| عنوان فارسی مقاله: | تحلیل تغییر مکان توده سنگها بر اثر معدن کاری زیرزمینی مناطق کوهستانی با مدل فازی |
| عنوان انگلیسی مقاله: | Fuzzy models for analysis of rock mass displacements due to underground mining in mountainous areas |
| دانلود مقاله انگلیسی: | برای دانلود رایگان مقاله انگلیسی با فرمت pdf اینجا کلیک نمائید |
| سال انتشار | 2006 |
| تعداد صفحات مقاله انگلیسی | 9 |
| تعداد صفحات ترجمه مقاله | 20 |
| رشته های مرتبط | مهندسی کامپیوتر، مکانیک سنگ و مهندسی معدن |
| مجله | مجله بین المللی مکانیک سنگ و علوم معدن(International Journal of Rock Mechanics & Mining Sciences) |
| دانشگاه | آزمایشگاه سنگ و مکانیک خاک، موسسه راک و مکانیک خاک، آکادمی علوم چین |
| کلمات کلیدی | استخراج از معادن زیرزمینی؛ جابجایی توده سنگ؛ مناطق کوهستانی. اندازه احتمال فازی |
| نشریه الزویر | Elsevier |
فهرست مطالب:
چکیده
1 مقدمه
2 مدل های ریاضی فازی
3 استفاده از مدل فازی برای مهندسی معدن
3 1 پروسه های تخمین جابه جایی ها
3 2 روش تخمین پارامترهای مهندسی
3 2 1 شبکه های عصبی مصنوعی(NNsA)
3 2 2 ساختار توپولوژیکی propagation back شبکه های عصبی(BPNN)
3 2 3 پارامترهای جابه جایی های توده سنگ
3 3 نتایج تخمین جابه جایی ها
4 نتایج
بخشی از ترجمه:
مطابقت نتایج تئوری با اندازه گیری های صحرای نشان می دهد که این مدل رضایت بخش و فرمول بدست آمده قابل قبول است، بدین سان می تواند به طور موثر برای پیش بینی جابه جایی ها و تغییرشکل پذیری های ناشی از استخراج معادن زیرزمینی در مناطق کوهستانی استفاده شود.
4- نتایج
در این مقاله، بوسیله کاربرد روش اندازه گیری های احتمالاتی فازی برای موارد واقعی حفاری، استخراج، حرکت سطح زمین ونشست تجزیه وتحلیل شده اند و تابع عضویت متناظر ایجاد شده است. نشست تقریبی و جابه جایی افقی محاسبه شده است و با داده های ثبت شده بدست آمده از ایستگاههای کنترل مقایسه شده است. این مقایسه ها نشان می دهد که پیش بینی های تئوری با مشاهدات همخوانی دارد.
فرمول های مشتقاتی داده شده در این مقاله بوسیله داده های اندازه گیری شده در مقیاس بزرگ تایید شدند. بنابراین، مدل فازی برای حل مسائل جابه جایی توده سنگ و نشست زمین ناشی از استخراج معادن زیرزمینی، مخصوصا برای معادن زغالی و فلزی در مناطق کوهستانی قابل اطمینان است.
بخشی از مقاله انگلیسی:
1. Introduction In both the underground and surface mining, if a void is excavated in a rock continuum, the load formerly applied on the rock in the opening will be transferred either to the rock surrounding the opening or to the supports (pillars) within the opening or both, and finally to the ground surface, hence resulting in a macroscopically nonuniform deformation of the surface in the horizontal or vertical direction. If the uneven deformation or subsidence (i.e. differential subsidence on the top of the mined-out area) cannot be effectively controlled then it will cause damage and even a disaster, such as deformation or even cracking of buildings, particularly tall buildings. This means that the failure of a building is to a great extent controlled by the presence of differential subsidence rather than the absolute magnitude of subsidence [1–13]. It is difficult to calculate the accurate displacement of every point in a body of rock because of the complexity of the problem. Instead, various approximate methods have been used for this calculation. In recent years, in mining engineering in particular, theory of fuzzy mathematics has been applied to analyze the problems of displacement and deformations of rock mass due to underground mining [2–8]. In fact, the movement of each point at a level of overburden can be regarded as a fuzzy event. In other words, this displacement will take place at a fuzzy probability, and so the theory of fuzzy probability measures can be applied in describing the ground subsidence and deformation of rock mass [8]. In this paper, the application of the fuzzy probability measures to the analysis of the rock mass displacements due to underground mining in mountainous areas is described. activation function and connection weights. Since the neural network stores data as patterns in a set of processing elements by adjusting the connection weights, it is possible to realize complex mapping through its characteristics of distributed representations. The neural network can automatically find the closest match through its content addressable property, even if the data are incomplete or vague (e.g. rock mass displacement parameters k1, k2, BS1, BS2, tan b in the case examples). Most of the researches to date show that an ANNs can be applied successfully to engineering problems without any restriction. It has also been seen that the capability of an ANN is suitable for inherent uncertainties and imperfections found in geotechnical engineering problems. Neural networks are nonlinear dynamic systems that have important features, such as self-learning, adaptive recognition, nonlinear dynamic processing and associative memory. They have the ability to learn knowledge from historical data (e.g. A–E in Fig. 4) and bring forth new knowledge and generalization. Therefore, neural networks have been successfully used in geotechnical engineering areas, for e.g., to predict reliability [27], to evaluate the permeability of compacted clay liners [28] and to predict the parameters of rock mass movement [29]. These applications show that neural network models are superior at solving problems in which many parameters influence the process and results, when the process and results are not fully understood and when there is historical or experimental data available. The problem involving prediction of rock mass displacement parameters is of this type.
| عنوان فارسی مقاله: | تحلیل تغییر مکان توده سنگها بر اثر معدن کاری زیرزمینی مناطق کوهستانی با مدل فازی |
| عنوان انگلیسی مقاله: | Fuzzy models for analysis of rock mass displacements due to underground mining in mountainous areas |
