Yapay sinir ağlarıyla yeraltı ayna patlatmalarında kaya parçalanmasının modellenmesi
Use of artificial neural network for rock fragmentation prediction in underground face blasting
- Tez No: 557768
- Danışmanlar: DOÇ. DR. FERDİ CİHANGİR
- Tez Türü: Yüksek Lisans
- Konular: Maden Mühendisliği ve Madencilik, Mining Engineering and Mining
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: Türkçe
- Üniversite: Karadeniz Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Maden Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 74
Özet
Bu tez çalışmasında, yer altı ayna patlatmalarından ortaya çıkan malzemenin tane boyut tahminine yönelik bir yer altı maden işletmesinde 27 ayna için kazı çalışmaları izlenmiştir. Patlatmalar öncesinde kaya ortamının jeoteknik özellikleri ve patlatma dizayn parametreleri, patlatmalar sonrasında ise parçalanmış kaya yığınlarının ölçekli resimleri Split Desktop yazılımında görüntü işleme tekniği ile analiz edilmiştir. Analizlerde D80 değeri tayin edilmiştir. Yapay sinir ağları (YSA) ve çoklu regresyon analizleriyle 21 ayna verisi için (verilerin %78'i) parçalanma tahmin modelleri oluşturulmuş ve görüntü analizi değerleri ile kıyaslanarak modellerin performansları tayin edilmiştir. Geriye kalan 6 ayna verisi ise modellerin genelleme gücünü değerlendirmek için kullanılmıştır. Elde edilen 4-8-1 mimari yapılı YSA tahmin modeli; R2 0.96, VAF %96.3 ve RMSE 0.008 performansına, çoklu doğrusal regresyon tahmin modeli ise R2 0.602; VAF %60.3 ve RMSE 0.026 performansına sahiptir. Elde edilen verileri denetlemek için genelleme testleri için modellere 6 bağımsız patlatma verisi girilmiş ve D80 hesaplanmıştır. Genelleme testlerine göre YSA yaklaşımıyla R2 0.84, RMSE 0.022 ve VAF %80 performansına, çoklu regresyon ise R2 0.81, RMSE 0.042 ve VAF %19 performansına sahiptir. Dolayısıyla YSA modeli çoklu doğrusal regresyon modeline göre daha yüksek tahmin gücüne sahiptir. %95 güven aralığı için YSA modeli ile tahmin edilen ve genelleme testinden elde edilen D80 değerlerinin değişim aralığı, ölçülen D80 değerleri ile çoklu doğrusal regresyon analizine kıyasla daha fazla benzerlik göstermektedir. Duyarlılık analizine göre parametrelerin parçalanma üzerine etkileri te TEBD=RQD > ayna alanı >özgül şarj şeklindedir.
Özet (Çeviri)
In this study, 27 blast events were monitored in an underground mine to investigate an efficient prediction model for rock fragmentation for face blasting activities. Before each face blasting, geotechnical properties of in-situ rock mass were collected along with blast design parameters. Afterwards, the scaled images of the muckpiles in front of the blasted faces were processed using Split Desktop to determine the D80 values. Then, on the basis of the 21 records (78% of the data), fragmentation prediction models were built using multivariate regression analysis (MVRA) and ANN approaches and results of each model were compared to the image analysis results to evaluate the performances of the models. The remaining 6 data were kept aside and used afterward for the generalization capabilities of the models. Optimum ANN model was obtained with a 4-8-1 architecture with performans values of R2 0.96, VAF 96.1% and RMSE 0.008. MVRA model was built with 0.602, 60.3% ve 0.026 performans criteria, respectively. ANN model predicted 6 data with R2 0.84, RMSE 0.022 and VAF 80% performance. However, MVRA model achieved the same predictions with R2 0.81, RMSE 0.042 and 19% VAF performance values. Thus, ANN and its generalization capabilities were found superior compared to MVRA. The variation interval in predicted and generalization D80 values using ANN model for 95% confidence interval is more similar to the measured D80 values compared to the MVRA results. According to the sensitivity analysis, the effectiveness of the parameters on fragmentation are very close to each other but the variables are in the order of TEBD = RQD> face area > specific charge.
Benzer Tezler
- Dalga formu ters çözümünde başlangıç modelinin genelleştirilmiş regresyon sinir ağlarıyla belirlenmesi
Determining of the initial model for waveform inversion with generalized regression neural networks
DOĞUKAN DURDAĞ
Doktora
Türkçe
2024
Jeofizik MühendisliğiKocaeli ÜniversitesiJeofizik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ERTAN PEKŞEN
- Elektrik dağıtım sistemlerinde yapay sinir ağları ile arıza türü belirleme
Fault type determination with artificial neural networks in electricity distribution systems
MELİKE DEMİRÖZ
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik MühendisliğiKonya Teknik ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. BAHADIR AKBAL
- İklim değişikliğinin içme suyu temini amaçlı kullanılan barajların doluluk oranlarına etkisinin yapay sinir ağı modellenmesi ile belirlenmesi
Determination of the effect of climate change on the occupancy rates of dams used for drinking water supply using artificial neural network modeling
FURKAN DEMİRBAŞ
Doktora
Türkçe
2024
Mühendislik Bilimleriİstanbul Üniversitesi-CerrahpaşaÇevre Mühendisliği Ana Bilim Dalı
PROF. DR. EMİNE ELMASLAR ÖZBAŞ
- Sismik veriler ile SPTN arasındaki ilişkilerin incelenmesi
Axamination of relations between seismic data and SPTN
ÖZLEM SİPAHİ
Yüksek Lisans
Türkçe
2010
Jeofizik MühendisliğiSakarya ÜniversitesiJeofizik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. CAN KARAVUL
- Prospects of nonresonant Higgs boson pair production measurement in the WWγγ channel at the HL-LHC with the phase-II CMS detector
Standart model Higgs bozonu çifti üretiminin WWγγ kanalında CMS faz II dedektörü ile HL-LHC koşullarında araştırılması
AHMET OĞUZ GÜZEL
Yüksek Lisans
İngilizce
2022
Fizik ve Fizik Mühendisliğiİstanbul Teknik ÜniversitesiFizik Mühendisliği Ana Bilim Dalı
PROF. DR. MUAMMER ALTAN ÇAKIR