ردکردن این
Telegram-logo
Instagram-logo
Baner-MineJobs
Baner-dictionary

https://www.mining-eng.ir/?p=4327

آشنایی با روش های آتشکاری بهینه در معادن

 

۱تعیین پارامترهای موثر بر خردایش سنگ در عملیات آتشکاری معدن سنگ آهن چادرملو با استفاده از شبکه‌های عصبی

یکی از اساسی‌ترین مراحل استخراج در معادن روباز‌،‌ عملیات چالزنی و آتشکاری است و از مهمترین ویژگی‌های یک عملیات چالزنی و آتشکاری موفق‌،‌ مناسب بودن خردایش سنگ‌های حاصل می‌باشد که این فاکتور در کیفیت وهزینه عملیات دیگر معدنکاری همانند بارگیری‌،‌ حمل و سنگ شکنی بسیار موثر است.

تعیین پارامترهای موثر بر خردایش در عملیات آتشکاری هر معدنی از اهمیت بسزایی برخوردار می‌باشد. معمولا برای تعیین این پارامترها و طراحی الگوی حفاری و آتشکاری از روش‌های تجربی استفاده می‌شود که با توجه به تعدد پارامترهای موثر در عملیات آتشکاری و در نتیجه پیچیده بودن فرآیند‌،‌ این روش‌ها از کارآیی لازم برخوردار نیستند.

 

جهت رفع این مشکل‌، روش‌های نوینی نظیر شبکه‌های عصبی مصنوعی‌،‌ را می‌توان برای مدل سازی مورد استفاده قرار داد. در این پژوهش با استفاده از روش شبکه عصبی مصنوعی‌،‌ مدلی برای تعیین پارامترهای موثر بر خردایش در عملیات آتشکاری معدن سنگ آهن چادرملو ارائه گردیده است.

ابتدا پارامترهای ورودی مدل به شرح قطر چال‌،‌ طول گل گذاری‌،‌ نسبت مجموع طول ستون آب به مجموع طول ستون خرج در چال‌های بلوک (بدلیل آبدار بودن برخی چال‌ها و استفاده از آنفو در داخل پلاستیک از این پارامتر برای تعیین میزان تاثیر رطوبت بر روی قدرت آنفو استفاده شده است)‌،‌ نسبت مجموع زمان‌های تاخیر به تعداد ردیف‌های بلوک‌،‌ خرج ویژه‌‌، قابلیت انفجار پذیری سنگ‌،‌ نسبت بارسنگ به فاصله ردیفی چال‌ها تعیین شده و برای هر بلوک محاسبه گردید. پارامتر متوسط سایز سنگ‌های خرد شده توسط روش آنالیز تصویری (عکس‌برداری از دپو حاصل از آتشکاری) و به کمک نرم افزار Split-Desktop برای تمام بلوک‌ها محاسبه شد. پس از مقایسه انواع شبکه‌ها‌،‌ شبکه‌ای از نوع GRNN متشکل از سه لایه‌،‌ شامل لایه ورودی ۷ نرون‌،‌ لایه پنهان ۱۸ نرون و لایه خروجی یک نرون به عنوان شبکه بهینه در نظر گرفته شد.

پس از اعتبارسنجی مدل و انجام آنالیز حساسیت‌،‌ مشخص گردید که شدت تاثیر پارامترهای تعیین شده بر روی خردایش حاصل از عملیات انفجار به ترتیب از بیشترین تا کمترین‌،‌ شاخص قابلیت انفجار پذیری‌،‌ زمان تاخیر‌‌، قطر چال‌،‌ نسبت بارسنگ به فاصله ردیفی چال‌ها‌،‌ میزان آب‌،‌ طول گل گذاری و خرج ویژه می‌باشند.

 

مقدمه

یکی از مهمترین عوامل تاثیرگذار بر چرخه عملیات معدنکاری‌،‌ طراحی الگوی آتشکاری است. الگوی مناسب آتشکاری الگویی است که با کمترین هزینه‌،‌ خردایش مورد نظر را فراهم نماید. خردایش مطلوب موجب سهولت انجام مراحل بعدی معدنکاری (بارگیری‌،‌ باربری و سنگ شکنی) و در نتیجه کاهش هزینه‌های مربوطه می‌شود.

مهمترین پارامترهای موثر بر خردایش عبارتند از: خرج ویژه (SC)‌،‌ نسبت بردن به فاصله ردیفی چال‌ها (B/F)‌،‌ قطر چال (D)‌‌، طول گل گذاری (St)‌،‌ زمان تاخیر بین ردیف‌ها (D) و شرایط توده سنگ شامل وضعیت درزه‌ها‌‌، گسل ها‌،‌ ناپیوستگی‌ها و … می‌باشد که بسته به وضعیت توده سنگ هر کدام از عوامل فوق می‌تواند موثرترین پارامتر محسوب گردد. از طرفی تعدد پارامترهای موثر‌،‌ نیازبه تعیین درجه تاثیر هر پارامتر و پیچیدگی فرآیند طراحی الگوی انفجار موجب شده که متدهایی نظیر شبکه‌های عصبی مصنوعی جایگزین روش‌های تجربی شوند.

شبکه عصبی مصنوعی از جمله روش‌های بهینه سازی است که بر مبنای سیستم عصبی موجودات زنده ابداع شده است. این تکنیک کاربرد وسیعی در علوم مرتبط با مهندسی معدن مانند تعیین خصوصیات مکانیکی سنگی‌،‌ طراحی الگوی آتشکاری‌،‌ طراحی شیب درمعادن روباز‌،‌ پیش بینی لرزش زمین ناشی از انفجار‌، تعیین خرج ویژه‌،‌ پیشبینی مقاومت فشاری تک محوری‌،‌ آنالیز نتایج آزمایش بار نقطه ای‌،‌ انتخاب سیستم نگهداری بهینه در تونل‌،‌ بررسی پایداری شیب دمپ باطله‌،‌ و ارزیابی تأثیر پارامترهای طراحی الگوی انفجار بر عقب زدگی و… دارد.

لذا میتوان از این تکنیک به منظور تعیین پارامترهای موثر بر خردایش و طراحی الگوی حفاری و آتشکاری متناسب با خصوصیات توده سنگ و تشخیص طرح بهینه کمک گرفت. ساختار کلی شبکه‌های عصبی مصنوعی از شبکه بیولوژیک انسان الهام گرفته است.

شبکه‌های عصبی مصنوعی با پردازش داده‌های تجربی‌،‌ دانش یا قانون نهفته رابطه بین داده‌ها ورودی و خروجی را به ساختار شبکه منتقل میکند. یک شبکه عصبی شامل واحدهای ساختمانی به نام سلول عصبی است و این قابلیت را دارد که با بکار بردن یک دسته داده ورودی بتواند یک دسته داده خروجی دلخواه را تولید نماید. سلول‌های عصبی موجود در شبکه بسته به نوع عملکردشان در لایه‌های خاصی قرار می‌گیرند.

هر شبکه عصبی حداقل دارای سه لایه ورودی‌،‌ میانی یا پنهان و خروجی است. لایه ورودی محل ورود اطلاعات مورد نظرشبکه است. انتخاب نوع و تعداد ورودی‌های شبکه درکیفیت عملکرد شبکه تاثیر زیادی دارد. لایه‌های پنهان نقش سازماندهی عملکرد یک شبکه عصبی را دارند.

