دانلود پروژه اصول طراحی در معادن (رشته استخراج معدن )

اختصاصی از یارا فایل دانلود پروژه اصول طراحی در معادن (رشته استخراج معدن ) دانلود با لینک مستقیم و پرسرعت .

فرمت فایل : word(قابل ویرایش)

تعداد صفحات:39

فهرست مطالب :
عنوان
چگونگی رسم مقاطع و محاسبة تناژ ماده معدنی
فرمولهای مربوطه به محاسبه به قرار زیر است
فرمولهای مربوط به محاسبه حجم برای ماده معدنی
محاسبه تناژ ماده معدنی
محاسبه تناژ باطنه
مقدار نبت باطله برداری
محاسبه نسبت باطله برداری اقتصادی
تعیین مخروط بهینه عیار حد مشخص کردن بیت معدن
دلا یل استفاده از روشهای روباز
1-    روش مسطحی
2-    روش کنتوری
3-    روش کداری
4-    روش openpit
دلایل استفاده از این روش
 تعیین جاده های معدنی (دمپ ما )
دو نوع جاده در معدن کاربرد دارد
محاسبة ترابری معدن
محاسبة تعداد دامپتراک
محاسبة آتشباری
گل گذاری
خرج ته چال خرج میان چال خرج ویژه
متراژ حفار سالانه در باطل و ماده معدنی
کمپرسورهای لازم
برآورد میزان انرژی الکتریکی
آبکشی در معدن درباز
آبکشی به وسیلة تلمبه
آبکشی به وسیله تونل
آبکشی به وسیله سیفون
تلمبه های برقی
ارزشهای بلوک
مقاطع  

چکیده:

هدف از این درس آشنایی دانشجو با چگونگی جمع ‌آوری اطلاعات و چگونگی استفاده از داده ها برای طراحی یا معدن و آشنایی با مراحل طراحی جهت آمادگی و یادگیری بهتر می باشد.

چگونگی رسم مقاطع و محاسبه تناژ ماده معدنی :

ابتدا نقشه مورد نظر را با مقیاس مناسب ( به 3/3 روی نقشه 100 متر روی زمین) روی کاغذ شطرنجی رسم می نماییم سپسامتداد یعنی جایی که گ

سترش ماده معدنی در آنجا بیشتر است مشخص می کنیم سپس دو جهت عمود بر امتداد و به فواصل مشخص متقاطعی رسم می کنیم .

سپس مساحت ماده معدنی در هر یک از مقاطع با شمارش خانه کاغذ شطرنجی بدست آورده سپس با توجه به مقیاس آن را به متر مربع تبدیل می کنیم سپس با توجه به فرمولهای مربوط حجم ماده معدنی را بدست آورده با ضریب حجم در وزن مخصوص ماده معدنی تناژ آن را بدست می آوریم .

و برای سطح باطله یک مستطیل در محدود ماده معدنی مدنظر گرفته که با بدست آوردن مساحت این مستطیل و کم کردن آن از ماده معدنی سطح باطله بدست می آید. سپس مطابقت ماده معدنی جسم باطله و تناژ باطله رابدست می آوریم .

ضمنا وزن مخصوص ماده معدنی را 4 و وزن مخصوص باطله را 7/2 تن به متر مکعب می گیریم .

فرمولهای مربوطه به محاسبه حجم به قرار زیر است .

دانلود تحقیق استخراج کلروفیل ها (رنگینه) از برگ

اختصاصی از یارا فایل دانلود تحقیق استخراج کلروفیل ها (رنگینه) از برگ دانلود با لینک مستقیم و پرسرعت .

فرمت فایل : word(قابل ویرایش)

تعداد صفحات:18

مقدمه :
رنگ سبز گیاهان ، رنگ برخی از جلبکها و باکتریها (قهوه‌ای ، قرمز و بنفش) به نوع واکنشهای فتوسنتزی آنها وابسته است. رنگدانه‌های مسئول این رنگها در این موجودات عامل اصلی جذب انرژی نور خورشیدند. مهمترین این رنگدانه‌ها در فتوسنتز سبزینه (کلرفیل) موجود در گیاهان سبز است. کلروفیل در واقع پورفیرینهای منیزیم است که ساختارشان با پورفیرینهای آهن‌دار تفاوت دارد. این ساختار شامل دو بخش است: یک بخش سر که همان پورفیرین منیزیم‌دار است و یک بخش دم که از زنجیره هیدروکربنی آب‌گریز ساخته شده است. این زنجیره فیتول نیز نامیده می‌شود.
در گیاهان ، انواع مختلف کلروفیل وجود دارد که بر حسب ساختارشان به نام کلروفیلهای a ، b ، c و غیره نامگذاری شده‌اند. در گیاهان عالی معمولا دو نوع کلروفیل a و b وجود دارد که ساختار مشابهی دارند و تفاوتشان در گروه R آنهاست. اگر R یک گروه متیل (CH3) باشد، کلروفیل از نوع a و اگر عامل فرمیل (CHO) باشد کلروفیل از نوع b است هر دو کلروفیل a و b نور مرئی را در طول موج مشخصی بین 700 - 400 نانومتر جذب می‌کنند.

