LEE- Maden Mühendisliği-Yüksek Lisans
Bu koleksiyon için kalıcı URI
Gözat
Son Başvurular
1 - 1 / 1
-
ÖgePatlatma kaynaklı yer sarsıntısı tahmininde uyarlamalı bulanık çıkarım sistemi (ANFIS), destek vektör makineleri (SVM) ve gauss süreç regresyonu (GPR) tekniklerinin kullanımı(Lisansüstü Eğitim Enstitüsü, 2023-03-17)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.