تعداد لایه‌های پنهان و سلول‌های عصبی موجود در این لایه‌ها نیز تاثیر بسزایی در عملکرد شبکه دارد. در حالت کلی تعداد سلول‌های عصبی موجود در لایه پنهان به ساختار شبکه‌،‌ تعداد ورودی‌ها‌،‌ تعداد خروجی‌ها‌،‌ تعداد دسته داده‌های آموزشی‌،‌ میزان خطای داده‌ها‌،‌ پیچیدگی توابع و الگوریتم آموزش بستگی دارد. لایه خروجی آخرین لایه هر شبکه است که نتیجه عملکرد شبکه عصبی و پارامترهای مورد نظر را ارائه می‌دهد.

شبکه‌های عصبی از الگوریتم‌های مختلفی جهت یادگیری استفاده می‌نمایند ولی صرف نظر از روش استفاده شده‌،‌ یادگیری به طور کلی یک عملیات تکراری است که طی آن مجموعه‌ای از مثال‌های آموزشی را به شبکه نشان دهیم تا کاملاً آموزش داده شود. پس انتشار متداول‌ترین الگوریتم یادگیری در شبکه‌های عصبی چند لایه با تغذیه پیشرو می‌باشد که توسط Rumel hurt ابداع گردید. این روش به طریقه کاهش شیب‌،‌ وزن‌های اتصال را تغییر داده و تابع خطا را مینیمم می‌کند.

 

روش تحقیق

در این تحقیق شبکه‌ای از نوع GRNN به عنوان مناسب ترین شبکه انتخاب گردید. شبکه‌های GRNN که در ساختار آنها از توابع پایه شعاعی بکار گرفته شده‌،‌ زیر مجموعه شبکه‌های RBF بوده و دارای سه لایه شامل لایه ورودی‌،‌ لایه پایه شعاعی و لایه خطی می‌باشند (شکل۱).

در شبکه‌های GRNN تعداد نرون‌ها در لایه‌های ورودی و خروجی وابسته به شرایط مسئله است در حالی که تعداد نرون‌های لایه دوم برابر تعداد داده‌های آموزش می‌باشد. در این روش بر خلاف روش‌هایی نظیر BPNN و HNN‌‌،‌ وزن‌های لایه‌های پایه شعاعی و خطی توسط خود شبکه و بدون نیاز به در نظر گرفتن هرگونه پیش‌فرض‌،‌ تعیین می‌گردند. این نوع شبکه‌ها از دو تابع محرک گوسین و خطی در ساختار خود استفاده می‌کنند (شکل‌های ۱و ۲).

در اینجا میزان تاثیر هر یک از پارامترهای طراحی الگوی آتشکاری بر خردایش سنگ با استفاده از روش شبکه عصبی مصنوعی در معدن چادرملو مشخص شده است. تعداد پارامتر‌های ورودی و خروجی به ترتیب هفت و یک در نظر گرفته شد (جدول ۱)

 

بحث

کانسار چادرملو در ۱۸۰ کیلومتری شمال شرقی شهرستان یزد واقع شده و بزرگترین کانسار آهن اکتشاف شده در ایران می‌باشد. این کانسار دارای شکلی غیر یکنواخت بوده که در آن سختی سنگ معدنی زیاد و ساختار زمین شناسی بسیار تکتونیزه و پیچیده می‌باشد.

همچنین وجود آب در چند سال اخیر بر مشکلات فوق افزوده و پیچیدگی کار بیشتر شده است. به منظور بهینه سازی الگوی آتشکاری دراین معدن ۱۸۰ بلوک انفجاری مورد مطالعه قرار گرفت و داده‌هایی نظیر طول بارسنگ‌،‌ فاصله ردیفی چال‌ها‌، طول گل‌گذاری مربوط به این بلوک‌ها ثبت گردید.

 

 یکی از مهمترین قابلیت‌های مدل شبکه عصبی‌، عدم محدودیت در تعداد پارامترهای ورودی است. برای طراحی الگوی آتشکاری پارامتر قابلیت انفجار پذیری سنگ برای هر بلوک انفجاری از طریق رابطه Lilly به دست می‌آید.

که در این رابطه:

  • BI : قابلیت انفجار پذیری سنگ
  • RMD : توصیف توده سنگ
  • RDI : اندیس چگالی سنگ
  • Xi : متوسط سایز بلوک‌های برجا (m)
  • HF : فاکتور سختی سنگ که مقدار آن بین ۱ تا ۱۰می باشد.
  • JFS : فاکتور فاصله داری درزه‌ها که مقدار آن بین ۱۰تا ۵۰ می‌باشد.
  • JFO : فاکتور جهت داری درزه‌ها که با توجه به شیب و اختالف جهت داری درزه با امتداد لبه پله مقداری بین ۱۰ تا ۴۰ دارد.
  • SG : چگالی سنگ (kg/ton)

همچنین پارامتر متوسط سایز سنگ‌های خرد شده (خروجی)‌،‌ توسط روش آنالیز تصویری (عکس‌برداری) و به کمک نرم افزار Split-Desktop برای تمام بلوک‌ها تعیین گردید. در این نرم افزار ابتدا مرز دانه‌های خرد شده در تصاویر تهیه شده از سطح بلوک انفجاری‌،‌ تعیین می‌گردد و بدین طریق می‌توان نمودار دانه بندی خردایش سنگ را بدست آورد. روند کلی کار این نرم افزار در شکل (۴) برای یک نمونه عکس گرفته شده از سطح بلوک خرد شده به شماره ۱۰۲۶ واقع در افق ۱۴۲۰ معدن‌،‌ آورده شده است.

در نهایت داده‌های بلوک‌ها پس از جمع آوری و دسته‌بندی‌،‌ وارد شبکه عصبی گردید تا شبکه بر اساس آنها آموزش یابد.

 

ساختار شبکه

به منظور تعیین ساختار شبکه بهینه‌،‌ انواع شبکه‌ها با تعداد نرون‌های مختلف در لایه دوم مورد آزمایش قرار گرفت. از میان این شبکه ها‌،‌ شبکه ای با ۷ نرون در لایه ورودی‌،‌ ۱۸ نرون در لایه میانی و ۱ نرون در لایه خروجی قادر به پیشبینی میزان خردایش پس ازانفجار با بیشترین دقت می‌باشد. نمونه‌ای از ساختار گرافیکی این نوع شبکه در شکل ۵ نمایش داده شده است.

اعتبارسنجی مدل و آنالیز حساسیت

برای بررسی کارآیی شبکه‌های با معماری متفاوت و مقایسه آنها با هم و قضاوت در انتخاب بهترین شبکه نیاز به معیاری است که بر اساس آنها بتوان کارآیی شبکه را مورد بررسی قرار داد. به این منظور از مقادیر خطاها نظیر خطای مطلق‌،‌ درصد خطای مطلق و شاخص جذر متوسط مربعات خطا استفاده می‌شود.

خطای مطلق (Ea) نشان دهنده مقدار خطا در کل مجموعه مورد نظر است هر چه مقدار این خطا کمتر باشد‌،‌ نشان از تفاوت کمتر بین داده‌های تخمین زده شده توسط مدل و داده‌های واقعی می‌باشد.

