بکارگیری مدل های یادگیری ماشین تقویتی در پیش بینی نرخ نفوذ حفاری دورانی چال های انفجاری

حفاری به کمک دستگاه حفاری دورانی ابزار مهمی برای اکتشاف و استخراج در معادن است. از طرفی برآورد هزینه ها و کارآیی دستگاه حفاری دورانی، یک گام اساسی در طراحی پروژه های معدنی و عمرانی است. نرخ نفوذ حفاری (PR)، شاخص مناسبی برای برآورد هزینه ها و کارآیی دستگاه حفاری دورانی به شمار می رود، بنابراین بهینه سازی PR در دستگاه حفاری دورانی، سبب کاهش هزینه ها و افزایش کارآیی دستگاه حفاری دورانی می شود. بدین منظور در این مقاله، از روش های تقویت شده یادگیری ماشین (ML) که با ترکیب تقویت گرادیان سبک (LGB) و جنگل تصادفی (RF) با الگوریتم های فراابتکاری (MH) شامل گرگ خاکستری (GWO) و شاهین هریس (HHO) صورت گرفته است، برای تخمین PR اقدام می شود. در راستای اعتبارسنجی مدل های توسعه داده شده، مدل ها بر روی مجموعه داده های جمع آوری شده پیاده سازی شده اند. مجموعه داده شامل ۷ متغیر مستقل ورودی شامل قطر حفار بر حسب اینچ (D)، سرعت دورانی بر حسب دور بر دقیقه (RPM)، وزن روی سرمته (WOB)، مقاومت فشاری تک محوره سنگ بر حسب مگاپاسکال (UCS)، مقاومت کششی سنگ بر حسب مگاپاسکال (T)، فاصله داری درزه ها در زمین بر حسب سانتی متر (JS) و راستی نسبی درزه ها بر حسب درجه (JD)، استفاده گردید. نتایج به دست آمده نشان می دهد که روش RF-GWO (۹۸۷/۰= R۲ و ۰۵۹/۳=RMSE) دقت بیشتری نسبت به روش های LGB-GWO (۹۱۲/۰ و ۰۴۵/۸)، LGB-HHO (۹۱۷/۰ و ۸۳۱/۷) و RF-HHO (۹۱۲/۰ و ۰۴۴/۸) در داده های آزمایشی دارد. همچنین، مطالعات آنالیز حساسیت مشخص می کند که پارامترهای RPM و JD به ترتیب بیشترین و کمترین تاثیر را بر PR دستگاه حفاری دورانی دارند.

کلیدواژه ها:

نرخ نفوذ حفاری ، یادگیری ماشین ، تقویت گرادیان سبک (LGB) ، جنگل تصادفی (RF) ، گرگ خاکستری (GWO) ، شاهین هریس (HHO)