نگاهی به اسم او

در موضوع: استخراج معدن
پیش بینى نرخ نفوذ TBM با استفاده از شبکه عصبى
   خلاصه مطالب:
     در این مقاله ابتدا برخى از روش های پیش بینى نرخ نفوذ TBM مرور شده و سپس نرخ ففوذ با منظور کردن پارامترهای نوع سنگ، درصد کوارتز، مقاومت فشاری تک محوره، قطر دیسک، نیروی نفوذ هر دیسک و RQD با استفاده از شبکه عصبى پیش بینى شده است. با حذف RQD و درصد کوارتز پارامترهای ورودی، حساسیت شبکه نسبت به حذف این پارامترها مورد بررسى قرار گرفته است. مقایسه نتایج شبکه عصبى با مدل تجربى گراهام، توانایى شبکه عصبى در پیش بینى نرخ نفوذ و پیش بینى نرخ نفوذ TBM تونل گاوشان با اسقفاده از شبکه عصبى و مدل گراهام بخش های پایان این تحقیق را تشکیل مى دهد.
   واژه هاى کلیدى: TBM، نرخ نفوذ، شبکه عصبى، تونل گاوشان
  
   پیش گفتار:
     استفاده روزافزون از حمل و نقل زمینى و لزوم احداث مسیرهای جدید و تونل های طولالى منجر به پیدایش و گسترش TBMاز اوایل قرن نوزدهم شد. على رغم سرمایه گذاری اولیه زیاد، سرعت و کیفیت بالای حفار این ماشین ها آن را قابل رقابت با روسهای حفاری سنتى کرده است. یکى از فاکتورهای مهم موثرکه بر سرعت حفاری یا نرخ پیشروی TBM (Advance Rate) تاثیر مى گذارد، نرخ نفوذ (Rate Of Penetration) آن است. نرخ نفوذ برابر با نرخ پیشروی آنى ماشین است و معمولأ بر حسب میلى متر بر دور تاج حفار(Cutter Head) بیان مى شود. نرخ نفوذ TBM به صورت معمول با توجه به خواص سنگ، مشخصات ماشین و ابزار برش تخمین زده مى شود. البته فاصله، جهت و شرایط درزه ها نیز بر نرخ نفوذ تاثیر مى گذارد که مقدار کمى این اثر در تعدادی از روشها، از جمله روش انستیتو تکنولوژی نروژ (NTH) لحاظ شده است. در ادامه به تعدادی از روش های تخمین نرخ نفوذ که تا کنون ارائه شده، اشاره مى شود.

   متن اصلی:
     2) مطالعات انجام شده در این زمینه
تارکى (Tarkoy) در سال 1973 مدلى را برای پیش بینى نرخ نفوذ بر مبنای سختى کل سنگ (Total Hardness)، پیشنهاد کرد که در آن سختى کل سنگ با استفاد ه از بازگشت چکش اشمیت و سختى سایشى سنگ محاسبه مى شد. بزرگترین عیب مدل تارکى عدم لحاظ ویژگیهای ماشین و توده سنگ در برآورد نرخ نفوذ بود. رابطه تارکى( 1 )در شرایطى که سختى کل بین 2 تا 242 و نرخ نفوذ 076/0- 716/3 متر بر ساعت باشد، صادق است.]1[
 
(1)

که HT سختى کل، HR سختى چکش اشمیت،HA سختى سایشى و P نرخ نفوذ بر حسب متر بر ساعت است.
گراهام(Graham) در سال 1976 برای سنگ هایى که مقاومت فشاری آنها در دامنه 140- 200 مگاپاسگال مى باشد، رابطه( 2 )را برای تخمین نرخ نفوذ ارائه کرد. ]2[
 
(2)

در این رابطه P نرخ نفوذ بر حسب میلى متر بر دور تاج حفار، UCS مقاومت فشاری تک محوره بر حسب کیلوپاسگال و Fn نیروی نفوذ هر دیسک بر حسب کیلونیوتن است.
فارمر و گلولسپ (Farmer and Glossop) در سال 1980 رابطه (3) را برای تخمین نرخ نفوذ در سنگهای رسوبى ارائه کردند.
 
