Статті

Рішення з аналізу даних задля підвищення ефективності вибухових робіт у гірничодобувній промисловості

• 
• 

Рейтинг користувача:  / 0

ГіршийКращий 

Деталі

Категорія: Зміст №6 2023

Останнє оновлення: 02 січня 2024

Опубліковано: 30 листопада -0001

Перегляди: 1791

Authors:

Дао Хієу, orcid.org/0009-0009-4994-7784, Ханойський гірничо-геологічний університет, м. Ханой, Соціалістична Республіка В’єтнам

Фам Тхань Лоан*, orcid.org/0000-0002-8933-5258, Ханойський гірничо-геологічний університет, м. Ханой, Соціалістична Республіка В’єтнам, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

* Автор-кореспондент e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

повний текст / full article

Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu. 2023, (6): 039 - 047

https://doi.org/10.33271/nvngu/2023-6/039

Abstract:

Мета. Побудова ідентифікаційної моделі визначення відповідних значень параметрів підривних робіт із прийнятною вартістю. Оптимізація проєктування підривних робіт на кожній робочій ділянці з розрахунком часу затримки на базі моделі, що використовується.

Методика. Підривні роботи при видобутку корисних копалин – це питання використання максимальної енергії вибуху для досягнення найбільшої руйнівної здатності та найменшого рівня вібрації. У сучасних технологіях підривних робіт загальна кількість вибухової речовини ділиться на частини, що детонують через різні проміжки часу. Таке рішення створює інтерференцію між хвилями напружень, що призводить до зменшення міцності гірських порід і підвищення ефективності підривних робіт. Незважаючи на те, що час затримки відіграє важливу роль у цьому методі, досі його значення розраховують емпірично на місці вибуху через нерегулярні характеристики гірських порід. Також були визначені технічні проєктні параметри вибуху, включаючи час затримки, за допомогою програмного забезпечення інтелектуального аналізу та імітаційних моделей. Однак їх застосування обмежене через високу вартість і важкі умови реалізації. Методика, запропонована в роботі, усуває цей недолік і її ефективність доведена у процесі аналізу експериментальних даних на гірському масиві Нуй Бео у В’єтнамі.

Результати. Розроблена модель ідентифікації на основі даних, що включають у себе: значення часу затримки вибуху; середню швидкість поширення вібраційної хвилі; максимальну амплітуду вібраційної хвилі.

Наукова новизна. Використане базове програмне забезпечення для аналізу даних і модель штучної нейронної мережі. Створено новий алгоритм аналізу даних для визначення оптимального значення часу затримки вибуху.

Практична значимість. Сформоване просте та економічно обґрунтоване рішення з підвищення ефективності підривних робіт при видобутку корисних копалин.

Ключові слова: вибухові роботи, ідентифікаційна модель, аналіз даних

References.

1. Richards, A. B. (2013). Blast vibration wavefront reinforcement model. Mining Technology, 117(4), 161-167. https://doi.org/10.1179/174328609X417260.

2. Barton, N. (2007). Rock Quality, Seismic Velocity, Attenuation and Anisotropy. Taylor & Francis Group, London, UK. https://doi.org/10.1201/9780203964453.

3. Giao, H. S., Thắng, D. T., Quyển, L. V., & Chung, H. T. (2010). Nổ hóa học – Lý thuyết và thực tiễn. Science and technology, Hanoi. Retrieved from https://khaithaclothien.edu.vn/images/BOOK/16.pdf.

4. Rossmanith, H. (2003). The mechanics and physics of electronic blasting. Proceedings of the annual conference on explosives and blasting technique, (1), 83-102.

5. Rossmanith, H. P. (2002). The use of Lagrange diagrams in precise initiation blasting. Part I: two interacting blastholes. Fragblast, 6(1), 104-136. https://doi.org/10.1076/frag.6.1.104.8854.

6. Katsabanis, P., Omidi, O., Rielo, O., & Ross, P. (2014). Examination of timing requirements for optimization of fragmentation using small scale grout samples. Blasting Fragm, 8(1), 35-53.

7. Katsabanis, P., Tawadrous, A., Kennedy, C., & Brown, C. (2006). Timing effects on fragmentation. Proceedings of the annual conference on explosives and blasting technique, 32(2), 243-249.

8. Sjoberg, J., Schill, M., Hilding, D., Yi, C., Nyberg, U., & Johansson, D. (2012). Computer Simulations of Blasting with Precise Initiation. Eurock, Stockholm, Sweden. Retrieved from https://onepetro.org/ISRMEUROCK/proceedings-abstract/EUROCK12/All-EUROCK12/ISRM-EUROCK-2012-039/39886.

9. Johansson, D., & Ouchterlony, F. (2013). Shock wave interactions in rock blasting: the use of short delays to improve fragmentation in model-scale. Rock mechanics and rock engineering, (46), 1-18. https://doi.org/10.1007/s00603-012-0249-7.

