Geri Dön

Patlatma kaynaklı yer sarsıntısı tahmininde uyarlamalı bulanık çıkarım sistemi (ANFIS), destek vektör makineleri (SVM) ve gauss süreç regresyonu (GPR) tekniklerinin kullanımı

Application of adaptive-network based fuzzy inference system (ANFIS), support vector machines (SVM) and gaussian process regression (GPR) techniques for prediction of blast-induced ground vibrations

PDF İndir

  1. Tez No: 791299
  2. Yazar: YAŞAR AĞAN
  3. Danışmanlar: PROF. DR. TÜRKER HÜDAVERDİ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Maden Mühendisliği ve Madencilik, Mining Engineering and Mining
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: Türkçe
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Maden Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Maden Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 93

Özet

Günümüzde uygulanan madencilik faaliyetlerinde cevher üzerindeki örtü tabakasını kaldırmak ve cevhere ulaşmak için kullanılan en etkili ve ekonomik yöntem delme – patlatma işlemidir. Verimli bir patlatma operasyonu ile her sertlikteki kaçak parçalanabilir ve istenen boyutta malzeme elde edilebilir. Patlatma işleminin başarılı bir şekilde gerçekleşebilmesi için patlatma parametrelerinin uygun olarak seçilmesi gerekmektedir. Patlatma üzerinde etkin değişkenler kontrol edilebilen ve kontrol edilemeyen parametreler olmak üzere iki başlık altında incelebilir. Kontrol edilebilen parametreler patlatma tasarım parametreleridir. Bu parametreler teknik olarak belirlenip değiştirilebilirken, kontrol edilemeyen parametrelerin teknik olarak ayarlanması mümkün değildir. Formasyon özellikleri, süreksizlikler, faylanma ve kayacın fiziksel ve mekanik özellikleri kontrol edilemeyen değişkenlere örnek olarak verilebilir. Patlatma operasyonlarının ekonomik verimliliğinin yanı sıra, çevresel etkilerinin de dikkatle değerlendirilmesi gerekmektedir. Patlatma operasyonu bütüncül bir bakış açısıyla planlanmalıdır. Patlatma tasarım parametrelerinin değişimi çevresel etkilerin oluşumunda önemli rol oynayabilir. Tasarım parametreleri delikler arası mesafe (S), dilim kalınlığı (B), basamak yüksekliği (H), sıkılama mesafesi (T), alt delme (U) ve delik boyu (L) olarak sıralanabilir. Tasarım parametreleri yer sarsıntısı, hava şoku, kaya fırlaması ve toz oluşumu ile doğrudan bağlantılıdır. Patlatma işleminin yukarıda belirtilen çevresel etkilerinden en önemlisi yer sarsıntılarıdır. Bunun nedeni, yer sarsıntılarının daha geniş bir alana yayılmasıdır. Bu tez kapsamında patlatma kaynaklı yer sarsıntısı incelenmiştir. Patlatma kaynaklı yer sarsıntılarını kabul edilebilir seviyelere indirebilmek için sarsıntı seviyesinin tahmin edilmesi gerekmektedir. Bu amaçla, regresyon analizine dayanan klasik yöntemler kullanılarak en yüksek parçacık hız (ppv) tahmini yapılmıştır. En yüksek parçacık hızını (ppv) tespit etmek amacıyla patlatma sismografları kullanılmıştır. Sismograf düşey, boyuna ve yanal olmak üzere üç yönde parçacık hızı ölçebilen bir jeofon ve ölçülen verilerin aktarıldığı bir kayıt cihazından oluşmaktadır. Arazide ölçülen veriler daha sonra bilgisayara aktarılmakta, özel bir yazılım yoluyla yer sarsıntısı dalgalarının ayrıntılı bir analizi gerçekleştirilebilmektedir. Bu çalışmada klasik yöntemlerden biri olan, ABD Madencilik Bürosu (USBM) tarafından geliştirilen ölçekli mesafe (SD) denklemi kullanılmıştır. Patlatma bölgesi ile jeofonun konumlandırılacağı nokta arasındaki mesafe el tipi GPS cihazları ile ölçülmüş ve gecikme