(3)

که P نرخ نفوذ بر حسب میلى متر بر دور تاج حفار، مقاومت کششى برزیلى بر حسب مگاپاسگال وFn نیروی نفوذ هر دیسک بر حسب کیلونیوتن است.
کاسینلى (Cassinelli) در سال 1982با استفاده از رده بندی RSR نرخ نفوذ را برحسب متر بر ساعت به صورت زیر تعیین کرد.
 
(4)

لیزلرود (Lislerud) در سال 1983 بر مبنای حفاری های انجام شده در سنگهای شیل، آهک، کنیس و بازالت رابطه(5) را برای اصلاح نرخ نفوذ با توجه به امتداد ناپیوستگى ها ارائه کرد.] 5[
 
(5)

که ib نرخ نفوذ پایه، Ks، ضریب اصلاح برای کلاس درزه ها و زاویه میان محور تونل و امتداد درزه ها وKd ضریب اصلاح برای قطر دیسک است.
بامفورد (Bamford) در سال 1984 نرخ نفوذ را به صورت تابعى از سختى چکش اشمیت، نیروی محوری ماشین(Thrust)، شاخص نفوذ مخروطى (Cone Indentor Index)و زاویه اصطکاک داخلى به صورت زیر تخمین زد.]6[
 
(6)

که P نرخ نفوذ بر حسب متر بر ساعت، S سختى چکش اشمیت،T نیروی محوری ماشین بر حسب تن،N شاخص نفوذ مخروطى بر حسب نیوتن بر میلى متر و زاویه اصطکاک داخلى بر حسب درجه است.