MB = میانگین مقادیر خردایش اندازه گیری شده

PB = میانگین مقادیر خردایش تخمین زده شده

درصد خطای مطلق (Er) بیان کننده درصد خطا درکل مجموعه مورد نظر است.

 شاخص جذر متوسط مربعات خطا (RMSE) نشان دهنده متوسط خطای بین نتایج بدست آمده از آنالیزها و خروجی مدل‌ها می‌باشد‌،‌ با این تفاوت که تمرکز بیشتری بر روی خطاهای بزرگتر دارد.

که در این رابطه Qi و Ti به ترتیب مقدار واقعی و مقدار تخمین زده شده اندازه گیری شده است و N نیز تعداد زوج داده‌های موجود می‌باشد. هرگاه مقدار خطای مقادیر واقعی و تخمین زده شده از خطای شبکه کمتر باشد نشان از مناسب بودن معماری شبکه و مراحل آموزش آن دارد.

به منظور آزمایش شبکه‌،‌ از اطلاعات ۱۸ بلوک انفجاری که در آموزش شبکه مورد استفاده قرار نگرفته بودند‌،‌ استفاده گردید (جدول ۳) همان طوری که مشاهده می‌شود‌،‌ اعداد پیش بینی شده توسط شبکه بسیارنزدیک به اعداد واقعی می‌باشد (شکل ۶)

تعیین میزان حساسیت پارامترهای خروجی نسبت به پارامترهای ورودی از اهمیت بسزایی برخوردار می‌باشد. بدین منظور هر بار با حذف یکی از پارامترهای ورودی‌، مدل اجرا شده و مقدار خطا ثبت می‌گردد. اختلاف چشمگیر بین مقادیر تخمین زده شده و مقادیر واقعی‌، نشان ازتأثیر بیشتر پارامتر حذف شده بر نتایج حاصله (خروجی شبکه) دارد. نتایج حاصل از آنالیز فوق درشکل (۷) نمایش داده شده است.

همان طوری که در این شکل مشاهده میشود پارامترهای قابلیت انفجار پذیری سنگ (BI)‌،‌ زمان تأخیر و قطر چال‌ها بیشترین تأثیر و پارامترهای خرج ویژه (SC) و طول گل گذاری (St) کمترین تأثیر را روی خردایش دارند.

 

نتیجه گیری

با استفاده از تکنیک شبکه‌های عصبی میتوان میزان تأثیر پارامترهای مؤثر بر خردایش سنگ‌ها را تعیین نمود. پس از طراحی شبکه عصبی بهینه‌،‌ خصوصیات توده سنگ و پارامترهای الگوی آتشکاری به عنوان ورودی به شبکه وارد و بدین ترتیب میزان خردایش قبل از انفجار هر بلوک پیش بینی می‌شود.

در صورت نامناسب بودن خردایش تخمینی میتوان با تغییر موثرترین پارامترهای آتشکاری به دست آمده از نتایج شبکه عصبی نسبت به اصلاح الگوی طراحی شده‌،‌ اقدام نمود.

  • تکنیک شبکه عصبی برای بهینه سازی الگوی آتشکاری کم هزینه‌،‌ سریع و قابل اعتماد می‌باشد.
  • بهترین شبکه با ۷ نرون در لایه اول‌،‌ ۱۸ نرون در لایه دوم و۱ نرون در لایه سوم برای پیش‌بینی متوسط سایز سنگ‌های خرد شده ناشی از انفجار‌،‌ شبکه سه لایهGRNN می‌باشد.
  • با توجه به آنالیز حساسیت انجام گرفته در این تحقیق‌،‌ پارامترهای قابلیت انفجارپذیری سنگ‌،‌ زمان تاخیر و قطر چال بیشترین تأثیر و پارامترهای نسبت بارسنگ به فاصله ردیفی چال‌ها (B/S)‌،‌ طول گل گذاری(ST)‌،‌ آب و خرج ویژه کمترین تاثیر را روی خردایش سنگ‌ها دارند.

 

۲بررسی خطای ناشی از ویژگی‌های تصویر و پردازش دیجیتال در حوزه آنالیز تصویری خردایش سنگ ناشی از انفجار

آنالیز تصویری‌،‌ روشی متداول برای تعیین دانه‌بندی خردایش سنگ حاصل از انفجار است؛هدف از آنالیزتصویری‌،‌ پیش‌بینی خرد شدگی و تعیین ابعاد خردایش سنگ می‌باشد؛ بگونه‌ای که اطلاعات مربوط به تعیین دانه بندی خردایش توسط این روش در انتخاب تجهیزات انفجار در معادن‌،‌ بهینه سازی طرح انفجار و انتخاب بهینه پارامترهای دخیل در آن‌،‌ قابلیت انفجاری مواد بکار رفته در پروسه انفجار‌،‌ تعیین حوزه استفاده از خردایش سنگ حاصل از انفجار و… بسیار مفید و مؤثر خواهد بود.

روش قدیمی آنالیز سرندی مقرون به صرفه نیست؛ از سوی دیگرتحلیل دانه بندی‌ها به این روش بسیار کند و زمان گیر بوده و بنابراین‌،‌ امروزه بدلیل روند سریع تولید و استحصال در معادن‌،‌ پاسخگوی نیازها نخواهد بود؛ علاوه بر این‌،‌ روش آنالیز سرندی در برخی موارد‌،‌ موجب اختلال در روند تولید مطلوب خواهد گردید.

اگرچه روش آنالیز تصویری بدلیل استفاده از تصاویر دوبعدی و متعاقباً تحلیل دوبعدی تصاویر‌،‌ عاری از خطا نیست‌،‌ اما علاوه بر رفع موانع فوق الذکر‌، امروزه می‌کوشد با تکیه بر فن آوری‌های نوین در عکس‌برداری دیجیتال با کیفیت بالا و استفاده از تکنیک‌های جدید پردازش تصویر‌،‌ بر خطاهای احتمالی موجود غلبه نماید.

در اینجا‌،‌ ابتدا یک الگوریتم آنالیز تصویر‌،‌ مبتنی بر روش‌های استاندارد پردازش‌،‌ با تشریح جزئیات و تکنیک‌های بکار رفته در طراحی الگوریتم ارائه شده است؛ سپس مراحل رخداد خطا در روش آنالیز تصویر‌،‌ شامل مرحله عکس‌برداری و مرحله پردازش توسط الگوریتم تشریح گردیده و درهر دو مرحله متدهایی جهت رفع خطا‌، اعم از تصحیح پارامترهای دخیل در عکس‌برداری و بهینه سازی الگوریتم پردازش با استفاده از تکنیک‌های پردازش تصویر‌،‌ ارائه شده است.

