اخبار و اعلانات
آمار
| تعداد نشریات | 38 |
| تعداد شمارهها | 1,408 |
| تعداد مقالات | 10,088 |
| تعداد مشاهده مقاله | 11,911,235 |
| تعداد دریافت فایل اصل مقاله | 6,961,951 |
ارائه الگوی انفجار بهینه برای رسیدن به ابعاد خردایش هدف با استفاده از ترکیبی از شبکهی عصبی و الگوریتمهای بهینهسازی | ||
| علوم و فنون سازندگی | ||
| دوره 6، شماره 2 - شماره پیاپی 19، آبان 1404، صفحه 1-12 اصل مقاله (1.01 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| عماد انصاری اردهجانی* 1؛ سید فرشید شجاعی2؛ محمد عطایی3؛ راحب باقرپور4 | ||
| 1دانشجوی دکتری، دانشکده مهندسی معدن، نفت و ژئوفیزیک، دانشگاه صنعتی شاهرود، شاهرود، ایران | ||
| 2کارشناس ارشد، هلدینگ صنعت و معدن قرارگاه سازندگی خاتم الانیاء، موسسه ثارالله کرمان، کرمان، ایران | ||
| 3استاد تمام، دانشکده مهندسی معدن، نفت و ژئوفیزیک، دانشگاه صنعتی شاهرود، شاهرود، ایران | ||
| 4استاد تمام، گروه مهندس معدن، دانشگاه صنعتی اصفهان، اصفهان، ایران | ||
| تاریخ دریافت: 29 آبان 1403، تاریخ بازنگری: 11 شهریور 1404، تاریخ پذیرش: 12 شهریور 1404 | ||
| چکیده | ||
| معدنکاری بهینه به معنای انجام بهترین روش ممکن برای استخراج یک مادهی معدنی است. این مهم با انتخاب روش درست استخراج و اجرای آن در بهترین حالت ممکن محقق خواهد شد. این کار موجب کاهش هزینههای استخراجی ثابت و متغیر شده و سود ناشی از عملیات معدنکاری را افزایش میدهد. این تحقیق بر بهینهسازی پارامترهای انفجار برای بهبود کارایی خردایش و کاهش هزینهها در صنعت معدنکاری تمرکز دارد.به این منظور از داده های معدن راکفیل سد رسوبگیر درآلو برای اجرای این پژوهش استفاده شد. یک مدل شبکه عصبی برای پیش بینی نتایج خردایش بر اساس پارامترهای مختلف انفجار توسعه داده شد. پس از آن، الگوریتم های فراابتکاری، از جمله الگوریتم بهینه سازی نهنگ (WOA) و الگوریتم کرم شب تاب (FA)، برای بهینه سازی الگوهای انفجار استفاده شدند. سه الگوی مختلف از روشهای الگوریتمهای فراابتکاری به معدن پیشنهاد شده است. نتایج نشان میدهد که الگوی بهینهشده WOA از الگوی بهینهشده FA از نظر پراکندگی و مقرونبهصرفه بودن بهتر عمل میکند. | ||
| کلیدواژهها | ||
| بهینه سازی انفجار؛ خردایش؛ شبکهی عصبی؛ الگوریتم های فراابتکاری؛ مهندسی معدن | ||
| عنوان مقاله [English] | ||
| Providing the optimal blast pattern to achieve the target crushing dimensions using a combination of neural network and optimization algorithms. | ||
| نویسندگان [English] | ||
| Emad Ansari Ardehjani1؛ Seyedfarshid Shojaee2؛ mohammad Ataei3؛ Raheb Bagherpour4 | ||
| 1PhD Student, Faculty of Mining, Petroleum and Geophysical Engineering, Shahrood University of Technology, Shahrood, Iran | ||
| 2Senior Expert, Sanat and Mining Holding, Khatam Elania Manufacturing Base, Tharullah Kerman Institute, Kerman, Iran | ||
| 3Professor, Faculty of Mining, Petroleum and Geophysics Engineering, Shahrood University of Technology, Shahrood, Iran | ||
| 4Professor, Department of Mining Engineering, Isfahan University of Technology, Isfahan, Iran | ||
| چکیده [English] | ||
| Optimal mining means doing the best possible way to extract a mineral. This is achieved by choosing the right extraction method and implementing it in the best possible way. This reduces both fixed and variable extraction costs and increases the profit from mining operations. This research focuses on optimizing blasting parameters to improve crushing efficiency and reduce costs in the mining industry. For this purpose, data from the Rockfill dam sedimentation in Dar Alo mine was used to conduct this research. A neural network model was developed to predict the crushing results based on various blasting parameters. Then, metaheuristic algorithms, including the Whale Optimization Algorithm (WOA) and the Firefly Algorithm (FA), were used to optimize blasting patterns. Three different patterns from metaheuristic algorithm methods were proposed to the mine. The results show that the WOA optimized pattern performs better than the FA optimized pattern in terms of dispersion and cost-effectiveness. | ||
| کلیدواژهها [English] | ||
| blasting optimization, fragmentation, neural networks, metaheuristic algorithms, mining engineering | ||
| مراجع | ||
|
