پي مهندسي مکانیک خاک و ي ملّ اولین کنفرانس

دانشگاه تربیت دبیر شهید رجایي تهران ، عمراندانشکده مهندسي

1313آذرماه 13و 12

1

Application of Artificial Neural Networks to Predict CAI Using

Petrographic Properties of Rocks

شناسی سنگ به کمکن اندیس سایش سرشار با استفاده از پارامترهای زمینتخمی

های عصبی مصنوعیشبکه

2محمد عطایی، 1فرزاد ستوده

دانشجوی کارشناسی ارشد مهندسی معدن، دانشگاه صنعتی شاهرود -1

استاد دانشکده مهندسی معدن، دانشگاه صنعتی شاهرود -2

Farzad.Sotoudeh@gmail.com:نویسنده مسئول

خالصهیاتی باال و شود. هزینه عملهای معدنی و عمرانی بیشتر شده و به اهمیت آن افزوده میسازی در پروژههای تونلهای اخیر استفاده از ماشیندر سال

ها، اندیس های ارزیابی سایندگی سنگبه سایندگی سنگ داشت. از میان روش حفاری باعث شده است که توجه زیادی استهالک زیاد تجهیزات

ها دارد، توجه بسیاری از متخصصین و فعاالن بخش صنعت حفاری را به خود جلب ای که نسبت به دیگر روشسایش سرشار به دلیل مزایای ویژه

ها های ساینده، اندازه دانه و خصوصیات مواد چسبنده بین کانیکانی کرده است. آزمایش سایش سرشار بطور اتوماتیک اثر ترکیبی سختی و تماس

توان مصرف ابزارهای برشی برای رودهدر کند. لذا با استفاده از اندیس سایش سرشار میمی گیریرا با آنچه در واقعیت حفاری وجود دارد، اندازه

در کشور ترکیه، مدلسازی شبکه عصبی جهت Zonguldakشده در منطقه های ثبترا برآورد کرد. در این مقاله با استفاده از داده TBMو

آن به های عصبی جهت تخمین اندیس سایش سرشار و ارتباط دادن تخمین اندیس سایش سرشار صورت گرفته است. نتایج حاکی از توانایی شبکه

مصرف ابزارهای برشی است.

TBMکه عصبی مصنوعی، کلمات کلیدی: حفاری، سایندگی، اندیس سایش سرشار، شب

مقدمه .1

ش عمر فزایبه تامین ابزارهای برنده دارد. ا های طویل در سنگهای سخت، اختصاصسازی، به ویژه هنگام حفرتونلهای تونلبخش عمده ای از هزینه

دهد و موجب ر و زمانبر را نیز کاهش میهای پردردسورد نیاز برای توقف عملیات حفاری و انجاممها عالوه بر کاهش هزینه های مربوطه، زمان برنده

باشد. از جمله های حفاری آنها میها بر مبنای برخی از شاخصبندی سنگهای موفق، طبقهیکی از روش . ]1[شودافزایش پیشروی متوسط روزانه می

های ها و آزمایشیری هر کدام از آنها روشگها اشاره کرد که برای سنجش و اندازهتوان به سختی، سایش و قابلی حفاری سنگها میاین شاخص

که متعددی ابداع و طراحی گردیده است. در این میان تست سایش سرشار توجه بسیاری از محققین و فعاالن بخش صنعت حفاری را به خود جلب کرده

های ر اتوماتیک اثر ترکیبی سختی و تماس کانیها دارد. آزمایش سرشار بطوای است که این روش نسبت به سایر روشاین امر به دلیل مزایای ویژه

در این مقاله امکان .]2[کندها را با آنچه در واقعیت حفاری وجود دارد، اندازه گیری میساینده، اندازه و شکل دانه و خصوصیات مواد چسبنده بین کانی

ر گرفته است.ر تعیین اندیس سایش سرشار مورد بررسی قراهای عصبی دگیری از تکنیک شبکهبهره

آزمایش سایش سرشار .2

(، یک پین فوالدی با نوک مخروطی 1اصول آزمایش سرشار بر این اساس است که پس از محکم و تراز کردن نمونه سنگ بر روی دستگاه )شکل

