شبیه سازی بهینه سازی مصرف انرژی در معادن با استفاده از الگوریتم های هوش مصنوعی

صنعت معدن به دلیل مصرف بسیار بالای انرژی در سامانه های تهویه و ناوگان حمل ونقل زیرزمینی، با فشار فزاینده ای از سوی هزینه های اقتصادی و الزامات زیست محیطی روبه روست. این پژوهش با هدف ارائه یک چارچوب شبیه سازی ترکیبی بر پایه هوش مصنوعی، امکان بهینه سازی هم زمان این دو مولفه اصلی را ارزیابی می کند. در مدل یک معدن زیرزمینی فرضی با پنج فن ۱۵۰ کیلوواتی و ده دامپ تراک دیزلی، الگوریتم ژنتیک برای تعیین دور بهینه فن ها و دبی هوای ورودی به کار رفت و شبکه عصبی مصنوعی با چهار ورودی عملیاتی (وزن بار، شیب مسیر، سرعت متوسط و شرایط جوی) مصرف سوخت را پیش بینی کرد. کل فرایند در محیط پایتون با کتابخانه های DEAP، scikit-learn و SimPy پیاده سازی و در بازه زمانی سی روز شبیه سازی شد. نتایج نشان داد مصرف برق تهویه ۱۷ درصد و سوخت دیزل ۱۳ درصد کاهش یافت؛ در مجموع انرژی روزانه از ۲۳ مگاوات ساعت به ۱۹.۲۷ مگاوات ساعت رسید (صرفه جویی نسبی ۱۶.۳ درصد). این کاهش معادل ۱۰۱۷۰ یورو در ماه و جلوگیری از انتشار حدود ۳۵ تن دی اکسیدکربن در همان بازه است. الگوریتم ژنتیک طی ۳۵ نسل به همگرایی پایدار دست یافت و تحلیل حساسیت شبکه عصبی نشان داد که افزایش شیب مسیر از پنج به هشت درصد می تواند مصرف سوخت را تا ۱۲ درصد بالا ببرد. نوآوری اصلی این مطالعه در ادغام دو روش هوشمند برای بهینه سازی دوسویه تهویه و حمل ونقل، بدون اتکای مستقیم به داده های میدانی، و ارائه مدلی است که قابلیت تعمیم به سامانه های تصمیم یار بلادرنگ در معادن واقعی را داراست و می تواند گامی موثر در جهت معادن هوشمند کم کربن باشد.

کلیدواژه ها:

شبیه سازی ، بهینه سازی انرژی ، هوش مصنوعی ، الگوریتم ژنتیک ، شبکه عصبی مصنوعی