Новая эмпирическая модель для прогнозирования на основе характеристик горной массы скорости проникновения крупногабаритных буровых установок в шахтах

Буровые установки типа «джамбо» широко используются в подземной горной промышленности для прокладки туннелей. Скорость бурения существенно зависит от характеристик недеформированной горной породы и структурных параметров горной массы. Для оценки скорости проникновения буровых установок типа «джамбо» была использована нелинейная множественная регрессионная модель (NLMR). В этом исследовании были использованы полевые данные, включающие 737 буровых скважин. Разработана эмпирическая модель, включающая индекс буримости горной массы (RDi), для прогнозирования скорости проникновения буровых установок типа «джамбо» в подземных шахтах. Для оценки точности прогноза модели использовались показатели производительности, такие как R2, RMSE, MAE, MAPE и VAF. Разработанная модель показала значения 0,88, 0,22, 0,17, 7,3 и 88,84 для R2, RMSE, MAE, MAPE и VAF соответственно при применении к тренировочным данным. Учитывая как механические свойства недеформированной горной породы, так и структурные свойства горных массивов, модель продемонстрировала точные прогнозы скоростей проникновения буровых установок типа «джамбо».

Сасан Хеыдар, Сеыед Хади Хосеиние, Рахеб Багхерппоур Новая эмпирическая модель для прогнозирования на основе характеристик горной массы скорости проникновения крупногабаритных буровых установок в шахтах // Горный информационно-аналитический бюллетень. – 2024. – № 5. – С. 17–35. DOI: 10.25018/0236_1493_2024_ 5_0_17.

Сасан Хеыдар¹ — кандидат наук, e-mail: sasanheydari@mi.iut.ac.ir, ORCID ID: 0000-0001-9140-3486,
Сеыед Хади Хосеиние¹ — доцент, e-mail: hadi.hoseinie@iut.ac.ir, ORCID ID: 0000-0002-9767-3644,
Рахеб Багхерппоур¹ — профессор, e-mail: bagherpour@iut.ac.ir, ORCID ID: 0000-0002-7235-9966,
¹ Кафедра горного дела, Университет технологии в городе Исфахан, Исфахан, Иран.

Хосеиние С.Х., e-mail: hadi.hoseinie@iut.ac.ir.

1. Thuro K. Drillability prediction: geological influences in hard rock drill and blast tunneling // International Journal of Earth Sciences. 1997, vol. 86, pp. 426—438. DOI: 10.1007/s005310050151.

2. Hoseinie S. H., Aghababaei H., Pourrahimian Y. Development of a new classification system for assessing of rock mass drillability index (RDi) // International Journal of Rock Mechanics and Mining Sciences. 2008, vol. 45, no. 1, pp. 1—10. DOI: 10.1016/j.ijrmms.2007.04.001.

3. Su O. Evaluation of various mining equipment used for roadway development in coal mines // Archives of Mining Sciences. 2019, vol. 64, no. 4, pp. 797—812. DOI: 10.24425/ams.2019.131067.

4. Akbay A., Altındag R. An investigation of different drill bits and drilling angles in blast hole drilling // Rock Engineering and Rock Mechanics. 2014, pp. 1033—1038. DOI: 10.1201/b16955-178.

5. Darbor M., Faramarzi L., Sharifzadeh M. Performance assessment of rotary drilling using nonlinear multiple regression analysis and multilayer perceptron neural network // Bulletin of Engineering Geology and the Environment. 2017, vol. 78, pp. 1501—1513. DOI: 10.1007/s10064-017-1192-3.

6. Najjarpour M., Jalilfar H., Norouzi-Apourvari S. Half a century experience in rate of penetration management: Application of machine learning methods and optimization algorithms. A review // Journal of Petroleum Science and Engineering. 2022, vol. 208, pp. 1—18. DOI: 10.1016/j.petrol.2021.109575.

7. Soares C., Gray K. Real-time predictive capabilities of analytical and machine learning rate of penetration (ROP) models // Journal of Petroleum Science and Engineering. 2019, vol. 172, pp. 934— 959 . DOI: 10.1016/j.petrol.2018.08.083.

8. Awuah-Offei K. Energy efficiency in mining: a review with emphasis on the role of operators in loading and hauling operations // Journal of Cleaner Production. 2016, vol. 117, pp. 89—97. DOI: 10.1016/j.jclepro.2016.01.035.

9. Elmgerbi A. M., Ettinger C. P., Tekum P. M., Thonhauser G., Nascimento A. Application of machine learning techniques for real time rate of penetration optimization / Proceedings of the SPE/IADC Middle East Drilling Technology Conference and Exhibition, Abu Dhabi, United Arab Emirates, 2021, pp. 20—27. DOI: 10.2118/202184-MS.

10. Zhao S., Wang M., Yi W., Yang D., Tong J. Intelligent classification of surrounding rock of tunnel based on 10 machine learning algorithms // Applied Science. 2022, vol. 12, no. 5, pp. 1—20. DOI: 10.3390/app12052656.

11. Bauer A., Calder P. N. Open pit drilling — factors influencing drilling rates / Proceedings of the 4th Canadian Symposium on Rock Mechanics, Ottawa, 1967, pp. 1—33.