 

مقدمه

امروزه آنالیز تصویری روشی متداول و به بیانی‌،‌ تنها روش عملی دانه‌بندی خردایش سنگ حاصل از انفجار است؛ هدف از آنالیز تصویری‌،‌ پیش‌بینی خرد شدگی و تعیین ابعاد به منظور انتخاب تجهیزات انفجار در معادن‌، تخمین کارایی طرح انفجاری و قابلیت مواد منفجره و نیز پیش بینی تغییر شکل ناشی از نقل و انتقالات بوده و به دلیل صرفه اقتصادی بر روش آنالیز سرندی ارجحیت دارد. سایر مزیت‌های استفاده از روش آنالیز تصویری بصورت مختصر در ذیل آمده است:

  • آنالیز تصویری بهیچ عنوان موجب تداخل واختلال در روند استخراج و تولید نمی گردد.
  • آنالیز تصویری روش بسیار سریعی است و امکان آنالیز نمونه‌های متعدد را بصورت همزمان میسر می‌سازد.
  • الگوریتم‌های پردازش تصویر تحت تأثیر حجم قطعات خرد شده قرار نمی گیرند وخطای آنها ناچیزاست.
  • امروزه ابزار لازم برای آنالیز رقمی تصویر خردایش سنگ ناشی از انفجار براحتی در دسترس می‌باشد

بسته‌های نرم‌افزاری متعددی از قبیل‌‌، GoldSize WipFrag‌‌، Split-desktop‌‌،‌ … به منظور مرزبندی و تعیین توزیع ابعاد خردایش با دقت بالا امروزه کاربرد فراوانی یافته اند؛ در ایران نیز روش مبتنی بر استفاده از نرم‌افزارهای فوق الذکربه منظور بررسی خردایش ناشی از انفجار معادن میدوک‌،‌ گل گهر‌،‌ چغارت و… با هدف تعیین توزیع ابعاد خردشدگی‌،‌ نحوه استفاده از سنگ شکن و چگونگی حمل سنگ‌ها با موفقیت انجام شده است و مسائل مربوط به محاسبه پارامترهای مؤثر جهت یک انفجار بهینه اعم از بار سنگ‌،‌ قطر چال‌،‌ فواصل بین چال ها‌،‌ زون‌های نرم و سخت و … بررسی گردیده است

با این وجود‌،‌ عدم قابلیت تحلیل سه بعدی حجم خردایش ناشی از انفجار‌،‌ یک عیب عمده روش آنالیز تصویری بشمار می‌آید؛ خرده‌های ریز سنگ احتمالاً در سطوح پایین تری نسبت به قطعه‌های درشت قرار می‌گیرند و بنابراین تصاویر مربوطه شامل این خرده‌ها نخواهد بود؛ این موضوع باعث بروز خطا در تعیین آماری ابعاد خردایش می‌گردد علاوه بر این‌،‌ روش نمونه برداری و عکس برداری‌،‌ کیفیت تصاویر‌،‌ نورپردازی‌،‌ الگوریتم‌های پردازش تصویر و … از جمله مواردی است که خطاهای اجتناب ناپذیری را در بر داشته و دقت اندازه گیری‌های آماری را کاهش خواهد داد.

روش تحقیق در حوزه مربوط به آنالیز تصویری خردایش‌،‌ عمدتاً شامل طراحی یک الگوریتم پردازش تصویر به منظور تحلیل تصاویر خردایش می‌باشد بگونه ای که هدف از آن مشخص نمودن پارامترهایی است که در تحلیل تصاویر باعث ایجاد خطا شده‌اند.

پارامترهایی از قبیل ویژگی‌های تصویر عکس‌برداری شده (کنتراست‌،‌ وضوح‌،‌ شدت روشنایی و..) روش اپتیکی عکس‌برداری‌،‌ نورپردازی‌،‌ پردازش اولیه‌، مکان و موقعیت مناسب برای عکس‌برداری و … با بررسی تصاویر مختلف پردازش شده قابل ارزیابی و تصحیح بوده و از طرفی با مطالعه این پارامترها می‌توان الگوریتم‌های پردازش تصویر متداول را نیز تصحیح و تکمیل نمود.

در این جا ابتدا الگوریتم مناسبی برای پردازش تصاویر گرفته شده از خردایش سنگ مربوط به انفجار در معادن مختلف و با شرایط متفاوت اعم از گوناگونی ابعاد‌،‌ روش‌های عکس‌برداری مختلف‌،‌ کیفیت تصاویر‌،‌ نورپردازی و … ارائه شده و نتیجه اعمال این الگوریتم بر تصاویر مزبور منعکس گردیده است؛ سپس داده‌های بدست آمده جهت تحلیل و تصحیح پارامترهای مختلف عکس‌برداری‌،‌ اپتیکی و متدهای آنالیز تصویر بکار رفته‌اند.

 

الگوریتم تحلیل تصاویر مربوط به خردایش ناشی از انفجار

الگوریتم طراحی شده به منظور پردازش تصاویرخردایش ناشی از انفجار‌،‌ یک الگوریتم مبتنی بر روش استاندارد واترشد (Watershed) می‌باشد؛ جداسازی اجزاء مختلف به هم پیوسته در یک تصویر (object) جزو پیچیده‌ترین عملیات‌های ممکن در پردازش تصویر است.الگوریتم واترشد در این مورد اغلب کارساز است.

این الگوریتم هر جزء یا Object را بصورت چشمه ایی از سیال فرضی در نظر می‌گیرد که مرزهای جدایش آن با سایر چشمه‌ها‌،‌ همان محل سرریز شدن سیال فرضی از یک چشمه به درون چشمه دیگر و پیوستن سیال دو چشمه است. با این وجود‌،‌ لازم است که اجزاء پسین و پیشین از لحاظ عمق‌،‌ در یک تصویر شناسایی و علامتگذاری گردند تا تشخیص اجزاء (Objects) باکیفیت بالا انجام پذیرد.

 

این موضوع شاید یک عیب عمده برای الگوریتم واترشد بشمار آید ولی با اضافه کردن المان‌های دیگری به الگوریتم پردازشی واترشد می‌توان بر این مسئله فائق شد الگوریتم تعمیم یافته جداسازی بروش واترشد کنترل شونده مبتنی بر علامتگذاری یا‌ Marker-controlled watershed segmentation‌ بطور خلاصه شامل مراحل زیر است:

  1. محاسبه تابع جداسازی قطعات
  2. محاسبه و نشانه گذاری اجزاء پیشین
  3. محاسبه و تعیین اجزاء پسین
  4. اصلاح و بهینه سازی تابع جداسازی
  5. محاسبه تابع انتقال واترشد با استفاده از تابع جداسازی اصلاح شده

الگوریتم طراحی شده در این تحقیق با دارا بودن کلیه خصوصیات مربوط به الگوریتم تعمیم یافته جداسازی بروش واترشد کنترل شونده مبتنی بر علامت‌گذاری المان‌های دیگری را نیز جهت پردازش بیش تر تصویر دربر می‌گیرد که در ادامه به آنها اشاره خواهد شد. در الگوریتم حاضر ابتدا تصویر عکس‌برداری شده به تصویر Grayscale تبدیل می‌گردد.

در ادامه می‌توان از گرادیان شدت به عنوان تابع جداسازی استفاده نمود؛ روش‌های متنوعی برای تعیین تابع جداسازی وجود دارد؛ با علم به اینکه گرادیان شدت رنگ (Intensity) در داخل اجزاء تصویر (Objects) مینیمم و در لبه‌ها ماکزیمم است‌،‌ می‌توان از فیلترهای متعددی مانندCanny‌‌، Sobel و… جهت تعیین تابع جداسازی استفاده نمود.