[1] D. Jahed Armaghani, M. Hajihassani, A. Marto, R. Shirani Faradonbeh, and E. T. Mohamad, “Prediction of blast-induced air overpressure: a hybrid AI-based predictive model,” Environ. Monit. Assess., vol. 187, pp. 1–13, 2015. [2] D. Jahed Armaghani et al., “Neuro-fuzzy technique to predict air-overpressure induced by blasting,” Arab. J. Geosci., vol. 8, pp. 10937–10950, 2015. [3] D. Jahed Armaghani, M. Hasanipanah, and E. Tonnizam Mohamad, “A combination of the ICA-ANN model to predict air-overpressure resulting from blasting,” Eng. Comput., vol. 32, pp. 155–171, 2016. [4] M. Ataei and F. Sereshki, “Improved prediction of blast-induced vibrations in limestone mines using Genetic Algorithm,” J. Min. Environ., vol. 8, no. 2, pp. 291–304, 2017, doi: 10.22044/jme.2016.654. [5] S. M. Hoseini, F. Sereshki, and M. Ataei, “A quantitative model for evaluation and classification of blastings in open-pit mines,” J. Min. Environ., vol. 9, no. 1, pp. 127–141, 2018. [6] M. Ataei and H. A. Baydokhti, “An experimental study of the repeated blasting effect on surrounding rock weakness incorporating ultrasonic wave velocity measurement,” Rud. Zb., vol. 34, no. 4, 2019. [7] S. Mulenga and R. Kaunda, “Blast design for improved productivity using a modified available energy method,” J. Min. Environ., vol. 11, no. 3, pp. 643–659, 2020. [8] D. Mohammadi, R. Mikaeil, and J. Abdollahei Sharif, “Investigating and Ranking Blasting Patterns to Reduce Ground Vibration using Soft Computing Approaches and MCDM Technique,” J. Min. Environ., vol. 11, no. 3, pp. 881–897, 2020. [9] H. Moomivand, S. Seadati, and H. Allahverdizadeh, “A new approach to improve the assessment of rock mass discontinuity spacing using image analysis technique,” Int. J. Rock Mech. Min. Sci., vol. 143, p. 104760, 2021. [10] E. Li, F. Yang, M. Ren, X. Zhang, J. Zhou, and M. Khandelwal, “Prediction of blasting mean fragment size using support vector regression combined with five optimization algorithms,” J. Rock Mech. Geotech. Eng., vol. 13, no. 6, pp. 1380–1397, 2021. [11] P. Bayat, M. Monjezi, A. Mehrdanesh, and M. Khandelwal, “Blasting pattern optimization using gene expression programming and grasshopper optimization algorithm to minimise blast-induced ground vibrations,” Eng. Comput., pp. 1–10, 2022. [12] H. Moomivand, H. Amini Khoshalan, J. Shakeri, and H. Vandyousefi, “Development of new comprehensive relations to assess rock fragmentation by blasting for different open pit mines using GEP algorithm and MLR procedure,” Int. J. Min. Geo-Engineering, vol. 56, no. 4, pp. 401–411, 2022. [13] R. Shamsi, M. S. Amin, H. Dehghani, M. Bascompta, B. Jodeiri Shokri, and S. Entezam, “Prediction of fly-rock using gene expression programming and teaching–learning-based optimization algorithm,” J. Min. Environ., vol. 13, no. 2, pp. 391–406, 2022. [14] B. O. Taiwo, “Improvement of small-scale dolomite blasting productivity: comparison of existing empirical models with image analysis software and artificial neural network models,” J. Min. Environ., vol. 13, no. 3, pp. 627–641, 2022. [15] B. O. Taiwo et al., “Artificial neural network modeling as an approach to limestone blast production rate prediction: a comparison of PI-BANN and MVR models,” J. Min. Environ., vol. 14, no. 2, pp. 375–388, 2023. [16] E. Sharifi, M. A. E. Farsangi, H. Mansouri, and E. Rashedi, “Determining Rock Fragment Size Distribution Using a Convolutional Neural Network,” Rud. Zb., vol. 39, no. 2, pp. 1–14, 2024. [17] H. Nguyen, X.-N. Bui, C. Drebenstedt, and Y. Choi, “Enhanced Prediction Model for Blast-Induced Air Over-Pressure in Open-Pit Mines Using Data Enrichment and Random Walk-Based Grey Wolf Optimization–Two-Layer ANN Model,” Nat. Resour. Res., vol. 33, no. 2, pp. 943–972, 2024. [18] A. Rabbani et al., “Optimization of an artificial neural network using four novel metaheuristic algorithms for the prediction of rock fragmentation in mine blasting,” J. Inst. Eng. Ser. D, pp. 1–20, 2024. [19] H. Fattahi, H. Ghaedi, and D. J. Armaghani, “Enhancing blasting efficiency: A smart predictive model for cost optimization and risk reduction,” Resour. Policy, vol. 97, p. 105261, 2024. [20] C. Lopez Jimeno, E. López Jimeno, and F. J. A. Carcedo, “Drilling and blasting of rocks. AA Balkema.” Taylor & Francis Group, Rotterdam, 1995. [21] S. Mirjalili and A. Lewis, “The whale optimization algorithm,” Adv. Eng. Softw., vol. 95, pp. 51–67, 2016. [22] X.-S. Yang, “Firefly algorithm, stochastic test functions and design optimisation,” Int. J. bio-inspired Comput., vol. 2, no. 2, pp. 78–84, 2010. | ||
|
آمار تعداد مشاهده مقاله: 227 تعداد دریافت فایل اصل مقاله: 174 |
||