12. Bauer A., Crosby W. A. Drilling application. Section 6.1.2 Surface Mining, 2nd Edition. Society for Mining, Metallurgy and Exploration, Inc. Port City Press, Baltimore, 1990, pp. 524—539.

13. Rabia H. Specific energy as a criterion for drill performance prediction // International Journal of Rock Mechanics and Mining Sciences & Geomechanics Abstracts. 1982, vol. 19, pp. 39—42. DOI: 10.1016/0148-9062(82)90709-4.

14. Howarth D. F. Experimental study on the relationship between rock texture and mechanical performance // Transactions of the Institution of Mining and Metallurgy. 1986, vol. 95, pp. 41—44.

15. Workman L., Szumanski M. Which blasthole rig? / World Mining Equipment, 1997.

16. Tutmez B., Kahraman S., Gunaydin O. Multifactorial fuzzy approach to the sawability classification of building stones // Construction and Building Materials. 2007, vol. 21, no. 8, pp. 1672—1679. DOI: 10.1016/j.conbuildmat.2006.05.023.

17. Ersoy A., Waller M. D. Prediction of drill-bit performance using multivariable linear regression analysis // Transactions of the Institution of Mining and Metallurgy. 1995, vol. 104, pp. 101—114.

18. Kahraman S., Balci C., Yazici S., Bilgin N. Prediction of the penetration rate of rotary blast hole drills using a new drillability index // International Journal of Rock Mechanics and Mining Sciences. 2000, vol. 37, no. 5, pp. 729—743. DOI: 10.1016/S1365-1609(00)00007-1.

19. Kahraman S., Bilgin N., Feridunoglu C. Dominant rock properties affecting the penetration rate of percussive drills // International Journal of Rock Mechanics and Mining Sciences. 2003, vol. 40, pp. 711—723. DOI: 10.1016/S1365-1609(03)00063-7.

20. Kahraman S., Ipek M., Guleryuz U., Gunaydin N. Performance prediction of a jumbo drill in Pozanti—Ankara Motorway Tunnel (Turkey) // Tunnelling and Underground Space Technology. 2006, vol. 21, pp. 265—265. DOI: 10.1016/j.tust.2005.12.126.

21. Kahraman S. The prediction of penetration rate for percussive drills from indirect tests using artificial neural networks // Journal of the South African Inst of Mining and Metallurgy. 2016, vol. 116, pp. 793—800. DOI: 10.17159/2411-9717/2016/v116n8a12.

22. Hoseinie S. H., Ataei M., Osanloo M. A new classification system for evaluating rock penetrability // International Journal of Rock Mechanics and Mining Sciences. 2009, vol. 46, pp. 1329—1340. DOI: 10.1016/j.ijrmms.2009.07.002.

23. Ataei M., Kakaei R., Ghavidel M., Saeidi O. Drilling rate prediction of an open pit mine using the rock mass drillability index // International Journal of Rock Mechanics and Mining Sciences. 2015, vol. 73, pp. 130—138. DOI: 10.1016/j.ijrmms.2014.08.006.

24. Munoz H., Taheri A., Chanda E. K. Rock drilling performance evaluation by an energy dissipation based rock brittleness index // Rock Mechanics and Rock Engineering. 2016, vol. 49, pp. 3343— 3355. DOI: 10.1007/s00603-016-0986-0.

25. Su O. Performance evaluation of button bits in coal measure rocks by using multiple regression analyses // Rock Mechanics and Rock Engineering. 2016, vol. 49, pp. 541—55. DOI: 10.1007/ s00603-015-0749-3.

26. Capik M., Yilmaz A. O., Yasar S. Relationships between the drilling rate index and physicomechanical rock properties // Bulletin of Engineering Geology and the Environment. 2017, vol. 76, pp. 253—261. DOI: 10.1007/s10064-016-0991-2.

27. Shi X., Gong X., Zhang J., Wang J., Zhang H. An efficient approach for real-time prediction of rate of penetration in offshore drilling // Mathematical Problems in Engineering. 2016, vol. 3, pp. 375—380 DOI: 10.1155/2016/3575380.

28. Hung N. V., Gerbaud L., Souchal R., Urbanczyk C., Fouchard C. Penetration Rate prediction for percussive drilling with rotary in very hard rock // Journal of Science and Technology. 2016, vol. 54, no. 1, pp. 132—149. DOI: 10.15625/0866-708X/54/1/5956.

29. Navarro J., Segarra P., Sanchidrian J. A., Castedo R., Lopez L. M. Assessment of drilling deviations in underground operations // Tunnelling and Underground Space Technology. 2019, vol. 83, pp. 254—264. DOI: 10.1016/j.tust.2018.10.003.

30. Wang M., Zhao S., Tong, J., Tong J., Wang Z., Yao M., Li J., Yi W. Intelligent classification model of surrounding rock of tunnel using drilling and blasting method // Underground Space. 2021, vol. 6, no. 5, pp. 539—550. DOI: 10.1016/j.undsp.2020.10.001.

31. Broch E., Franklin J. A. The point-load strength test // International Journal of Rock Mechanics and Mining Sciences & Geomechanics Abstracts. 1972, vol. 9, pp. 669—676. DOI: 10.1016/01489062(72)90030-7.

32. Jimeno C. L., Jimeno E. L., Carcedo F. J. A. Drilling and blasting of rocks. Rotterdam, Balkema, 1995, 389 p.