نوع شبکه عصبی و شبکه عصبی مصنوعی شعاعی GMDH) داده ها شرایط پیش بینی نشده و غیرقطعی هستند. از این رو، در این پژوهش هدف توسعه مدل های پیش بینی برای تخمین نرخ تولید ماشین برش اره زنجیری با استفاده است و سپس مقایسه نتایج به دست آمده از مدلهای توسعه GMDH و روش شبکه عصبی RBFاز روش شبکه عصبی مصنوعی یافته بر مبنای شاخص های و ضریب همبستگیRMSE ،VAF عملکرد شامل تست آزمایشگاهی روی هفت نوع سنگ کربناته به طور دقیق 98است. برای این هدف، پارامترهای (R2) (و سرعت ماش ین CS) (، سرعت زنجیر AA) بررسی شده است و نرخ تولید هر تست اندازهگیری شده است. برخی مشخصات عملیاتی ماشین از جمله زاویه اره (و سه مشخصه مهم فیزیکی و مکانیکی سنگ شامل مقاومت فشاری تک MS) (و تست سختی چکش اشمیت LAA) (، تست سایش لسآنجلس UCS) محوره به عنوان داده های ورودی و نرخ تولید ماشین به عنوان مجموعه اطلاعات خروجی در نظر گرفته شده است. نتایج به دست آمده ثابت میکند مدل توسعه یافته GMDH برای مهیا کردن نتایج با اطمینان بالاتر برای پیش بینی نرخ تولید ماشین برش اره زنجیری بر اساس شاخص های عملکرد تواناتر است.