10. Johnson, C. (2018). Effect of wave collision on fragmentation, throw, and energy efficiency of mining and comminution. Energy Efficiency in the Minerals Industry: Best Practices and Research Directions, 55-70. https://doi.org/10.1007/978-3-319-54199-0_4.

11. Yang, H. S., & Rai, P. (2011). Characterization of fragment size vis-à-vis delay timing in quarry blasts. Powder technology, 211(1), 120-126. https://doi.org/10.1016/j.powtec.2011.04.006.

12. Parihar, C. P., & Bhandari, S. (2012). Improving blasting operations using data management and analysis. Electrical Measuring Instruments and Measurements, 403-409.

13. Wang, I. T. (2019). Field experiments and numerical analysis of the ground vibration isolation of shock wave propagation under explosion shock loading. Vibration, 2(4), 300-310. https://doi.org/10.3390/vibration2040019.

14. Ivančo, M., Erdélyiová, R., & Figuli, L. (2019). Simulation of detonation and blast waves propagation. Transportation Research Procedia, (40), 1356-1363. https://doi.org/10.1016/j.trpro.2019.07.188.

15. Dzwilewski, P. T., & Fenton, G. (2003). Shock Wave/Sound Propagation Modeling Results for Calculating Marine Protected Species Impact Zones During Explosive Removal of Offshore Structures, U.S. Department of the Interior Minerals Management Service Gulf of Mexico OCS Region, 16-23. Retrieved from https://www.boem.gov/sites/default/files/boem-newsroom/Library/Publications/2003/2003-059.pdf.

16. Lai, J., Fan, H., Chen, J., Qiu, J., & Wang, K. (2015). Blasting vibration monitoring of undercrossing railway tunnel using wireless sensor network. International Journal of Distributed Sensor Networks, 11(6), 703980. https://doi.org/10.1155/2015/7039.

17. Figuli, L., Cekerevac, D., Bedon, C., & Leitner, B. (2020). Numerical analysis of the blast wave propagation due to various explosive charges. Advances in Civil Engineering, 1-11, 8871412. https://doi.org/10.1155/2020/8871412.

18. Teja, V. A., Chaitanya, S. V., Akula, U., Srihari, P., & Sastry, V. R. (2016). Blast vibration signal analysis using S-transform. International Con­ference on Electrical, Electronics, and Optimization Techniques (ICEEOT), 4182-4186. https://doi.org/10.1109/ICEEOT.2016.7755505.

19. Sastry, V. R., & Chandra, G. R. (2016). Signal processing computation based seismic energy estimation of blast induced ground vibration waves. IEEE Distributed Computing, VLSI, Electrical Circuits and Robotics, 216-220. https://doi.org/10.1109/RTEICT.2016.7807776.

20. Sayadi, A., Monjezi, M., Talebi, N., & Khandelwal, M. (2013). A comparative study on the application of various artificial neural networks to simultaneous prediction of rock fragmentation and backbreak. Journal of Rock Mechanics and Geotechnical Engineering, 5(4), 318-324. https://doi.org/10.1016/j.jrmge.2013.05.007.

21. Moayedi, H., Moatamediyan, A., Nguyen, H., Bui, X. N., Bui, D. T., & Rashid, A. S. A. (2020). Prediction of ultimate bearing capacity through various novel evolutionary and neural network models. Engineering with Computers, (36), 671-687. https://doi.org/10.1007/s00366-019-00723-2.

22. Zhou, J., Qiu, Y., Zhu, S., Armaghani, D. J., Li, C., Nguyen, H., & Yagiz, S. (2021). Optimization of support vector machine through the use of metaheuristic algorithms in forecasting TBM advance rate. Engineering Applications of Artificial Intelligence, (97), 104015. https://doi.org/10.1016/j.engappai.2020.104015.

23. Lizarazo-Marriaga, J., Vargas, C. A., & Tiria, L. (2018). A new approach to predict local site effects related to blast-induced ground vibrations. Journal of Geophysics and Engineering, 15(5), 1843-1850. https://doi.org/10.1088/1742-2140/aab8b3.

24. Kostić, S., Vasović, N., Franović, I., Samčović, A., & Todoro­vić, K. (2014). Assessment of blast induced ground vibrations by artificial neural network. Symposium on Neural Network Applications in Electrical Engineering (NEUREL), 55-60. https://doi.org/10.1109/NEUREL.2014.7011458.

25. Bui, D. T., Moayedi, H., Kalantar, B., Osouli, A., Pradhan, B., Nguyen, H., & Rashid, A. S. A. (2019). A novel swarm intelligence-Harris hawks optimization for spatial assessment of landslide susceptibility. Sensors, 19(16), 3590. https://doi.org/10.3390/s19163590.

26. Dou, J., Yunus, A. P., Merghadi, A., Shirzadi, A., Nguyen, H., Hussain, Y., & Yamagishi, H. (2020). Different sampling strategies for predicting landslide susceptibilities are deemed less consequential with deep learning. Science of the total environment, (720), 137320. https://doi.org/10.1016/j.scitotenv.2020.137320.

• < Попередня
• Наступна >