ارتقاء بازدهی پروژه حفاری: پیش بینی و ارزیابی عملکرد ماشین رودهدر مبتنی بر هوش مصنوعی

رودهدر به عنوان یک حفار مکانیکی فضاهای زیرزمینی، اهمیت بالایی در پروژه های عمرانی و معدنی دارد و بررسی اقتصادی یک پروژه حفاری به شدت وابسته به پیش بینی عملکرد رودهدر است. نرخ خالص حفاری رودهدر یک معیار مهم در ارزیابی عملکرد آن به حساب می آید که از طریق روش های مختلفی می توان به تخمین آن پرداخت. در این تحقیق با استفاده از روش های هوش مصنوعی ماشین بردار پشتیبان (SVM)، شبکه عصبی مصنوعی (ANN)، نزدیک ترین همسایگی (KNN)، جنگل تصادفی (RF) و رگرسیون خطی (LR)، مدل هایی به منظور پیش بینی عملکرد رودهدر ایجاد شد و دقت و مطلوبیت آن ها با هم مقایسه شد. متغیرهای ورودی در این مدل ها، شاخص کیفی سنگ (RQD) و مقادیر بازگشت چکش اشمیت R۱، R۲ و R۳ می باشند و مدل سازی ها در نرم افزار داده کاوی Orange انجام شده است. نتایج مدلسازی ها نشان می دهد که مدل ماشین بردار پشتیبان با ۸۴۷/۰R۲= و ۱۲۰/۰RMSE= از عملکرد قابل قبولی برای پیش بینی نرخ حفاری یا بعبارتی پیش بینی عملکرد ماشین رودهدر در حفاری تونل برخوردار است.

کلیدواژه های ارتقاء بازدهی پروژه حفاری: پیش بینی و ارزیابی عملکرد ماشین رودهدر مبتنی بر هوش مصنوعی:

نرخ خالص حفاری ، عملکرد ماشین رودهدر ، روش های هوش مصنوعی ، نرم افزار داده کاوی Orange