3 ) مبانى شبکه عصبى
شبکه های عصبى مصنوعى با الهام از ساختار مغز و عملکرد موازی آن به وجود آمده اند و تا به حال نتایج شگفت آوری به دنبال داشته اند. شبکه عصبى یک سیستم پویا و غیرخطى است که از تعداد زیادی واحد پردازش (Neuron) و اتصالات بین واحدهای پردازش تشکیل مى شود. شبکه عصبى برای حل مسائل سه مرحله را طى مى کند: الف: آموزش (Training)، ب: ارزیابى (Validation) ، ج: اجرا (operation) . آموزش فرایندی است که طى آن شبکه مى آموزد تا الگوی موجود در ورودی ها را به صورت مجموعه داده های آموزشى است )بشناسد. برای این منظور هر شبکه عصبى از مجموعه ای از قوانین یادگیری که نحوه یادگیری را تعریف مى کنند استفاده مى کند. تعمیم، توانایى شبکه است برای ارائه جواب قابل قبول در قبال ورودی هایى که در مجموعه آموزشى نبوده اند. استفاده از شبکه برای انجام عملکردی که به آن منظور طراحى شده است را اجرا مى گویند. شبکه های عصبى از یک سری واحدهای ساختمانى اولیه تشکیل مى شوند. این واحدهای ساختمانى را سلول عصبى، واحد پردازش (Processmg Unit) یا گره مى نامند. هر سلول عصبى دارای چندین ورودی است. بدنه سلول عصبى از دو بخش تشکیل شده است. تابع ترکیب در اولین بخش قرار دارد. وظیفه تابع ترکیب این است که تمام ورودیها را ترکیب و یک عدد تولید کند. بخش دوم سلول عصبى تابع انتقال نام دارد. تابع انتقال مقدار تابع ترکیب را به خروجى سلول تبدیل مى کند. تابع انتقال را تابع تحریک نیز مى نامند.
شبکه های عصبى ساختار لایه ای دارند. اولین لایه، لایه ورودی است و لایه آخر لایه خروجى است. داده ها در سلول های لایه ورودی جای مى گیرند. لایه ورودی کار خاصى انجام نمى دهد و صرفا داده های ورودی را در قسمت خروجى خود کپى مى کند. به جز لایه ورودی تمام لایه های دیگر شبکه عصبى در کار پردازش شرکت مى کنند و در نهایت خروجى به دست مى آید. لایه های بین لایه ورودی و لایه خروجى را لایه های داخلى یا پنهان (Hidden Layers) مى نامند. اگر شبکه دارای m گره در لایه ورودی، n1 گره در لایه پنهان اول، n2 گره در لایه پنهان دوم و p گره در لایه خروجى باشد، آن را به صورت mn1n2p نشان مى دهند. شبکه استفاده شده در این مطالعه از نوع تغذیه پیشرو است، بدین معنى که تنها یک جریان یک طرفه از لایه ورودی به سمت لایه خروجى موجود است و هیچ مسیر برگشتى وجود ندارد. این نوع شبکه ساده ترین و پرکاربردترین نوع شبکه عصبى است و برای مسائل تخمین بسیار مناسب مى باشد.]7[
4 )پیش بینى نرخ نفوذ
پارامترهایى که برای پیش بینى نرخ نفوذ به عنوان ورودی شبکه مورد بررسى قرار گرفته اند عبارت اند از:
نوع سنگ، مقاومت فشاری تک محوره، درصدکوارتز، قطر دیسک، نیروی نفوذ هر دیسک و RQD
مقاومت فشاری تک محوره بر حسب مگاپاسگال، قطر دیسک بر حسب اینچ و نیروی نفوذ هر دیسک بر حسب کیلونیوتن منظور شده است. نوع سنگ مطابق جدول 1 و درصد کوارتز و RQDل مطابق جدول 2 دسته بندی و کدگذاری شده اند.
خروجى شبکه، نرخ نفوذ و بر حسب سانتى متر بر دور تاج حفار است، علت محاسبه نرخ نفوذ بر حسب سانتى متر بر دور تاج حفار، حذف اثر سرعت چرخش تاج حفار بر نرخ نفوذ است. برای آموزش و ارزیابى شبکه از بانک اطلاعاتى که به این منظور ایجاد شده، استفاده شده است]8[ . برای این که شبکه به اهمیت داده های نادر نیز پى ببرد، این قبیل داده ها چندین مرتبه به شبکه ارائه مى شوند. به این منظور فراوانى داده های ناد ر در بانک اطلاعاتى اولیه اصلاح شده است.
تعداد اعضای بانک اطلاعاتى اصلاح شده 251 عدد است که 200 عضو برای آموزش و 51 عضو برای ارزیابى شبکه استفاده مى شود . داده های بانک اطلاعاتى به صورت تصاثفى به مجموعه های آموزش و ارزیابى تقسیم شده است. کلیه شبکه ها در این تحقیق دارای یک لایه میانى (Hidden Layer) و یک لایه خروجى هستند. توابع انتقال به کار رفته در لایه میانى و خروجى تابع tansing است. چون در فرایند آموزش وزن های اولیه به صورت تصادفى مقداردهى شده و احتمال دارد شبکه در کمینه محلى(Local Minima) گرفتار شود هر شبکه چندین بار( 20 مرتبه )مورد آموزش قرار گرفته و بهترین نتیجه مورد عمل واقع گردیده است. برای پیش بینى نرخ نفوذ سه مدل متفاوت بررسى شده، که در ادامه شرح داده مى شود.
 