başına anlık şarj miktarı gözetilerek en yüksek parçacık hızı (ppv) tahmini yapılmıştır. Kullanılan bir diğer klasik yöntem ise regresyon denklemi aracılığıyla tahmini ppv değerlerine ulaşmaktır. Bu çalışmada elde edilen tahmin denklemi istatistiksel analiz yazılımı kullanılarak çoklu regresyon yöntemi ile bulunmuştur. Bu amaçla, tahmin edilmek istenen parametre en yüksek parçacık hızı (ppv) bağımlı değişken, seçilen tasarım parametreleri ise bağımsız değişken olarak atanmıştır. Modele dahil edilen bağımsız değişkenler delikler arası mesafe/dilim kalınlığı oranı, basamak yüksekliği/dilim kalınlığı oranı ve ölçekli mesafe değeridir. Sonuç olarak, parçacık hızı tahmini için iki farklı klasik yöntem kullanılmış, tahmin edilen değerler ölçülen gerçek değerler ile karşılaştırılmıştır. Yukarıda belirtilen klasik tahmin yöntemlerinin yanı sıra çeşitli esnek hesaplama yöntemleri ve makine öğrenmesi teknikleri de yer sarsıntısı tahmini amacıyla kullanılmaktadır. Özellikle son yıllarda makine öğrenmesi ile oluşturan modellerin klasik modellere karşı elde ettiği üstünlükler, yeni yöntemlere olan ilgiyi artırmıştır. Bu tez kapsamında uyarlamalı bulanık çıkarım sistemi (ANFIS), Destek Vektör Makineleri (SVM) ve Gauss Süreç Regresyonu (GPR) kullanılarak klasik yöntemlerden ayrı olarak üç farklı model oluşturulmuştur. ANFIS, Jang tarafından geliştirilmiş bir Sugeno bulanık modelidir ve if-then kurallarını tanımlamak için hibrit bir öğrenme algoritması ile birlikte en küçük kareler ve geri yayılımlı gradyan iniş yöntemlerinin bir kombinasyonunu kullanmaktadır. Bu kuralları tanımlarken girdi parametreleri ve üyelik fonksiyonlarını kullanarak tek bir çıktı vermektedir. SVM ve GPR modelleri ise hem regresyon hem de sınıflandırma için kullanılmaktadır. Farklı tekniklerin kullanımı yer sarsıntısına alternatif yaklaşımların geliştirilmesini sağlamıştır. Oluşturulan modeller klasik ölçekli mesafe denklemi ve çoklu regresyon denklemi ile karşılaştırılmıştır. Karşılaştırma yapılırken modellerin performansını değerlendirmek için ortalama mutlak hata (OMH), ortalama karekök hata (OKH), ortalama mutlak ölçekli hata (OMÖH), ortalama karekök ölçekli hata (OKÖH), ortalama mutlak yüzde hata (OMYH), simetrik ortalama mutlak yüzde hata (sOMYH), varyans yüzde oranı (VYO), Nash-Sutchliffe Efficiency (NSE) ve determinasyon katsayısı kriterleri kullanılmıştır. Bu tez kapsamında titreşim tahmin modeli oluşturmak için toplamda 95 adet titreşim ölçüm verisi alınmıştır. Bu verilerin 69 adedi tahmin modelini kurmak için, geriye kalan 26 verisi ise modeli test etmek için kullanılmıştır. ANFIS, SVM ve GPR modellerinde ortalama mutlak hata (OMH) değeri sırasıyla 1,42, 1,82 ve 1,46 olarak bulunmuştur. Ayrıca bu modellere ait ortalama karekök hata (OKH) değerleri de sırasıyla 1,84, 2,57 ve 2,29'dur. Test verilerine ait determinasyon katsayısı ise sırasıyla 0,90, 0,79 ve 0,84 civarındadır. Buna karşılık, geleneksel yöntemler ile oluşturulan USBM ve çoklu regresyon modelleri için OMH değeri sırasıyla 2,03 ve 2,41'dir. Bu modellerin OKH değerleri ise 2,97 ve 3,02'dir. Test verilerine ait determinasyon katsayı ise sırasıyla 0,75 ve 0,73 civarındadır. Makine öğrenmesi yöntemlerinin kullanımı mühendislik ve madencilik alanında günden güne artmaktadır. Bu yöntemler ile problemlerin çözümü daha hızlı ve kolay bir şekilde gerçekleşmektedir. Bu çalışmada, makine öğrenmesi yöntemlerinin patlatma kaynaklı yer sarsıntısı tahmininde başarı ile uygulanabileceği öngörülmüştür.

