پیش بینی ریسک بر اساس سری زمانی، مطالعه موردی: معدن زغالسنگ طزره
محل انتشار: دومین کنگره ملی ذغال سنگ ایران
سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 940
فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
IRANCOAL02_051
تاریخ نمایه سازی: 7 بهمن 1393
چکیده مقاله:
در این مقاله، برای پیش بینی ریسک معدن زغالسنگ طزره از مدل سری زمانی و از نوع کلاسیک ضربی آن استفاده شد. به این منظور، ابتدا آنالیز ماهانه مولفه های ریسک، شامل شاخص های تکرار و شدت حادثه انجام شد. سپس نمودار سری زمانی ماهانه مربوط به هر کدام از اینشاخص ها برای یک دوره نه ساله، از سال 4831 تا 4831 ، ایجاد شد. در ادامه پس از استخراج مولفه های روند، فصلی و باقیمانده، مدل نهاییسری زمانی شاخص ها با دقت بالایی معین شد. میزان دقت مدل های حاصله با استفاده از روش ریشه میانگین مربعات خطا ، RMSE ، سنجیده شد؛ که مقادیر آن برای شاخص های شدت و تکرار حادثه به ترتیب 0.001و6.400به دست آمد. بررسی مولفه فصلی سری زمانی شاخص تکرار نشان داد که سالانه، بیشترین تعداد حوادث در فروردین ماه و کمترین تعداد در دی ماه صورت می گیرد. همچنین بررسی مولفهفصلی سری زمانی شاخص شدت نشان داد که سالانه شدیدترین حوادث در مهرماه و خفیف ترین آنها در دی ماه واقع می شود. با استفاده از مدلنهایی پیش بینی ماهانه شاخص ها برای یک دوره چهار ساله، از سال 4838 تا 4830 انجام شد. در ادامه با معلوم بودن میانگین ساعات کاری معدن، پیش بینی ماهانه تعداد حوادث و تعداد روزهای کاری از دست رفته برای مدت مشابه صورت گرفت. نتایج حاصل از پیش بینی نشان داد که در آینده تعداد حوادث و تعداد روزهای کاری از دست رفته، دارای سیر نزولی خواهند بود. به طوری که برای ماه های مشابه، سالانه به طور متوسط مقدار 11 درصد کاهش در تعداد حوادث و مقدار 11 درصد کاهش در تعداد روزهای کاری از دست رفته وجود خواهد داشت
کلیدواژه ها:
نویسندگان
مجید محسنی
دانشجوی دکتری استخراج معدن، دانشکده ی مهندسی معدن، نفت و ژئوفیزیک، دانشگاه صنعتی شاهرود،
محمد عطایی
استاد گروه استخراج معدن، دانشکده ی مهندسی معدن، نفت و ژئوفیزیک، دانشگاه صنعتی شاهرود،
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :