Abstract
Rockburst is an important phenomenon that has affected many deep underground mines around the world. An understanding of this phenomenon is relevant to the management of such events, which can lead to saving both costs and lives. Laboratory experiments are one way to obtain a deeper and better understanding of the mechanisms of rockburst. In a previous study by these authors, a database of rockburst laboratory tests was created; in addition, with the use of data mining (DM) techniques, models to predict rockburst maximum stress and rockburst risk indexes were developed. In this paper, we focus on the analysis of a database of in situ cases of rockburst in order to build influence diagrams, list the factors that interact in the occurrence of rockburst, and understand the relationships between these factors. The in situ rockburst database was further analyzed using different DM techniques ranging from artificial neural networks (ANNs) to naive Bayesian classifiers. The aim was to predict the type of rockburst—that is, the rockburst level—based on geologic and construction characteristics of the mine or tunnel. Conclusions are drawn at the end of the paper.
fr145:کد
دانلود رایگان فایل انگلیسی:
رمز فایل:www.downloadmaghaleh.com
دانلود مقاله دات کام 
توضیحات محصول
دانلود مقاله استفاده از تکنیک داده های استخراج معدن در ارزیابی خطر انفجار سنگ
تعداد کلمات فایل انگلیسی:3671کلمه 7صفحه pdf
تعداد صفحات فایل ترجمه:11صفحه word فونت14 Arial
چکیده
انفجار سنگ پدیده بسیار مهمی است که بر معدنهای بسیار عمیق در کل دنیا اثر می گذارد. فهمیدن این پدیده به مدیریت چنین حوادثی مربوط است که می تواند به صرفه جویی در هزینه ها و نجات جان انسانها منجر شود. تجربه های آزمایشگاهی یکی از شیوه های بدست آوردن درک بهتر و عمیق تر از مکانیسمهای انفجار سنگ هستند. در تحقیقات گذشته ای که توسط نویسندگان انجام شده، پایگاه داده های تستهای آزمایشگاهی انفجار سنگ ایجاد شده افزون بر این،بوسیله تکنیکهای داده های استخراج معدن (DM)، مدلها برای پیش بینی فشار حداکثر انفجار سنگ و شاخصهای خطر انفجار سنگ نیز توسعه یافته اند. در این مطالعه، روی آنالیز پایگاه داده های در موارد آزمایشگاهی انفجار سنگ جهت ساختن نمودارهای تاثیر تمرکز شده است، فهرست عواملی که در وقوع انفجار سنگ دخالت داشته و رابطه بین این عوامل را درک می کنند. پایگاه داده های انفجار سنگ در شرایط آزمایشگاهی بوسیله تکنیکهای متفاوت DM آنالیز و از شبکه های عصبی مصنوعی (ANNs) تا طبقه بندی کننده های naive Bayesian رتبه بندی شده اند. هدف پیش بینی نوعی از انفجار سنگ است که سطح انفجار سنگ بر مبنای ویژگیهای ساختاری و زمین شناسی معدن یا تونل پایه ریزی شده است. نتیجه گیریها در آخر مقاله ذکر شده اند.
تصادفات و مشکلات مربوطه می تواند مکررا در معادن اعماق معادن و ساختارهای زیرزمینی دیگر رخ دهد. بنابراین، توسعه و آنالیز دستورالعملها برای به حداقل رساندن این اتفاقات ضروری است. ریسک ماهیت پیچیده ای داشته و از ترکیب دو دسته از عوامل نتیجه گرفته می شود:اول، حوادث و اثرات آنها؛ و دوم، عوامل آسیب پذیری که احتمال حادثه ای را تعیین می کنند که دارای اثر مشخص یا نتیجه هستند. بسیاری از محققین گزارشهای آنالیز و جمع آوری شده درباره موارد تصادفی را منتشر کردند که در طی ساخت و انفجار در تونلها رخ داده بود. انفجار سنگ یک مثال از تصادف است که می تواند در طی حفاری تونل اتفاق بیفتد که نتیجه فشار بیش از اندازه توده سنگ یا تماس یک سنگ آسیب پذیر بوده و زمانی اتفاق می افتد که فشارها از کشش جامع مواد فراتر رفته باشند.
Abstract
Rockburst is an important phenomenon that has affected many deep underground mines around the world. An understanding of this phenomenon is relevant to the management of such events, which can lead to saving both costs and lives. Laboratory experiments are one way to obtain a deeper and better understanding of the mechanisms of rockburst. In a previous study by these authors, a database of rockburst laboratory tests was created; in addition, with the use of data mining (DM) techniques, models to predict rockburst maximum stress and rockburst risk indexes were developed. In this paper, we focus on the analysis of a database of in situ cases of rockburst in order to build influence diagrams, list the factors that interact in the occurrence of rockburst, and understand the relationships between these factors. The in situ rockburst database was further analyzed using different DM techniques ranging from artificial neural networks (ANNs) to naive Bayesian classifiers. The aim was to predict the type of rockburst—that is, the rockburst level—based on geologic and construction characteristics of the mine or tunnel. Conclusions are drawn at the end of the paper.
fr145:کد
دانلود رایگان فایل انگلیسی:
رمز فایل:www.downloadmaghaleh.com