در مرحله بعد با استفاده از تکنیک مورفولوژکیی گشودن به همراه بازسازی یا Opening- by –Reconstruction و تکنیک مشابه بستن به همراه بازسازی می‌توان اجزاء پسین و پیشین موجود در تصویر از لحاظ عمق را شناسایی و علامتگذاری نمود. این مرحله مشتمل بر مراحل زیرین متعددی است که وظیفه پردازش مورفولوژیک Dilation و Erosionرا به عهده دارند ErosionDilation) به ترتیب روش‌های مورفولوژی تعیین مینیمم و ماکزیمم موضعی در یک تصویر GrayScale است.

(همان گونه که در شکل ۳ مشاهده می‌شود‌،‌ برخی از خرده‌های سنگ و بخصوص خرده‌های پشتی که دریک سطح پایین‌تر از خرده‌های سطحی قرار گرفته‌اند‌،‌ علامت‌گذاری نشده‌اند؛ بنابراین علیرغم اینکه الگوریتم واترشد تعمیم یافته ناگزیر از علامت‌گذاری اجزاء پیشین و یا پسین است‌،‌ اما بنظر می‌رسد خود این مرحله موجب بروز خطاهایی در تحلیل برخی تصاویر می‌گردد که در بخش بعد در مورد آن و راه حل ممکن بحث خواهد شد.

مرحله بعدی علامت‌گذاری زمینه و یا اجزاء پسین می‌باشد اکنون میتوان با استفاده از تکنیک SKIZ. مرز بین زمینه و بخش پیشین عکس را با دقت بالایی مشخص نمود و الگوریتم واترشد را بر تصویر حاصل اعمال نمود؛ سپس زمینه علامت‌گذاری شده‌،‌ اجزاء علامت‌گذاری شده پیشین و مرز بین آنها باهم ادغام می‌شوند.

 

چنانچه مشهود است‌،‌ خردایش حاصل از انفجار با دقت مطلوبی دانه‌بندی شده و مرز بین خرده‌های سنگ نیز مشخص گردیده است؛ با این حال برخی از خرده‌ها و بخصوص خرده‌های پسین با دقت بالایی مرزبندی نشده‌اند؛ چنین خطاهایی حتی در نرم افزارهای دانه بندی سنگ مانند GoldSize نیز مشاهده می‌گردد.

الگوریتم طراحی شده‌،‌ هر جزء مرزبندی شده را بصورت یک جزء مجزا یا Object می‌شناسد و کلیه مشخصات هر جزء از قبیل مساحت‌،‌ مختصات مرکز‌،‌ نسبت بین قطب افقی و عمودی‌،‌ نسبت مساحت جزء به کل مساحت تصویر و… قابل استخراج است برای بدست آوردن منحنی آماری توزیع دانه بندی لازم است مراحل زیر انجام پذیرد:

  1. تعیین اندازه خردایش سنگ با استفاده از اجزاء مرزبندی شده در تصویر پردازش شده
  2. تعیین حجم سه بعدی خرده‌های سنگ با استفاده از تصویر پردازش شده دوبعدی (موسوم به Unfolding)
  3. تلفیق تصاویر پردازش شده با مقیاس‌های مختلف به منظور تعیین اندازه نهایی خرده‌های سنگ

جهت پیاده سازی مرحله ۲‌،‌ تصاویر دیجیتال متوالی باید از خردایش سنگ ناشی از انفجار گرفته شود و درعین حال روش‌های متنوعی نیز برای بازسازی حجم مربوط به خرده سنگ‌ها وجود دارد؛ در این جا به این مسأله پرداخته نخواهد شد.

 

بحث

همانگونه که در بخش پیشین اشاره گردید‌،‌ الگوریتم طراحی شده بسته به کیفیت تصویر دیجیتال‌،‌ نورپردازی‌،‌ نحوه عکسبرداری و… در خروجی خطاهایی در بردارد که دقت دانه بندی را کاهش می‌دهد؛ مجموعه این خطاها را می‌توان در سه دسته کلی طبقه بندی نمود:

 

۱- خطای ذاتی:

روش آنالیز تصویری خردایش سنگ ذاتاً خطاهایی در مقایسه با آنالیز سرندی در بر خواهد داشت:

الف- خطای تحلیل دو بعدی:

آنالیز تصویری خردایش سنگ با استفاده از یک تصویر اپتیکی دو بعدی اطلاعاتی در مورد اندازه دانه بندی‌ها بدست می‌دهد؛ همین مسأله باعث می‌شود تا اطلاعات ما درمورد دانه بندی‌ها مربوط به سطح خرد شدگی‌ها باشد و نه حجم آنها؛ در پردازش تصویر‌،‌ روش‌هایی برای بازسازی تصویر سه بعدی از یک تصویر دو بعدی وجود دارد.

از طرفی چنانچه گفته شد‌،‌ عکس‌برداری دیجیتال متوالی از یک نمونه اما با زوایای متفاوت دید روشی است که می‌تواند یک تصویر دیجیتال سه بعدی به دست دهد؛ بنظر میرسد بدون نیاز به بازسازی تصویر سه بعدی و یا عکس برداری تصاویر سه بعدی دیجیتال‌،‌ تنها ازطریق کالیبراسیون تجربی بتوان بر این مسأله فائق شد.

ب- خطای همپوشانی خرده سنگ‌ها:

قرار گرفتن بخشی از خرده سنگ زیر خرده سنگ دیگر موجب تحلیل نادرست الگوریتم از اندازه واقعی این خرده سنگ و خرده سنگ‌های مشابه شده و در واقع یک تخمین کمتر از واقع (Underestimation) را سبب خواهد شد؛ این خطا در عکس‌برداری‌های مختلف تقریباً ثابت بوده و میتوان ضریب ثابت آن را در محاسبات منظور کرد.

ج- خطای قرارگیری خرده سنگ‌ها:

خرده سنگ‌های درشت ترمعمولاً در عکس برداری دیده می‌شوند اما خرده‌های ریزتر در لابلای سنگ‌های درشت و شاید زیر آنها پنهان می‌گردند و از دید دوربین مخفی می‌مانند. این مسأله سبب خواهد شد که توزیع آماری ناشی از آنالیز تصویری به اندازه ضریب خاصی بزرگتر از توزیع آماری مربوط به آنالیز سرندی باشد به عبارت بهتر آنالیز تصویری اندازه خرده سنگ‌ها را بزرگتر اندازه می‌گیرد؛ در یک تحقیق میدانی میتوان بصورت تجربی این ضریب را معین نمود

۲ خطای عکس‌برداری:

این مجموعه از خطاها ناشی از عکس برداری غیر صحیح‌،‌ ضعیف‌،‌ غیر حرفه‌ای و یا غیر علمی است و با تصحیح پارامترهای مربوط به عکس برداری از قبیل کیفیت‌،‌ نورپردازی‌،‌ کنتراست و… میتوان آنها را تا حد زیادی برطرف نمود؛ مطالعات حاکی از آنست که در ایران ضریب کیفیت تصاویر گرفته شده از خردایش سنگ ناشی از انفجار پایین بوده و عکس‌برداری غیر صحیح و غیر علمی موجب بروزخطاهایی در نتایج دانه بندی‌ها می‌شود. در ادامه ابتدا به بررسی پارامترهای مختلف در خصوص عکسبرداری صحیح و اصولی پرداخته شده و سپس نمونه‌هایی از تصاویر متعدد به همراه تحلیل پارامترهای وابسته آمده است.