متر بر روی سنگ میلی 19ندازه ثانیه به ا 1گیرد و در مدت نی به آرامی بر روی سنگ قرار مینیوت 09جه، زیر یک نیروی در 09شکل و زاویه راس

، دانشکده مهندسي معدن، نفت و ژئوفیزیکدانشجوی کارشناسي ارشد مهندسي معدن1 عضو هیئت علمي دانشکده مهندسي معدن، نفت و ژئوفیزیک2

پي مهندسي مکانیک خاک و ي ملّ اولین کنفرانس

دانشگاه تربیت دبیر شهید رجایي تهران ، عمراندانشکده مهندسي

1313آذرماه 13و 12

2

شود. همچنین نوک پین نیز در اثر سایش، حالت شود. با این کار، نوک پین مقداری در سنگ فرو رفته و خراشی در سطح سنگ ایجاد میکشیده می

که به میکرومتری با دقت 24Xشدگی ناشی از سایش نوک پین، با استفاده از یک میکروسکوپ دهد. مقدار پهننوک تیز اولیه خود را از دست می

-گیری قطر پهن شده نوک پین، در دو امتداد عمود بر هم انجام شده و مقدار میانگین آن تعیین میشود. اندازهگیری میمتر مجهز است، اندازهمیلی 91/9

آید:توسط رابطه زیر بدست می (1CAIها، مقدار اندیس سایش سرشار )شدگی نوک پینبا انجام آزمایش و تعیین میانگین پهن .]3[شود

(1) CAI=10d

-ها را می، سایندگی سنگCAIدست آمده برای باشد. بر اساس مقادیر بمی mmشدگی سایشی نوک پین بر حسب قطر پهن dدر این رابطه

بندی کرد.طبقه 1توان با توجه به جدول

های ایجاد شده در سطح نمونه سنگ در آزمایش سرشار: الف( دستگاه آزمایش سایش سرشار ب( خراش1شکل

.]4[بندی اندیس سایش سرشار : طبقه1 جدول

نگتوصیف سایندگی س اندیس سایش سرشار

5/9 – 3/9 غیر ساینده

9/1 - 5/9 کم ساینده

9/2 – 9/1 نیمه ساینده

9/4 – 9/2 ساینده

9/6 – 9/4 خیلی ساینده

شناسی موثر در آزمایش سرشار پارامترهای زمین .3

ها و ها، گردی دانهنده، اندازه دانههای تشکیل دهگذارند عبارتند از: کانیشناسی و ژئوتکنیکی که در اندیس سایش سرشار تاثیر میعوامل زمین

دهد.ای از چگونگی تاثیر این عوامل را نشان میخالصه 2مقاومت سنگ. جدول

.]5[شناسی موثر در آزمایش سرشار: عوامل زمین2جدول

ها و مقدار ای که با افزایش سختی کانیهای تشکیل دهنده سنگ دارد، به گونهاندیس سایش سرشار رابطه مستقیمی با سختی کانی دهندههای تشکیلکانی

کند.کوارتز اندیس سایش سرشار نیز افزایش پیدا می

شود.ها موجب افزایش اندیس سایش سرشار میافزایش اندازه دانه هااندازه دانه

شود.دار سبب افزایش اندیس سایش سرشار میهای گوشهدانه هاگردی دانه

قاومت سنگ و اندیس سایش سرشار برقرار است.رابطه خطی بین م مقاومت سنگ

1 Cerchar Abrasivity Index

پي مهندسي مکانیک خاک و ي ملّ اولین کنفرانس

دانشگاه تربیت دبیر شهید رجایي تهران ، عمراندانشکده مهندسي

1313آذرماه 13و 12

3

در مصرف ابزار های برنده CAIکاربرد .4

یه طور مثال شکل ها کمک شایانی به مهندسین بکند. 1TBMورد مصرف ابزارهای برشی برای انواع رودهدرها و تواند در برآاندیس سایش سرشار می

