پيش‌بيني سرعت حفاري با استفاده از روش‌هاي يادگيري ماشين

اصفهان : دانشگاه صنعتي اصفهان

مهندسي معدن

كارشناسي ارشد

حفاري به عنوان يكي از مراحل كليدي در فعاليتهاي معدني و عمراني، نقش تعيينكننده اي در قابليت توليد كلي پروژه، كاهش هزينه ها و بهينه سازي زمان ايفا كرده است. باتوجه به پيچيدگي هاي موجود در عمليات حفاري، شناسايي و تنظيم پارامترهاي عملياتي براي افزايش نرخ نفوذ حفاري يكي از چالشهاي اساسي در صنعت معدن محسوب مي شود. در اين پژوهش، يك چارچوب جامع مبتني بر مدلهاي يادگيري ماشين و الگوريتمهاي بهينه سازي براي بهبود نرخ نفوذ حفاري در معدن شهيد حججي با دادههاي محدود طراحي و پيادهسازي شده است . ابتدا، به دليل محدوديت دادههاي معدني، از مجموعهدادههاي مرتبط مس سرچشمه كه شرايط مشابه زمين شناسي و عملياتي نزديكي به معدن مورد بررسي داشت، استفاده شده است. سه مدل پيشبيني شامل الگوريتم تقويت طبقهبندي، الگوريتم تقويت گراديان طبيعي و الگوريتم جنگل تصادفي براي پيشبيني نرخ نفوذ حفاري بر اساس سه پارامتر ورودي كليدي شامل فشار پشت مته ، فشار هواي فشرده و شاخص مقاومت زمين شناسي توسعه يافته اند. نتايج ارزيابي مدلها نشان داده كه مدل تقويت طبقه بندي با دستيابي به ضريب تعيين بالا و خطاي كم ، عملكرد بهتري نسبت به دو مدل ديگر داشته است. در گام بعدي، براي بهينه سازي پارامترهاي عملياتي و شناسايي مقادير بهينه آنها جهت بيشينه سازي نرخ نفوذ حفاري، از الگوريتم بهينه سازي بيزين استفاده شده است. اين الگوريتم، با بهرهگيري از مدل تقويت طبقه بندي بهعنوان تابع هدف، توانسته مقادير بهينه اي براي پارامترهاي عملياتي شناسايي كرده كه شرايط قابليت توليد عملياتي را به حداكثر رساند. اين مقادير سپس بر روي دادههاي واقعي معدن مورد مطالعه يعني شهيد حججي اعمال شده و نتايج نشان داده كه مدل باقابل يت بال با دادههاي جديد تطابق پيدا كرده است. نتايج ارزيابي اين مدل نشان داده كه با دستيابي به ضريب تعيين بال و خطاي كم ، عملكرد يكي ديگر از چالشهاي اساسي در اين پژوهش، عدم وجود شاخص مقاومت زمينشناسي براي دادههاي معدن شهيد حججي بوده است. براي حل اين مسئله، دادههاي معدني بر اساس چهار محدوده مقاومت زمينشناسي شامل مقاومت كم، مقاومت متوسط، مقاومت زياد و مقاومت بسيار زياد طبقهبندي شدهاند. سپس، الگوريتم بهينهسازي بيزين براي هر يك از اين محدودهها اعمال شده و شرايط عملياتي بهينه براي هر محدوده به طور جداگانه استخراج گرديده است. در دادههاي مقاومت كم زمين شناسي، بهترين نرخ نفوذ حفاري برابر با 0/794 متر بر دقيقه، زماني حاصل مي شود كه فشار پشت مته برابر با 68 bar و فشار هواي فشرده برابر با 7 bar ، در دادههاي مقاومت متوسط زمينشناسي، بهترين نرخ نفوذ حفاري برابر با 0/856 متر بر دقيقه، زماني حاصل مي شود كه فشار پشت مته برابر با 68 bar و فشار هواي فشرده برابر با 7 bar باشد، در دادههاي مقاومت زياد زمينشناسي، بهترين نرخ نفوذ حفاري برابر با 0/611 متر بر دقيقه، زماني حاصل مي شود كه فشار پشت مته برابر با 70 bar و فشار هواي فشرده برابر با 7 bar باشد و در دادههاي مقاومت خيلي زياد زمينشناسي، بهترين نرخ نفوذ حفاري برابر با 0/401 متر بر دقيقه، زماني حاصل مي شود كه فشار پشت مته برابر با 64 bar و فشار هواي فشرده برابر با 7 bar باشد. نتايج اين طبقهبندي و بهينه سازي نشان داده كه شرايط عملياتي بهينه در هر محدوده به طور قابلتوجهي متفاوت بوده و تأثير مستقيم بر نرخ نفوذ حفاري داشته است. اين پژوهش، با تركيب مدل هاي پيشرفته يادگيري ماشين، تكنيك هاي بهينه سازي و تحليل عدم قطعيت، چارچوبي جامع براي بهينه سازي عمليات حفاري در معادن ارائه داده است. عالوه بر بهبود نرخ نفوذ حفاري، اين رويكرد نشان داده كه استفاده از روشهاي هوشمند در مديريت پارامترهاي عملياتي، مي تواند به كاهش هزينهها، افزايش ايمني و قابليت توليد كلي فرايند كمك كند. اين چارچوب نه تنها براي معادن مشابه قابل اجرا است، بلكه پتانسيل قابل توجهي براي توسعه بيشتر و اعمال در ساير فرايندهاي صنعتي دارد . اين تحقيق، گامي مؤثر در جهت بهره گيري از ابزارهاي هوشمند براي حل چالشهاي عملياتي معادن بوده و مي تواند بهعنوان مبنايي براي تحقيقات آينده در زمينههاي مشابه مورداستفاده قرار گيرد.

233243

استخراج

مهندسي معدن

دانشگاه صنعتي اصفهان