 

الف – وضوح تصویر (Resolution)

تصاویر گرفته شده باید حداقل وضوح لازم را برای پردازش دارا باشند؛ وضوح تصویر به معنای بالا بودن سایز تصویر نیست بلکه پارامترهایی از قبیل تعداد پیکسل درواحد سطح (dpi)‌‌،‌ ضریب کیفیت (Quality) و ضریب تراکم (Compression) در درجه اول از اهمیت برخوردار است. در شکل ۷ دو عکس با فرمت JPG ولی با ضرایب کیفی متفاوت آمده است. تعداد پیکسل در واحد سطح (dpi) برای هر دو تصویر ۳۰۰ dpi می‌باشد؛ بدیهی است اگر این مقدارکاهش یابد‌،‌ وضوح تصویر نیز کاهش خواهد یافت و بالعکس.

 

ب- نورپردازی درهنگام عکس‌برداری

نورپردازی ضعیف درهنگام عکس برداری منجر به این خواهد شد که تصاویر گرفته شده برای مقاصد پردازش تصویر مناسب نباشند؛ به عبارت بهتر الگوریتم تشخیص مرزبندی در مورد آن دسته از عکس‌هایی که بصورت نامناسبی درهنگام عکس‌برداری‌،‌ نورپردازی شده‌اند‌،‌ دچار خطا خواهد گردید.

برای حل مسأله ابتدا باید درهنگام عکس برداری درجه کنتراست دوربین نسبتاً بالا باشد؛ بالا بودن بیش از حد کنتراست موجب خواهد گردید که بافت‌ها یا رگه‌های موجود در روی برخی خرده سنگ‌ها شدیدتر و محسوس تر بنظر آیند و بنابراین این امکان وجود دارد که الگوریتم آنالیز تصویر‌،‌ این رگه‌ها را نیز به عنوان مرز بین دو خردشدگی به حساب آورَد.

اگرچه برخی از سنگ‌ها ذاتاً رگه‌های تیز و پررنگتری دارند و کاهش کنتراست در مورد عکس‌های گرفته شده از خردایش چنین سنگ‌هایی نیز سبب خواهد شد الگوریتم‌،‌ این بار قادر به تشخیص لبه‌ها و مرزهای واقعی بین خردشدگی‌ها نباشد؛ این مسأله را در حال کلی میتوان به عنوان خطای الگوریتم نیز در نظر گرفت و در بند ۳ همین بخش‌،‌ روش‌هایی برای حل این مسأله از طریق بهینه سازی الگوریتم به همراه نتایج آمده است؛

ولی حداقل با انتخاب یک مقدار اپتیمم به عنوان درجه کنتراست تصویر میتوان تا حدی بر این مسأله غلبه کرد؛ تنظیم کنتراست تصویر راهم از طریق تنظیم درجه کنتراست دوربین عکس‌برداری وهم پس از عکس‌برداری در مرحله پردازش میتوان براحتی انجام داد اما بهتر است این امر در هنگام عکس‌برداری صورت گیرد زیرا ممکن است بدلیل بالا بودن شدت نور و برخی عوامل دیگر در هنگام عکس‌برداری‌،‌ کنتراست بسیار پایین بیاید و از دست رفتن بخشی از اطلاعات تصویر در این مرحله با پردازش تصویر جبران نخواهد گردید.

 

زاویه نوردهی و شدت نور نیز شدیداً بر عملکرد الگوریتم آنالیز تصویر تأثیر خواهد گذاشت؛ بدین ترتیب که اگر زاویه نور مستقیم و شدت نور بسیار بالا باشد‌،‌ تیرگی بین مرزها و لبه‌ها محسوس نخواهد بود و در نتیجه الگوریتم طراحی شده مرزها را تشخیص نخواهد داد؛

زاویه نوردهی غیر عمود به هیچ عنوان درهنگام عکس برداری توصیه نمی شود‌، زیرا در نتیجه این عمل‌،‌ الگوریتم پردازش به شدت دچار خطا شده و بهینه سازی الگوریتم با رو ش‌های متفاوت برای تصاویر مختلفی که با این روش غلط عکس‌برداری شده اند‌،‌ نتیجه یکسانی نخواهد داشت؛

واقعیت این است که برخی خردشدگی‌ها که در معرض عکس برداری قرار می‌گیرند سطح ناصافی دارند؛ بنابراین اگر نور به صورت مایل بر این خردشدگی‌ها فرود آید‌،‌ سطحی که در مقابل نور قرار گرفته روشنتر و سطح دیگر تیره تر بنظر خواهد رسید؛ بدین ترتیب در مرحله تعریف تابع جدا سازی در الگوریتم پردازش‌،‌ گرادیان شدت در این سطوح به حساب امده و در نهایت در مرحله مرزبندی‌،‌ دو سطح متعلق به یک خردشدگی‌،‌ به عنوان دو خردشدگی تلقی خواهد گردید.

 

باید اذعان داشت بخشی از این مسأله به خطای ناشی از طراحی الگوریتم با اهداف محدود مربوط است؛ همانگونه که قبلاً اشاره گردید‌،‌ امکان تهیه یک عکس سه بعدی از خردایش ناشی از انفجار نیز وجود دارد؛ برای خرده سنگ‌های با سطوح متفاوت‌،‌ میتوان یک پروفایل سه بعدی با استفاده از الگوریتم‌های سه‌بعدی‌سازی نسبت داد به این ترتیب شاید تصویر شماره ۸ بتواند اطلاعات کاملتری در خصوص سایز دانه بندی‌ها مشتمل بر شکل حجمی دانه‌بندی‌ها نیز در اختیار قرار دهد؛

اما همان گونه که Cunningham پیش نهاد کرده است‌،‌ اگر هدف از اندازه گیری مقایسه سایز دانه بندی‌ها به شکل آماری باشد‌،‌ عکسبرداری و تحلیل دو بعدی کافی خواهد بود؛ به منظور رفع خطای ناشی از نورپردازی مایل‌،‌ لازم است نور بصورت عمود بر سطح مورد نظر فرود آید؛

همچنین اگر لایه‌ای از گرد و خاک بر روی خرده سنگ‌ها قرار گیرد‌،‌ بدلیل یکنواخت بنظر رسیدن سطح خردشدگی‌ها و عدم انعکاس نور از سطوح خردشدگی ها‌،‌ الگوریتم تحلیل تصویر با دقت بالاتری قادر به تشخیص لبه‌ها خواهد بود در شکل ۸ همچنین نتیجه تعیین دانه بندی‌ها بر روی تصویر اصلی آمده است؛ واضح است که تابش نور مایل‌،‌ باعث ایجاد خطا در خروجی الگوریتم دانه بندی شده است.

نکته دیگر در خصوص نوردهی به نمونه‌ای که از آن عکس‌برداری خواهد شد‌،‌ توجه به یکنواخت بودن نور تابشی بر تمامی سطح نمونه است؛ در صورتی که از نور آفتاب استفاده شود‌،‌ نور تابشی یکنواخت خواهد بود اما در محیط‌های تاریک و یا نیمه روشن استفاده از فلاشر دوربین عکس‌برداری یا منبع نور مجزا باعث می‌گردد ناحیه‌ای از عکس گرفته شده نسبت به نواحی اطراف‌،‌ روشن تر بنظر آید؛ مسأله‌ای که به نوبه خود در تعیین گرادیان بین سطوح رنگ و در نتیجه در مرزبندی‌،‌ خطا ایجاد خواهد کرد.