در یک رودهدر مصرف ابزار برش .]6[دهدرا در یک معدن زغال نشان می صرف ابزار برشم CAI( در مقابل مقادیر 2TCنمودار مصرف ابزار ) 2

تا 05/9بسته به کارایی سیستم بین 1Kها بر حسب سرمته بر تن سنگ حفرشده است، تخمین زد. در این رابطه مصرف برنده 2توان از رابطه سنگین را می

باشد. البته پارامترهای دیگری همچون اندازه ماشین حفار، تجربیات می 2/1تا 0/9داشته و مقدار آن نیز به سرعت کله حفار بستگی 2Kمتغیر است و 1

.]0[گذارندحفاری و نحوه حرکت بوم نیز در مصرف این ابزار تاثیر می

)2(

CAI( در مقابل مقادیر TC: نمودار مصرف ابزار )2شکل

توان با استفاده از اند که میرابطه عکس دارد. رستمی و همکاران روابطی در این زمینه ارائه داده CAIها نیز عمر دیسک کاتر با TBMدر

(. 4و3روابطکاتر را محاسبه کرد.) شار حجم حفاری شده بازای هر دیسکاندیس سایش سر

)3(

)4(

مر برنده بر حسب ع Hrو ftبر حسب TBMقطر TBMD(، inقطر دیسک ) D(، ft610طول مسیر پیموده شده توسط برنده) LFدر این روابط

ها نتیجه خواهد داد. این های موجود در کله حفار تقسیم شود، متوسط زمان حفاری را قبل از نیاز به تعویض برندهبر تعداد برنده Hrساعت است. اگر

توان محاسبه برنده را می ضرب شود، حجم حفاری شده به ازای هر بر حسب TBMاگر در سطح مقطع تونل و نرخ نفوذ avgHrمقدار،

.]0[کرد

1 Tunnel Boring Machine 2 Tool Consumption

پي مهندسي مکانیک خاک و ي ملّ اولین کنفرانس

دانشگاه تربیت دبیر شهید رجایي تهران ، عمراندانشکده مهندسي

1313آذرماه 13و 12

4

مبانی شبکه عصبی .5

های تجربی، دانش یا های عصبی مصنوعی با پردازش دادههای عصبی مصنوعی از شبکه بیولوژیک انسان الهام گرفته شده است. شبکهساختار کلی شبکه

شامل واحدهای ساختمانی به نام سلول عصبی است و این قابلیت را دارد کنند. یک شبکه عصبی ها را به ساختار شبکه منتقل میقانون نهفته در ورای داده

-های خاصی قرار میهای عصبی موجود در شبکه بسته به نوع عملکردشان در الیهکه بکار بردن یک دسته داده خروجی دلخواه را تولید نماید. سلول

، الیه میانی یا پنهان و الیه خروجی است. الیه ورودی محل ورود اطالعات گیرند. هر شبکه عصبی حداقل دارای سه الیه است که شامل الیه ورودی

های پنهان نقش سازماندهی عملکرد یک های شبکه در کیفیت عملکرد شبکه تاثیر زیادی دارد. الیهمورد نظر شبکه است. انتخاب نوع و تعداد ورودی

های ها تاثیر بسزایی در عملکرد شبکه دارد. در حالت کلی تعداد سلولموجود در این الیههای عصبی های پنهان و سلولشبکه عصبی را دارند. تعداد الیه

ها، پیچیدگی تابع و های آموزشی، میزان خطای دادههای شبکه تعداد دسته دادهها و خروجیعصبی موجود در الیه پنهان به ساختار شبکه، تعداد ورودی

.]8[دهده عبارت از الیه خروجی است که نتیجه عملکرد شبکه عصبی و پارامترهای مورد نظر را ارائه میالگوریتم آموزش دارد. الیه نهایی هر شبک

شود. هر یک از ها از الگوریتم انتشار برگشتی استفاده شده است، در این روش یک دسته داده ورودی آموزشی وارد شبکه میبرای آموزش شبکه

( 5شوند ) رابطه ها با یکدیگر جمع میه و حاصل ضرب( ضرب شدijW( در یک وزن )iUها )ورودی