جدول1_دسته بندی و کدگذاری نوع سنگ

 
جدول2_دسته بندی و کدگذاری درصد کوارتز و RQD

4-1 )شبکه عصبى با شش ورودى
ورودی شبکه عصبى در این حالت شامل نوع سنگ، مقاومت فشاری تک محوره، درصدکوارتز، قطر دیسک، نیروی نفوذ هر دیسک و RQD مى باشد
هر چه تعداد سلولها در لایه میانى بیشتر باشد توان یادگیری شبکه، خطر بیش برازشى( شبکه مثال های آموزشى را به خاطر سپرده و توان پیش بینى شبکه کم مى شود )و داد ه های مورد نیاز برای آموزش شبکه بیشتر خواهد بود. برای تعیین تعداد سلول های بهینه در لایه میانى، تعداد سلول های لایه میانى 10، 11، 12، 13 و 14 عدد منظور شده است. مقادیر تخمین زده شده نرخ نفوذ توسط شبکه در مقابل مقادیر واقعى نرخ نفوذ برای داده های ارزیابى در یک دستگاه مختصات رسم شده است. مقادیر واقعى (Target) در محور افقى و مقادیر تخمین زده شده در محور قائم دستگاه مختصات قرار دارند. در صورتى که خروجى شبکه با مقادیر واقعى نرخ نفوذ برابر باشد کلیه نقاط بر روی خط Y= X قرار مى گیرند. میزان انحراف نقاط نسبت به این خط بیانگر میزان تفاوت میان خروجى شبکه و مقادیر واقعى است. برای ارزیابى شبکه ها سه باند که در جدول 3 نمایش داده شده، تعریف شده است. ملاک ارزیابى فراوانى نقاط در هر یک از این سه باند مى باشد. فراوانى داده ها در هر باند نشان مى دهد که شبکه با چه دقت و احتمالى قادر به پیش بینى نرخ نفوذ است. فراوانى داده ها در هر یک از باندهای ذکر شده برای شبکه های 1*10*6 ، 1*11*6 ، 1*12*6 ، 1*13*6 و 1*14*6 در جدول 4 آورده شده است.
 
جدول3_تعریف باندهای خطا{8}

 
جدول4_ارزیابی کارآیی شبکه با تغییر تعداد سلول های لایه میانی {8}

مطابق جدول 4 تعداد سلول های بهینه در لایه میانى 12 عدد است. با توجه به این که مجموعه ارزیابى 51 عضو دارد، احتمال این که خروجى شبکه 1*12*6 با مقدار واقعى نرخ نفوذ کمتر از 05/0 ، 1/0 و 15/0 سانتى متر بر دور تاج حفار تفاوت داشته باشد به ترتیب 29/0 ، 51/0 و 67/0 است. فراوانى داده ها در هر یک از سه باند ذکر شده برای شبکه 1*12*6 در شکل 1 نشان داده شده است.
 
شکل 1_مقادیر تخمین زده شده نرخ نفوذ در مقابل مقادیر واقعی برای داده های ارزیابی {8}

4-2 )شبکه عصبى با پنح ورودى
در این حالت دو شبکه بررسى شده است. در شبکه اول RQD و در شبکه دوم درصد کوارتز از پارامترها ورودی شبکه حذف شده است.
4-2-1 ) شبکه اول
ورودی شبکه عصبى در این حالت شامل نوع سنگ، مقاومت فشاری تک محوره، درصدکوارتز، قطر دیسک و نیروی نفوذ هر دیسک مى باشد.
برای تعیین تعداد سلول های بهینه در لایه میانى، تعداد سلول های لایه میانى 10، 11 و 12 عدد منظور شده است. فراوانى داده ها( برای مجموعه ارزیابى )در هر یک از باندهای ذکر شده برای شبکه های1*10*5 ، 1*11*5و 1*12*5 در جدول 5 آورده شده است. با توجه به فراوانى داده ها در هر باند و مقدار متوسط خطا، شبکه 1*11*5 شبکه بهینه است.
مطابق جدول 4 و 5 حذف RQD تاثیر زیادی روی کارآیى شبکه نداشته و فراوانى داده ها در باند سوم برا هر دو شبکه 1*12*6 و 1*11*5 برابر با 34 است. RQD هنگامى مى تواند برای پیش بینى نرخ نفوذ استفاده شود که در امتداد حفاری برداشت شده باشد، در این حالت افزایش RQD باعث افزایش نرخ نفوذ مى شود. داده های مربوط به RQD در بانک اطلاعاتى حاضر به صورت عمومى برداشت شده است.
 