 

ج- عکس‌برداری با استفاده از لنز Telephoto یا Wide Angle

مشخصه ویژه لنزهای Telephoto فاصله کانونی بسیار بلند آنهاست؛ بگونه‌ای که مرکز اپتیکی آن‌ها خارج از ساختار فیزیکی لنز واقع شده است. این لنزها قابلیت عکس‌برداری از نمونه در فاصله دور را دارا می‌باشند؛ در تصاویر عکس‌برداری شده بوسیله دوربین‌های مجهز به لنزهای Telephoto در مقایسه با لنزهای Wide Angle فاصله اجسام در لنزهای Telephoto فشرده تر بنظر خواهد آمد؛ بنابراین اعوجاج ناشی از پدیده پرسپکتیو در لنزهای Telephoto کاهش می‌یابد؛ در مرحله پردازش عکس نیز الگوریتم پردازش دچار خطای کمتری خواهد گردید.

 

۳- خطای الگوریتم:

این دسته از خطاها به دلیل عدم امکان تحلیل صحیح تصاویر بوسیله الگوریتم پردازش بوجود خواهد آمد؛ در این بخش بررسی برخی از این خطاها به همراه تصحیح و بهینه سازی الگوریتم طراحی شده آمدهاست.

الف- رفع خطای مربوط به رگه‌های روی خرده سنگ‌ها و مسطح سازی تصویر به منظور رفع خطای ناشی از سطوح ناصاف خردشدگی ها:

در بند ۲ خطای ناشی از سطوح ناصاف و یا رگه‌های موجود بر روی سطوح سنگ‌ها معرفی گردید. با بهینه سازی و اصلاح الگوریتم پردازش‌،‌ تا حدی میتوان بر این مسأله غلبه کرد. بهمین منظور از تکنیک Blur کردن تصویر و سپس مسطح کردنِ (Flatten) اجزاء(Objects) موجود در عکس استفاده می‌شود؛ در شکل ۹ تصویر عکسبرداری شده به همراه تصویر مسطح شده آمده است:

 

نتیجه اعمال الگوریتم طراحی شده بر روی دو تصویر نیز در شکل ۱۰ آمده است:

با مقایسه تصاویر مربوط به دانه بندی هادر شکل۱۰ واضح است که قابلیت تشخیص لبه‌ها با استفاده از الگوریتم افزایش یافته است؛ اما اگر نامسطح بودن سطوح خرده سنگ‌ها مطابق با شکل ۸ بدلیل تابش مایل نور- محسوس تر باشد و یا رگه‌های خرده‌های سنگ کنتراست بالایی داشته باشد به طوری که درجه کنتراست آنها با درجه‌ی کنتراست لبه‌ها برابری کند- این تکنیک موفقیت قابل ملاحظه‌ای در تعیین دانه بندی‌ها کسب نخواهد کرد.

این امر مؤید آنست که مرحله عکس‌برداری (اعم از انتخاب صحیح پارامترهای عکسبرداری‌،‌ نورپردازی اصولی و .. ) از اهمیت بالاتری در حوزه آنالیز خردایش سنگ ناشی از انفجار برخوردار است. در شکل ۱۱ تصاویر مربوط به شکل ۱۰ به صورت قالب‌های رنگی مجزا آمده است.

ب- استفاده از تکنیک تلفیق تصاویر (ImageFusion):

گاهی بدلیل وجود توأم خرده‌های ریزو درشت در نمونه ایکه عکس برداری شده است‌،‌ تشخیص خرده‌های ریزتر در مقایسه با خرده‌های درشت تر توسط الگوریتم پردازش بدرستی انجام نخواهد گرفت؛ دلیل این مسأله آنست که خرده سنگ‌های ریز در تصویر از رزلوشن (Resolution) پایین تری در مقایسه با قطعات درشت تر برخواردار هستند. برای رفع این مسأله از تکنیک Image Fusion استفاده شده است؛ ابتدا رزلوشن تصویر متناسب با قطعات درشت ترتنظیم می‌گردد

و الگوریتم طراحی شده‌،‌ عمل مرزبندی بین دانه‌ها را انجام می‌دهد؛ سپس با بزرگ‌نمایی تصویر‌، عمل مرزبندی بر روی خرده‌های ریز انجام می‌پذیرد؛ در نهایت‌،‌ نتایج این دو مرزبندی با هم ادغام می‌گردند. گاهی این روش بدلیل خصوصیت ذاتی خود‌،‌ Zoom-Merge نیز نام می‌گیرد.

    • الف-قطعات درشت تر (Overestimation)
    • ب- خرده‌های ریزتر ہunderestimation
    • ج- استفاده از تکنیک (Image Fusion)

 

در شکل ۱۲ -الف‌،‌ الگوریتم پردازش تنها قادر به تشخیص لبه قطعات درشت می‌باشد؛ از روش ارائه شده در قسمت الف همین بخش برای رفع خطای مربوط به رگه‌های موجود بر روی خرده سنگ‌ها و مسطح سازی استفاده شده است؛ خرده‌های ریزتر از دید الگوریتم دانه‌بندی مخفی مانده‌اند.

در شکل-۱۲ ب خرده‌های سنگ به صورت اغراق امیزی دانه‌ندی شده‌اند؛ دانه‌بندی خرده‌های ریز از خطای کمتری در مقایسه با قطعات درشت‌تر برخوردار است؛ در شکل-۱۲ ج با بکار بستن تکنیک Image Fusion‌‌،‌ کیفیت دانه‌بندی تا حدی بهبود یافته است؛ اگر تعداد تصاویر تلفیقی افزایش یابد‌،‌ انتظار میرود نتیجه دانه‌بندی باز هم خطای کمتری داشته باشد

 

نتیجه گیری

آنالیز تصویری خردایش سنگ‌،‌ تنها روش عملی تعیین دانه‌بندی خردایش سنگ ناشی از انفجار به منظور انتخاب تجهیزات انفجار در معادن‌،‌ تخمین کارایی طرح انفجاری و قابلیت مواد منفجره و نیز پیش‌بینی تغییر شکل ناشی از نقل و انتقالات مواد می‌باشد.

اگر چه آنالیز تصویری‌،‌ ذاتاً بدلیل عکس‌برداری و تحلیل دو بعدی از تصاویر‌،‌ عاری از خطا نیست‌،‌ اما بدلیل صرفه اقتصادی و مزیت‌هایی از قبیل عدم اختلال در روند تولید و استخراج‌،‌ امکان آنالیز سریع نمونه‌های فراوان و امکان کاهش خطا بر روش آنالیز سرندی ارجحیت دارد.

تلاش‌های صورت گرفته در این مقاله به منظور طراحی یک الگوریتم آنالیز تصاویر خردایش و تحلیل نتایج مربوطه حاکی از آنست که رخداد خطا در تعیین دانه بندی خردایش می‌تواند مربوط به ۱- مرحله عکس برداری و ۲- مرحله آنالیز خردایش (توسط الگوریتم طراحی شده) باشد.