)5(

ها با مقادیر شود. در ابتدای فرایند آموزش، همه وزن( عبارت فوق اضافه میjbدر بعضی موارد مقدار ثابتی در هر سلول بنام بایاس یا وزن اریب )

شود.سپس توسط یک تابع تحریک تعدیل شده و سیگنال های عصبی محاسبه میشوند. این حاصل جمع برای کلیه سلولکوچک تصادفی آغاز می

( هستند. تابع سیگموئید به صورت TGH( و تابع تانژانت هیپربولیک )SIGنماید. پرکاربردترین توابع تحریک تابع سیگموئی )خروجی را تولید می

کند. عمل می 6رابطه

)6(

سازد، به طوری که سیگنال خروجی بین صفرو یک قرار گیرد. پس از محاسبه مقدار خروجی، خطای بین را فشرده می jSتابع فوق حاصل جمع

های عصبی با استفاده از دو اقل برسد. کارکرد شبکهشوندکه خطا به حدهای شبکه طوری تنظیم میه و خروجی دلخواه محاسبه شده و وزنخروجی شبک

در یک MSEمنظور از میانگین مربع خطاها قابل مقایسه و ارزیابی است. MAEو میانگین قدر مطلق خطا MSEشاخص، میانگین مربعات خطا

شود:تعیین می 0به صورت رابطه MSEهای حقیقی و دلخواه الیه خروجی است. های خطاهای ایجاد شده بین خروجیمربعشبکه، میانگین

)0(

شود.تعیین می 8بصورت رابطه MAEنامند. میانگین قدر مطلق خطا تفاضل عددی مقدار دقیق از مقدار تقریبی یک کمیت را خطای مطلق می

) 8(

.]0[مقدار خروجی حقیقی اشت Oمقدار خروجی دلخواه و dتعداد رخدادها، Q، 8و 0بطوریکه در روابط

تخمین اندیس سایش سرشار با استفاده از شبکه عصبی .6

(. 2ی مورد استفاده در این تحلیل مربوط به منطقه زنگولداک در کشور ترکیه است، که از دو بخش جداگانه برداشت شده است. )جدول هاداده

های کوارتز، محتوای کوارتز معادل، مقدار کوارتز موجود در سنگ و در جه سیمان پارامتر کلیدی میانگین اندازه دانه 4برای هر نمونه سنگ

دهد. در این تحقیق هدف بر این است که بتوانیم اندیس سایش رابطه این عوامل با اندیس سایش سرشار را نشان می 3است. شکل شدگی مشخص

اند عبارتند شناسی تخمین بزنیم. لذا پارامترهای تاثیرگذار که به عنوان ورودی برای شبکه در نظر گرفته شدهسرشار را با استفاده از پارامترهای زمین

(. CD( و در جه سیمان شدگی)Q(، مقدار کوارتز موجود در سنگ)eqQ(، محتوای کوارتز معادل)mmdهای کوارتز)میانگین اندازه دانه از:

.( استCAIخروجی مدل نیز اندیس سایش سرشار )

پي مهندسي مکانیک خاک و ي ملّ اولین کنفرانس

دانشگاه تربیت دبیر شهید رجایي تهران ، عمراندانشکده مهندسي

1313آذرماه 13و 12

5

.]6[های سنگی: مشخصات نمونه2جدولشماره

نمونه

های اندازه دانه

(mmdکوارتز)

مقدار کوارتز موجود

(Q%سنگ) در

محتوای کوارتز

(eqQمعادل)

در جه سیمان

(CD%شدگی)

اندیس سایش

(CAIسرشار )

