skip to Main Content
استفاده از تکنیکهای داده های استخراج معدن در ارزیابی ریسک انفجار سنگ

استفاده از تکنیکهای داده های استخراج معدن در ارزیابی ریسک انفجار سنگ

عنوان انگلیسی: The Use of Data Mining Techniques in Rockburst Risk Assessment
سال نشر: ۲۰۱۷
نویسنده: Luis Ribeiro e Sousa , Tiago Miranda , Rita Leal e Sousa , Joaquim Tinoco
رشته های مرتبط: مدیریت
تعداد صفحه فارسی: ۱۴- تعداد صفحه انگلیسی: ۷
شناسه: ۱۰.۱۰۱۶/J.ENG.2017.04.002
دانشگاه: China University of Mining and Technology (Beijing), Beijing 100083, China
نشریه: Engineering
شاخص اعتبار نشریه –

چکیده

انفجار سنگ پدیده بسیار مهمی است که بر معدنهای بسیار عمیق در سراسر دنیا تاثیر می گذارد. درک این پدیده به مدیریت چنین حوادثی مربوط است که می تواند به صرفه جویی در هزینه ها و نجات جان انسانها منجر شود. تجربه های آزمایشگاهی یکی از روشهای بدست آوردن درک بهتر و عمیق تر از مکانیسمهای انفجار سنگ هستند. در تحقیقات گذشته ای که توسط نویسندگان انجام شده، پایگاه داده های تستهای آزمایشگاهی انفجار سنگ ایجاد شده علاوه بر این، با استفاده از تکنیکهای داده های استخراج معدن (DM)، مدلها برای پیش بینی فشار حداکثر انفجار سنگ و شاخصهای ریسک انفجار سنگ نیز توسعه یافته اند. در این مقاله، روی آنالیز پایگاه داده های در موارد آزمایشگاهی انفجار سنگ به منظور ساختن نمودارهای تاثیر تمرکز شده است، فهرست عواملی که در وقوع انفجار سنگ دخالت داشته و رابطه میان این عوامل را درک می کنند. پایگاه داده های انفجار سنگ در شرایط آزمایشگاهی با استفاده از تکنیکهای متفاوت DM آنالیز و از شبکه های عصبی مصنوعی (ANNs) تا طبقه بندی کننده های naive  Bayesian رتبه بندی شده اند. هدف پیش بینی نوعی از انفجار سنگ است که سطح انفجار سنگ بر اساس ویژگیهای ساختاری و زمین شناسی  معدن یا تونل پایه ریزی شده است. نتیجه گیریها در پایان مقاله ذکر شده اند.

Abstract

Rockburst is an important phenomenon that has affected many deep underground mines around the world. An understanding of this phenomenon is relevant to the management of such events, which can lead to saving both costs and lives. Laboratory experiments are one way to obtain a deeper and better understanding of the mechanisms of rockburst. In a previous study by these authors, a database of rockburst laboratory tests was created; in addition, with the use of data mining (DM) techniques, models to predict rockburst maximum stress and rockburst risk indexes were developed. In this paper, we focus on the analysis of a database of in situ cases of rockburst in order to build influence diagrams, list the factors that interact in the occurrence of rockburst, and understand the relationships between these factors. The in situ rockburst database was further analyzed using different DM techniques ranging from artificial neural networks (ANNs) to naive Bayesian classifiers. The aim was to predict the type of rockburst—that is, the rockburst level—based on geologic and construction characteristics of the mine or tunnel. Conclusions are drawn at the end of the paper.

۱۹۰,۰۰۰ ریال – خرید
امتیاز شما:
(2 votes, average: 1٫50 out of 5)
Back To Top