Özet (Çeviri)

Drilling–blasting operation is the most effective and economical method to remove the overburden material on the ore and to excavate the valuable minerals. The aim of blasting operation is obtaining optimum blast fragmentation. Blast parameters should be determined correctly to achieve an effective blasting operation. The factors those affect blast performance may be divided into two groups. These are controllable and uncontrollable parameters. The controllable parameters are blast design parameters such as burden and spacing. These variables can be adjusted by site engineers considering rock formation. Rock mass properties, mechanical properties of rock, discontinuities and faults are the uncontrollable parameters. Blast-induced environmental effects should also be minimized to achieve a successful excavation operation. Environmental concerns may restrict mining activities. Ground vibrations, flyrock, airblast and dust are the main environmental adverse effects of rock blasting. Especially blast-induced ground vibrations may reach far distances. Blast design parameters plays an important role in occurrence of intense vibration waves. These parameters can be listed as spacing (S), burden (B), bench height (H), stemming (T), sub-drilling (U), hole length (L) and powder factor (Pf). In addition to design parameters, initiation pattern should also be determined precisely. Instantaneous explosive charge should be kept minimum as much as possible. In this study, blast-induced ground vibration was investigated. Site measurements were performed in an Istanbul region aggregate quarry. Because of rapid development of Istanbul city, residential areas approach aggregates quarries day to day. All the environmental effects should be minimized to work efficiently. The first step of vibration control is the prediction of possible vibration values. Blast-induced ground vibration was modelled using traditional and machine learning methods. At the first stage, the vibration data were collected from the mine site. Special blast seismographs were used to monitor ground vibrations. The seismograph consists of a geophone, recorder and microphone. The obtained data is transferred to the computer and analyzed by a specific software. Seismographs measure both particle velocity and frequency. The distance between blast point and monitoring station is measured by handheld GPS device. In each blast, instantaneous explosive charge was inspected and calculated carefully. All the blast design parameters were also recorded. An extensive database was created for model development. The scaled distance equations are generally the first choice for prediction of particle velocity. These equations are widely used in blasting literature and they are among the most trusted predictors for blast vibrations. The scaled distance equations were created based on regression analysis. The equations use explosive charge per delay and measurement distance to predict peak particle velocity. Another classical method for particle velocity estimation is multiple regression analysis. In addition to the scaled distance equations, a multiple regression equation was created to predict vibrations. The input parameters of the regression equation are spacing/burden ratio, bench height/burden ratio and scaled distance ratio. Sixty-nine blast data were used to perform regression analysis. As a result, a unique multiple regression equation that contains blast design parameters were developed. In addition to the classical methods mentioned above, various soft computing methods and machine learning techniques were also applied. In recent years, the use of machine learning techniques has become widespread. The superiority of the models created by machine learning over classical methods makes machine learning techniques indispensable. In this study, three different intelligent modelling techniques were used. These are adaptive neuro fuzzy inference system (ANFIS), support vector machines (SVM) and Gaussian process regression (GPR). ANFIS is a Sugeno fuzzy model developed by Jang and uses a combination of least squares and backpropagation gradient descent methods together with a hybrid learning algorithm to define if-then rules. After determination of predictive rules, it gives a single output using input (parameters) and membership functions. ANFIS structure basically consists of five layers. The data passes through these layers and creates the output value. The second machine learning method used in this study is support vector machines. SVM is a supervised machine learning method based on statistical learning theory. It is often applied for classification and regression. The final method is Gaussian process regression. The GPR method has been recently used in many engineering applications to create forecasting models. GPR is a regression and classification tool based on covariance (kernel) functions. It is a non-parametric stochastic process that can overcome uncertainties in data. The both techniques were used to predict peak particle velocity. Application of different modeling methods increased the number of forecasting tools. In this research, all the developed machine learning models were created using Matlab software. ANFIS model was developed by neuro fuzzy toolbox of Matlab software. SVM and GPR models were created by the regression learner application. This application offers several regression models such as Linear regression (LR), decision trees (DT), Gaussian process regression (GPR), Support Vector Machines (SVM). All the possibilities were considered during model development. Different blast design variables were tested as input parameters. Several trials were performed to adjust performance parameters of the machine learning methods. As a result, efficient and non-complex models were created. The developed intelligent models were compared to the classical scaled distance equation and the multiple regression equation. Different error measures were used to evaluate the performance of the developed models. The considered error metrics are mean absolute error (MAE), root mean square error (RMSE), mean absolute percent error (MAPE), symmetric mean absolute percent error (sMAPE), mean absolute scale error (MASE) and root mean squared scale error (RMSSE). Also, variance accounted for (VAF), Nash-Sutchliffe Efficiency (NSE) and correlation coefficient were used. Application of different error measures provided different perspective during model validation. The predictive models were developed using sixty-nine blast data. Model validation were achieved using twenty-six independent test data. In general, the developed machine learning models perform better than the models those created by traditional methods. The mean absolute error (MAE) values for ANFIS, SVM and GPR models were found to be 1.42, 1.82 and 1.46, respectively. In addition, the root mean square error (RMSE) values of these models are 1,84, 2.57 and 2.29, respectively. The determination coefficients of the test data are around 0.90, 0.79 and 0.83 for the machine learning models. On the other hand, the MAE values for USBM scaled distance equation and multiple regression equation are 2.03 and 2.41, respectively. The RMSE values of regression models are 2.97 and 3.02. The coefficient of determination values of the test data are around 0.75 and 0.73, respectively. Some certain parameters were found to be important for the machine learning models. Input and output membership functions, number of rules and grouping procedures for input parameters are the important factors during ANFIS model development. Selection of correct kernel function and cross validation type play an important role in the success of support vector machine and Gaussian process regression models. The main differences between SVM and GPR models are the methodologies used to create predictive models. Rock blasting is a complex process. Design parameters and rock mass properties highly affect the results. It is concluded that machine learning methods can be efficiently used to predict blast-induced vibrations. Machine learning methods are robust and adaptive techniques. It is possible to renew the developed models by adding new blast data or new design variables. It is believed that machine learning and artificial intelligence will enable development of more accurate predictive models for blast-induced ground vibrations.