بندیطبقه

خیلی ساینده 45/2 59 90/05 05 58/9 1

خیلی ساینده 95/3 55 60/81 89 08/9 2

ساینده 6/1 49 4/09 09 36/9 3

ساینده 5/1 45 0/69 69 33/9 4

ساینده 5/1 45 91/56 55 38/9 5

ساینده 15/1 59 33/09 09 962/9 6

ساینده 1 45 92/31 39 96/9 0

ساینده 25/1 45 25/44 49 962/9 8

کم ساینده 8/9 39 8/52 59 95/9 0

کم ساینده 8/9 39 19 19 935/9 19

کم ساینده 0/9 39 19 19 935/9 11

ساینده 0/1 55 45/05 05 52/9 12

دهخیلی ساین 2 55 93/01 09 54/9 13

کم ساینده 65/1 49 12/65 65 4/9 14

کم ساینده 02/1 59 0/51 45 4/9 15

خیلی ساینده 1/3 65 23/85 85 05/9 16

کم سینده 0/9 35 45/41 49 962/9 10

خیلی ساینده 02/2 55 35/89 89 02/9 18

خیلی ساینده 22/2 59 6/68 65 4/9 10

کم ساینده 5/1 49 40/68 65 42/9 29

خیلی ساینده 6/2 69 0/58 55 6/9 21

خیلی ساینده 3/2 55 02/53 59 55/9 22

خیلی ساینده 44/2 55 05/01 09 58/9 23

غیر ساینده 5/9 39 45/42 49 95/9 24

کم ساینده 2/1 45 13/40 45 90/9 25

کم ساینده 1/1 45 20/42 49 25/9 26

خیلی ساینده 60/2 69 01/85 89 05/9 20

کم ساینده 55/9 35 95/40 45 90/9 28

کم ساینده 8/9 45 52/53 59 90/9 20

پي مهندسي مکانیک خاک و ي ملّ اولین کنفرانس

دانشگاه تربیت دبیر شهید رجایي تهران ، عمراندانشکده مهندسي

1313آذرماه 13و 12

6

های کوارتز با اندیس سایش سرشار . ب( رابطه بین درجه سیمان شدگی با اندیس سایش سرشار . پ( رابطه : الف( رابطه بین اندازه داته3شکل

مقدار کوارتز با اندیس سایش سرشار .بین محتوای کوارتز معادل با اندیس سایش سرشار . د( رابطه بین

آموزش شبکه عصبی .7

نمونه سنگ استفاده شد. تابع تحریک میانی تانژانت سیگموئید و تابع تحریک الیه خروجی خطی و الگوریتم آموزش 20برای آموزش شبکه از

Levenberg-Marquardt مورد آزمایش قرار گرفت تا مدل شبکه عصبی بهینه های مختلفانتخاب شد. تخمین اندیس سایش سرشار با تعداد نرون

ها که در واقع اندیس سایش های ارزیابی مورد آزمایش قرار گرفتند. خروجیهای مذکور با داده(. بعد ار هر دوره آموزش، مدل3بدست آید )جدول

های راهنما در تطابق و های شبکه حاصل از آزمایشخروجی های مورد نظر ) مقادیر واقعی( مقایسه شده و اگربینی شده است، با خروجیسرشار پیش

های موجود مناسب تلقی کرد. در این تحقیق برای ارزیابی توان برای دادههای واقعی داشته باشد، ساختار شبکه موجود را میههماهنگی مناسبی با داد

ه صورت زیر است:کارایی مدل ایجاد شده از مجموع مربع خطاها استفاده شده که رابطه آن ب

)0(

داده هدف است. Tخروجی حاصل از شبکه عصبی و Oهای ارزیابی است. دادهتعداد الگوهای موجود در دسته Nدر رابطه فوق

پي مهندسي مکانیک خاک و ي ملّ اولین کنفرانس

دانشگاه تربیت دبیر شهید رجایي تهران ، عمراندانشکده مهندسي

1313آذرماه 13و 12

7

: مشخصات مدل شبکه عصبی و نتایج تخمین اندیس سایش سرشار3جدول

تعداد

هانرون

RMSE 2R MSE MAE مشخصات مدل شبکه عصبی

20 های آزموشتعداد داده 10/9 961/9 0488/9 05/24 5

12 های تستتعداد داده 16/9 948/9 0226/9 02/21 19

تانژانت سیگموئید تابع تحریک میانی 1/2 210/2 7959/2 55/13 22

خطی تابع تحریک الیه خروجی 25/9 13/9 0886/9 2/30 39

Levenberg-Marquardt الگوریتم آموزش 38/9 21/9 0608/9 38/21 49

59 32/63 5404/9 4/9 20/9 MSE 924/9و 918/9 آموزش و تست

نسبت RMSEدر نظر گرفته شود، مقدار 29ها های متفاوت معلوم شد که در حالتیکه تعداد نرونهای مختلف با تعداد نرونبا توجه به آزمون