جدول5_ارزیابی کارآیی شبکه اول با تغییر تعداد سلول های لایه میانی {8}

4-2-2) شبکه دوم
ورودی شبکه عصبى در این حالت شامل نوع سنگ، مقاومت فشاری تک محوره، قطر دیسک، نیروی نفوذ هر دیسک و RQD مى باشد
برای تعیین تعداد سلول های بهینه در لایه میانى، تعداد سلول های لایه میانى 9، 10 و 11 عدد منظور شده است. فراوانى داده ها ) برای مجموعه ارزیابى ) در هر یک از باندهای ذکر شده برای شبکه های1*9*5، 1*10*5 و 1*11*5 در جدول 6 آورده شده است. همان گونه که ملاحظه مى شود شبکه 1*10*5 شبکه بهینه است. مطابق این جدول و جدول 4، با توجه به فراوانى داده ها در باند سوم و خطای متوسط، حذف درصد کوارتز باعث افت کارآیى شبکه مى شود. لذا درصد کوارتز، بیش از RQD (اگر RQD در امتداد حفاری برداشت نشود) بر روی کارآیى شبکه تاثیر مى گذارد.
 
جدول6_ارزیابی کارآیی شبکه دوم با تغییر تعداد سلول های لایه میانی {8}

5) مقایسه شبکه عصبى با روش گراهام
برای مشخص شدن توانایى شبکه عصبى در پیش بینى نرخ نفوذ، نرخ نفوذ پیش بینى شده توشط شبکه عصبى با نرخ نفوذ پیش بینى شده توسط روش گراهام(1976) مقایسه شده است. نتیجه این مقایسه در شکل 2 نمایش داده شده است. همان گونه که ملاحظه مى شود خروجى شبکه عصبى هماهنگى بیشتری با مقادیر واقعى دارد. ضریب همبستگى میان مقادیر پیش بینى شده و واقعى برای شبکه عصبى 82/0 و برای مدل گرا هام11/0 است.
 
شکل 2_مقایسه مقادیر تخمین زده شده نرخ نفوذ توسط شبکه عصبی و روش گراهام با مقادیر واقعی {8}

6) پیش بینى نرخ نفوذ TBM در تونل گاوشان
تونل انتقال آب گاوشان به طول 21180 متر در 38 کیلومتری جنوب سهر سنندج واقع شده، که حدود 9792 متر آن توسط TBM باز به قطر 5/5 مقر حفاری مى شود. سنگ های میزبان تونل در قطعه ای ک توسط TBM حفاری مى شود شامل توده افیولیتى با کیفیت خوب تا متوسط و دیاباز با کیفیت خوب تا عالى است. سطح آب زیرزمینى بالاتر از سطح تونل بوده و میزان آب ورودی به تونل قابل توجه است. پارامترهای ورودی شبکه عصبى به شرح زیر است:
نوع سنگ: سنگهای آذرین ریزدانه (گروه7)، RQD: 75-50 درصد، درصد کوارتز: 50-20 درصد، مقاومت فشاری تک محوره: 70 مگاپاسگال، نیروی نفوذ هر دیسک: 200 کیلونیوتن و قطر دیسک: 17 اینچ
شبکه عصبى مقدار نرخ نفوذ را 627/0 سانتى متر بر دور تاج حفار تخمین زده است. با توجه به سرعت چرخش تاج حفار( 10 دور در دقیقه ) نرخ نفوذ برابر با 8/3 متر بر ساعت است. روش گراهام مقدار نرخ نفوذ را 7/6 متر بر ساعت تخمین مى زند.
7) نتایج
مطابق شبکه های عصبى ساخته شده درصد کوارتز در مقایسه با RQD تاثیر بیشقری بر روی کارآیى شبک عصبى مى گذارد. احتمال اینکه خروجى شبکه عصبى 1*12*6 با مقدار واقعى نرخ نفوذ کمتر از05/0، 1/0 و 15/0 سانتى متر بر دور تاج حفار تفاوت داشته باشد به ترتیب 29/0، 51/0و67/0 است. این مقادیر برای مدل گراهام به ترتیب18/0، 29/0 و 4/0 است. ضریب همبستگى میان مقادیر پیش بینى شده و واقعى برای شبکه عصبى 82/0 و برای مدل گراهام 11 /0 است. شبکه عصبى نرخ نفوذ TBM تونل گاوشان را 8/3 متر بر ساعت و مدل گراهام 7/6 متر بر ساعت تخمین مى زند. پارامترهایى که بر روی نرخ نفوذ تاثیر مى گذارد کثرا در رده پارامترهای ماشین و ماده سنگ قرار دارند.