Benzer Tezler

  1. Tez No

    156127

    Araklı-Taşönü Kalker Ocağında yapılan atımların çevresel etkilerinin değerlendirilmesi

    Evaluation of environmental effects of blasting performed at Araklı-Taşönü Limestone Quarry

    BAYRAM ERÇIKDI

    Yüksek Lisans

    Türkçe

    Türkçe

    2004

    Maden Mühendisliği ve MadencilikKaradeniz Teknik Üniversitesi

    Maden Mühendisliği Ana Bilim Dalı

    PROF.DR. AYHAN KESİMAL

  2. Tez No

    553435

    Patlatma kaynaklı yer sarsıntısının farklı regresyon modelleri ve yapay sinir ağı ile kestirimi

    Blast induced ground vibration forecasting using different regression models and artificial neural network

    TAYLAN ÖZKAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Maden Mühendisliği ve Madencilikİstanbul Teknik Üniversitesi

    Maden Mühendisliği Ana Bilim Dalı

    DOÇ. DR. TÜRKER HÜDAVERDİ

  3. Tez No

    178797

    Konya Çimento Fabrikası kireç taşı ocağındaki patlatma kaynaklı yer sarsıntılarının değerlendirilmesi

    Assessment of the blast induced vibrations in limestone quarry of Konya Cement Factory

    HAMDİ LEVENT YÜCEL

    Yüksek Lisans

    Türkçe

    Türkçe

    2008

    Maden Mühendisliği ve MadencilikSelçuk Üniversitesi

    Maden Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. MURAT ÜNAL

  4. Tez No

    513537

    Türkiye'deki bazı açık işletmelerde patlatma kaynaklı yer sarsıntılarının kaya kütle ve malzeme özellikleri ile ilişkilerinin araştırılması

    Investigation of the relations between rock mass and material properties and blast induced ground vibrations in some surface mines in Turkey

    MEHMET KÜRŞAT DİLMAÇ

    Doktora

    Türkçe

    Türkçe

    2018

    Maden Mühendisliği ve MadencilikSivas Cumhuriyet Üniversitesi

    Maden Mühendisliği Ana Bilim Dalı

    PROF. DR. KAZIM GÖRGÜLÜ

  5. Tez No

    268568

    Zeminlerde yer sarsıntısı yaratan yapay patlatmaların dinamik etkileri ve bir uygulama

    The dynamic effects of blast induced ground vibration in soil and a case study

    ONUR DOĞAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2009

    Jeofizik MühendisliğiGazi Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    PROF. DR. NAİL ÜNSAL

Geri Dön