Bu öğeden alıntı yapmak, öğeye bağlanmak için bu tanımlayıcıyı kullanınız:
http://acikerisim.ktu.edu.tr/jspui/handle/123456789/4750
Başlık: | Yapay sinir ağlarıyla yeraltı ayna patlatmalarında kaya parçalanmasının modellenmesi |
Diğer Başlıklar: | Use of artificial neural network for rock fragmentation prediction in underground face blasting |
Yazarlar: | Ezoula Agoro, Gerard |
Anahtar kelimeler: | Patlatma, Parçalanma, Yapay sinir ağı, Çoklu regresyon, Görüntü analizi, Parça boyut tayini, Duyarlılık analizi, Split Desktop, D80;Blasting, Rock fragmentation, Artificial neural network, Image analysis, Multivariate regression, Fragmentation measurement, Sensitivity analysis, D80 |
Yayın Tarihi: | Haz-2019 |
Yayıncı: | Karadeniz Teknik Üniversitesi / Fen Bilimleri Enstitüsü |
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. |
URI: | http://acikerisim.ktu.edu.tr/jspui/handle/123456789/4750 |
Koleksiyonlarda Görünür: | Maden Mühendisliği |
Bu öğenin dosyaları:
Dosya | Açıklama | Boyut | Biçim | |
---|---|---|---|---|
557768.pdf | 4.19 MB | Adobe PDF | Göster/Aç |
DSpace'deki bütün öğeler, aksi belirtilmedikçe, tüm hakları saklı tutulmak şartıyla telif hakkı ile korunmaktadır.