-یم 1/9بینی شده نیز در این حالت به بقیه حاالت کمتر خواهد شد. همچنین خطای حاصل از قدرمطلق تفاوت بین اندیس سایش سرشار واقعی با پیش

آمده است. 4باشد. جهت مقایسه بهتر نتایج تخمین شبکه عصبی با مقادیر ثبت شده، در شکل

بینی شده: نمودار مربوط به پراکندگی اندیس سایش سرشار واقعی و پیش5شکل

گیرینتیجه .8

و تخمین مصرف ابزارهای برنده در رودهدرها و ها هایی است که برای ارزیابی سایندگی سنگترین و بهترین روشآزمایش سایش سرشار یکی از ارزان

TBM شناسی سنگ از جمله محتوای کوارتز و اندازه ذرات دارد. در این کاربرد دارد. اندیس سایش سرشار رابطه بسیار نزدیکی با پارامترهای زمین

بینی اندیس سایش سرشار مورد ابل قبولی، برای پیشتواند با سطح اطمینان قتوان به این نتیجه دست یافت که شبکه عصبی مصنوعی میتحقیق می

شناسی سنگ، میزان های زمینتوان با در دست داشتن ویژگیاستفاده قرار بگیرد. بنابراین بر اساس مدل بدست آمده )مدل شبکه عصبی( به راحتی می

CAI .را تخمین زد

پي مهندسي مکانیک خاک و ي ملّ اولین کنفرانس

دانشگاه تربیت دبیر شهید رجایي تهران ، عمراندانشکده مهندسي

1313آذرماه 13و 12

8

مراجع .9

1.Valantin, A. (1973), “Test Cerchar pour la mesure de la durete´ et de l’abrasivite´ des roches. Annexe de

l’expose´e pre´sente´ aux Journe´esde Information” Techniques de creusement, Luxembourg, pp 137-140.

2. ASTM D7625-10 ASTM (2010), “Standard test method for laboratory determination of abrasiveness of

rock using the CERCHAR method” ASTM International

3. Sotoudeh, F. Hamzaban, M.T. Memarian, H. Roatami, J. (2014), “Improvement of testing accuracy by a

new generation of Cerchar abrasivity testing device” In: Proceeding of North American Tunneling

Conference, (NAT 2014), Los Angeles, CA, pp 211-217

4. Michalakopoulos, TN. Anagnostou, VG. Bassanou, ME. Panagiotou, GN. (2006), “The influence of styli

hardness on the Cerchar abrasiveness index value” Int J of Rock Mech & Min Sci (43) pp 321–327.

تهران.رساله دکتری،دانشگاه تهران، ،"هاتوسعه آزمایش سرشار به منظور تعیین قابلیت سایندگی سنگ" (، 2931. همزبان قراملکی، م.ت. )5

6. Yarali, O. Yasar, E. Bacak, G. Ranjith, P.G. (2008), “A study of rock abrasivity and tool wear in coal

measures rocks”; International Journal of Coal Geology, (74), pp 53-66.

7. Rostami, J. Ozdemir, L. Bruland, A. Dahl, F. (2005), “Review of issues related to Cerchar Abrasivity

testing and their implications on geotechnical investigations and cutter cost estimates” In: Proceedings of

rapid excavation and tunneling conference (RETC)., Seattle, pp 738-751.

.2933، های عصبی(، انتشارات دانشگاه صنعتی امیرکبیر، تهران، ویرایش اول. منهاج، محمدباقر، هوش محاسباتی )جلد اول: مبانی شبکه8 9. Fausett, L. (1994), “Fundamentals of Neural Networks – Architectures, Algorithms and Applications.”

Prentice-Hall