پيشبيني نوع و پارامترهاي ژئومكانيكي سنگها با استفاده از پايش عمليات حفاري و بهرهگيري از روشهاي يادگيري ماشين

اصفهان : دانشگاه صنعتي اصفهان

مهندسي معدن

كارشناسي ارشد

با توجه به اهميت شناخت دقيق ويژگي‌هاي ژئومكانيكي سنگ در طراحي و اجراي عمليات حفاري و معدنكاري و همچنين محدوديت‌هاي روش‌هاي آزمايشگاهي از نظر زمان، هزينه و اجرا، اين پژوهش از يادگيري ماشين به‌عنوان رويكردي سريع و داده‌محور براي برآورد اين ويژگي‌ها استفاده مي‌كند. هدف اصلي، پيش‌بيني خواص ژئومكانيكي سنگ شامل مقاومت فشاري تك‌محوري (UCS)، سختي (Schmidt) و شاخص سايندگي (Cerchar) و نيز طبقه‌بندي نوع سنگ بر اساس داده‌هاي حفاري است. ورودي‌هاي مدل شامل سرعت چرخش مته (RPM)، وزن روي مته (WOB)، نرخ نفوذ (PR) و جريان بار وارد بر مته (LOB(A)) بوده است. در راستاي انجام اين پژوهش، داده‌هاي عملياتي مرتبط با فرآيند حفاري از ديواره جنوبي معدن مس سرچشمه واقع در شهرستان رفسنجان، استان كرمان استخراج و تحليل شده‌اند. همزمان با عمليات حفاري، نمونه‌هاي سنگ برداشت شده و آزمون‌هاي آزمايشگاهي براي تعيين مقاومت فشاري تك‌محوري، سختي و سايندگي در دانشكده معدن دانشگاه صنعتي اصفهان انجام شده‌اند و پارامترهاي حفاري در حين عمليات حفاري ثبت گرديده‌اند. با تلفيق داده‌هاي آزمايشگاهي و ميداني، مجموعه‌اي شامل 2037 داده تشكيل شده است. داده‌ها از نظر آماري و توصيفي بررسي و همبستگي پارامترها محاسبه گرديد؛ سپس داده‌هاي پرت با روش چارك‌بندي حذف و مقياس داده‌ها با نرمال‌سازي حداقل و حداكثر يكسان‌سازي شد. براي مدل‌سازي، مدل‌هاي XGBoost، Random Forest، ANFIS و PSO-BP به‌كار رفتند. نتايج نشان داد مدل‌هاي مبتني بر درخت، به‌ويژه XGBoost و Random Forest، در پيش‌بيني ويژگي‌هاي ژئومكانيكي(با دقت به ترتيب 99/0 و 95/0 در پيش‌بيني مقاومت فشاري تك محوري و 94/0 و 83/0 در پيش‌بيني سختي و 99/0 و 97/0 در پيش‌بيني سايندگي) و نيز در طبقه‌بندي نوع سنگ( هر دو با دقت 98/0) عملكرد برتري نسبت به ANFIS و PSO-BP دارند. در مجموع، يافته‌ها نشان مي‌دهد كه تركيب داده‌هاي حفاري و يادگيري ماشين مي‌تواند راهكاري سريع، دقيق و كم‌هزينه براي پيش‌بيني خواص ژئومكانيكي سنگ و طبقه‌بندي نوع سنگ فراهم كند و در بهينه‌سازي طراحي حفاري، انتخاب ابزار مناسب و كنترل هوشمند فرآيند حفاري نقش مؤثري داشته باشد.

237600

استخراج مواد معدني

مهندسي معدن

دانشگاه صنعتي اصفهان