در خصوص مرحله ۲ تلاش‌های بیش تر در جهت بهبود کارایی الگوریتم می‌تواند مؤثر واقع گردد؛ اما آنچه از اهمیت بالاتری برخوردار است‌،‌ توجه به پارامترهای تصویر در مرحله عکس برداری و تلاش در جهت تنظیم پارامترهای عکسبرداری به منظور حصول یک تصویر با کیفیت مطلوب است؛ تصویری که در نهایت‌،‌ شرایط مناسب جهت ورود به مرحله پردازش‌،‌ توسط الگوریتم را دارا باشد. استفاده از لنز مناسب و نوردهی صحیح و انتخاب درجه کنتراست اپتیمم جهت عکسبرداری از جمله مواردیست که در این مقاله توصیه شده است.

 

 

۳- کاربرد مدل‌های ریاضی در ارزیابی عملیات آتشکاری

در این جا ارزیابی عملکرد ۷۸ الگوی آتشکاری اجرا شده در معدن سنگ آهن چادرملو‌،‌ توسط مدل‌های تجربی انجام شده است. استفاده از مدل‌های تجربی در محاسبه کمی شاخصه‌های آتشکاری خردایش

خردایش نقش کلیدی در ارزیابی تولید و کارایی معادن روباز ایفاء می‌کند. در صورت عدم کنترل خردایش هزینه‌های تولید افزایش یافته و روند تولید بدلیل نیاز به آتشکاری ثانویه و سنگ شکنی با تأخیر مواجه می‌شود.

بنابراین طراحی الگوی آتشکاری باید به نحوی انجام شود تا ضمن کاهش هزینه‌های باربری‌،‌ بارگیری و خردایش‌،‌ سرعت عمل مراحل معدنکاری افزایش یابد. خردایش سنگ به متغیر‌های زیادی از قبیل مشخصات توده سنگ‌،‌ زمین شناسی و پارامترهای طراحی بستگی دارد.

در این خصوص مدل‌های تجربی تخمین توزیع ابعادی توده سنگ پس از خردایش بسط داده شده اند .در این مطالعه موردی بعلت نزدیکی نتایج واقعی با پیش بینی مدل تجربی کوز-رم‌،‌ از این مدل جهت محاسبه کمی میزان خردایش استفاده شده است. مدل کوز-رم یک مدل تجربی خردایش می‌باشد که بر مبنای مطالعات کوزنتسوف و روزین – راملر توسط کانیگهام در سال ۱۹۸۳ ارائه شد معادله کوزنتسوف عبارت است:

Xm=A.(K-۰.۸).Qe۱.۶.( ۱۱۵/E Anfo)۱۹/۳۰

که در این رابطه:

  • Xm = میانگین اندازه قطعه‌های خرد شده
  • A = فاکتور سنگ
  • K = خرج ویژه (KG/M3)
  • Qe =‌ جرم ماده منفجره استفاده شده(Kg)
  • E = قدرت وزنی نسبی ماده منفجره استفاده شده که برای آنفو ۱۰۰ است

از معادله رزین -راملر برای مشخص کردن توزیع ابعادی مواد استفاده می‌شود که پروسه خردایش مواد معدنی نیز بسیار منطبق با این فرمول است این معادله به شرح زیر است:

R= e-(x/xc)

که در آن:

  • X قسمتی از مواد باقی مانده بر روی سرند به ابعاد(X در این مطالعه موردی میزان X=25 cm درنظر گرفته شده است)
  • X = اندازه قطر ذرات خرد شده (cm)
  • Xc = دهانه سرندی که ۶۳,۲ % قطعات از آن عبور می‌کنند.
  • n = شاخص یکنواختی است که به پارامترهای مختلف طراحی آتشکاری همچون قطر چال‌،‌ بارسنگ‌،‌ فاصله ردیفی چال ها‌،‌ طول خرج‌،‌ دقت چالزنی و ارتفاع پله بستگی دارد معمولاً بین ۰,۸ الی ۱,۵ است و برای آرایش مستطیلی چال‌ها مقدار%۱۰ باید به آن افزود.

کوزنتسوف رابطه تجربی و ساده‌ای را برای پیش بینی متوسط ابعاد سنگ خرد شده ارائه کرد در شرایطی که مقدار X=Xm در نظر گرفته شود و میزان عبور کرده از سرند ۵۰ درصد‌،‌ خواهیم داشت:

کونینگهام برای محاسبه n در توزیع روزین-راملر رابطه زیر را ارائه داده است:

با توجه به فرمول ارائه شده توسط کوزنتسوف و معادله رزین -راملر و استفاده از فرمول‌های تجربی فوق می‌توان ضمن محاسبه کمی خردایش به یک ارزیابی نسبی مناسب در مورد خردایش الگوهای آتشکاری متفاوت دست پیدا کرد.

 

جدیدترین مطالب رو در ایمیل خود دریافت کنید

این مطلب را با دوستان خود به اشتراک بگذارید

اشتراک گذاری در telegram
اشتراک گذاری در whatsapp
اشتراک گذاری در facebook
اشتراک گذاری در twitter
اشتراک گذاری در linkedin

شاید بپسندید

هنوز نظری ثبت نشده،نظر خود را ثبت کنید!


افزودن نظر

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

 ورود به حساب کاربری

عضویت

فرم گزارش

خواهشمند است، فرم را تکمیل و ارسال نمایید.

راهنمای دانلود

  • اگر نرم‌افزار مدیریت دانلود ندارید، قبل از دانلود هرگونه فایلی، یک نرم افزار مدیریت دانلود مانند IDM و یا FlashGet نصب کنید.
  • برای دانلود، به روی عبارت “دانلود” کلیک کنید و منتظر بمانید تا پنجره مربوطه ظاهر شود سپس محل ذخیره شدن فایل را انتخاب کنید و منتظر بمانید تا دانلود تمام شود.
  • در صورت بروز مشکل در دانلود فایل‌ها تنها کافی است در آخر لینک دانلود فایل یک علامت سوال ? قرار دهید تا فایل به راحتی دانلود شود.
  • فایل های قرار داده شده برای دانلود به منظور کاهش حجم و دریافت سریعتر فشرده شده‌اند، برای خارج سازی فایل‌ها از حالت فشرده از نرم‌افزار Winrar و یا مشابه آن استفاده کنید.
  • چنانچه در مقابل لینک دانلود عبارت بخش اول، دوم و … مشاهده کردید تمام بخش‌ها می‌بایستی حتماً دانلود شود تا فایل قابل استفاده باشد.
  • کلمه رمز جهت بازگشایی فایل فشرده عبارت www.mining-eng.ir می‌باشد. تمامی حروف را می بایستی به صورت کوچک تایپ کنید و در هنگام تایپ به وضعیت EN/FA کیبورد خود توجه داشته باشید همچنین بهتر است کلمه رمز را تایپ کنید و از Copy-Paste آن بپرهیزید.
  • چنانچه در هنگام خارج سازی فایل از حالت فشرده با پیغام CRC مواجه شدید، در صورتی که کلمه رمز را درست وارد کرده باشید. فایل به صورت خراب دانلود شده است و می‌بایستی مجدداً آن را دانلود کنید.
با استفاده از این وب سایت، شما موافقت می‌کنید برای ارائه تجربه دلنشین‌تر برای شما از کوکی‌ها استفاده نماییم
این شامل اطلاعات خصوصی شما نخواهد بود