پيش‌بيني ميزان سايش سرمته حفاري با استفاده از تحليل سيگنال هاي آوايي و لرزشي توليدشده در حين عمليات حفاري

اصفهان : دانشگاه صنعتي اصفهان

مهندسي معدن

دكتري

حفاري و چالزني سنگ امروزه كاربرد فراواني در پروژه‌هاي مختلف عمراني، معدني و نفتي يافته است. انتقال نيرو و شكستن سنگ در عمليات حفاري و چالزني از طريق سرمته¬هاي نصب‌شده بر روي ماشين‌آلات حفاري انجام مي‌پذيرد. شرايط سرمته به طور قابل توجهي بر عملكرد حفاري و در نتيجه هزينه كل عمليات تاثير مي¬گذارد. تعيين زمان براي تغيير سرمته يك مسئله چالش برانگيز است. خرابي سرمته در حين عمليات در نتيجه سايش تدريجي هزينه هاي مضاعفي را به پروژه تحميل مي¬كند. بنابراين پيش‌بيني و كنترل ميزان سايش سرمته پيش و در حين عمليات حفاري مي‌تواند به‌طور قابل‌توجهي بر موفقيت و بهره‌وري عمليات تأثيرگذار باشد. روش‌هاي تحليل امواج آوايي و لرزش ازجمله روش‌هاي كم‌هزينه، سريع، با حساسيت بالا نسبت به تغيير شرايط و با دقت و قابليت اطمينان بالا هستند كه مي‌توانند در پيش‌بيني و كنترل ميزان سايش مورد استفاده قرار بگيرند. بنابراين، اين پژوهش عمدتاً بر توسعه يك مدل نظارتي جهت كنترل وضعيت سرمته در فرآيند حفاري سنگ با استفاده از تحليل سيگنال‌هاي صوتي و لرزشي ناشي از فرآيند حفاري متمركز است. براي توسعه يك روش نظارت غيرمستقيم بر سايش، درك عميقي از رابطه بين سايش سرمته و سيگنال‌هاي حفاري مورد نياز است. از اين رو جهت جمع¬آوري داده¬هاي حفاري، در اين مطالعه عمليات حفاري به‌صورت آزمايشگاهي بر روي طيف وسيعي از سنگ‌ها انجام و ثبت امواج صوتي و لرزشي ناشي از آن ثبت شد. شرايط سايش مته در طول آزمايشات بررسي شد تا داده‌هاي جمع‌آوري‌شده بر اساس آن برچسب‌گذاري شوند. داده‌هاي صوتي و لرزشي ثبت¬شده در حوزه‌هاي زمان، فركانس و زمان-فركانس تجزيه و تحليل شدند. نتايج بررسي¬ها نشان داد كه با ورود سرمته به حالت شديدا ساييده شده توان سيگنال‌هاي صوتي توليدي به طور قابل ملاحظه¬اي افزايش مي¬يابد. ويژگي‌هاي آماري سيگنال¬هاي صوتي و لرزشي جهت توسعه¬ي يك مدل نظارت بر سايش سرمته استخراج و انتخاب شدند. سپس با استفاده از اين ويژگي¬ها، مدل¬هاي هوشمند يادگيري ماشين شامل شبكه¬هاي عصبي مصنوعي، ماشين بردار پشتيبان، درخت تصميم و جنگل تصادفي جهت پيش بيني وضعيت و ميزان سايش سرمته توسعه داده شد. نتايج بدست آمده از مدل¬هاي هوشمند نشان داد كه اين مدل¬ها قابليت بالايي در پيش بيني وضعيت سايشي سرمته¬هاي حفاري سنگ با دقت بالا دارند به طوريكه مدل¬هاي شبكه¬هاي عصبي مصنوعي، ماشين بردار پشتيبان، درخت تصميم و جنگل تصادفي به ترتيب دقت 7/82، 9/88، 0/84 و 8/93 درصدي از خود نشان دادند. به علاوه مدل جنگل تصادفي علاوه بر دقت بالا در پيش¬بيني وضعيت سايشي سرمته، توانايي پيش¬بيني ميزان سايش سرمته را نيز با دقت بالايي (89/0=R2) دارد.

226666

مكانيك سنگ

مهندسي معدن

دانشگاه صنعتي اصفهان