 

انواع کلروفیل در گیاهان
تمام گیاهان فتوسنتز کننده دارای کلروفیل a هستند ولی وجود کلروفیلهای کمکی (فرعی) مثل b ، c و d بستگی به نوع گیاه دارد. مثلا در گیاهان عالی معمولا کلروفیل b دیده می‌شود. در حالی که در جلبکهای سبز- آبی و قهوه‌ای و سرخ این کلروفیل وجود ندارد. رنگیزه‌های کلروفیل موجود در باکتریهای فتوسنتز کننده را باکتریو کلروفیل می‌نامند و دو نوع a و b از آن یافت می‌شود.
نسبت انواع کلروفیلها در گیاهان
در بیشتر گیاهان نسبت کلروفیل a به کلروفیل b بر حسب شدت نور که بر گیاه می‌تابد تغییر می‌کند. مثلا میانگین این نسبت در گیاهان آلپی (گیاهان گروههای آلپ) که در معرض نور شدید هستند حدود 5/5 است در صورتی که در گیاهان سایه پسند و گریزان از نور این نسبت 3/2 است.
طیف جذبی کلروفیلها
اگر نور تک رنگی به طول موجهای مختلف حاصل از منشوری را روی برگ سبزی بتابانیم و شدت فتوسنتز را در طول موجهای مختلف اندازه بگیریم، معلوم می‌شود که تاثیر نور آبی (با طول موجی نزدیک به 420 نانومتر) و نور سرخ (با طول موجی نزدیک به 680 - 670 نانومتر) به حد بیشینه بوده و تاثیر نور سبز با ( طول موجی حدود 600 - 500 نانومتر) به حد کمینه است. این طیف کنشی در رابطه با طول موج در مورد کلروفیل که رنگیزه عمده کلروپلاست در گیاهان است ظاهرا با خواص جذبی یا ، به عبارت بهتر طیف جذبی نور ارتباط دارد.
زیرا کلروفیل وقتی از برگ استخراج می‌شود دقیقا همان طول موجهایی را که به بیشترین وجه در فتوسنتز موثرند به مقدار زیاد جذب می‌کند. از مقایسه طیف جذبی رنگیزه‌های کلروفیل با طیف کنشی آن معلوم می‌شود که کلروفیلهای a و b و کارتنوئیدها در جذب نور برای فتوسنتز دخالت دارند. بعضی از این رنگیزه‌ها تنها نقش گیرنده انرژی نوری را ایفا می‌کنند و بطور غیر مستقیم با انتقال انرژی خود به رنگیزه‌های اصلی که مستقیما در تبدیل انرژی نوری به انرژی شیمیایی عمل می‌کنند نقش کمکی دارند.
طیف کنشی
طیف کنشی عبارتست از دامنه عمل رنگیزه مسئول واکنش نور شیمیایی که با اندازه‌گیری سرعت واکنش نور شیمیایی و در طول موجهای متفاوت و رسم منحنی آن بدست می‌آید.
رابطه بین طیف جذبی کلروفیلها با ترکیب شیمیایی آنها
محلول خالص کلروفیل a آبی مایل به سبز و محلول کلروفیل b سبز متمایل به زرد است. طیف جذبی کلروفیل a با b تفاوت دارد و بر حسب نوع پروتئینی که با آنها ترکیب شده است تغییر می‌کند. طیف جذبی باکتریو کلروفیل نیز دارای دو نقطه بیشینه جذب یکی از ناحیه نور آبی و دیگری در فرو سرخ است که اوج جذبی اخیر بر حسب نوع پروتئینی که به آن متصل است بین 800 تا 890 نانومتر تغییر می‌کند.
ساختار شیمیایی کلروفیل
ساختار شیمیایی کلروفیل به این ترتیب است که در مرکز مولکول کلروفیل یک اتم منیزیم قرار دارد که به چهار شبکه کربنی موسوم به چهار حلقه پیرولی متصل است و قسمت حلقوی (پورفیرین) مولکول یا سر آن را تشکیل می‌دهد. در محل کربن شماره 7 این هسته پورفیرینی یک زنجیره بلند کربنی به نام زنجیر فیتولی اتصال دارد که قسمت دم مولکول را می‌سازد هسته چهار پیرولی یا سر مولکول کلروفیل قطب آب دوست و زنجیر فیتولی یا دم کلروفیل قطب آب گریز (یا چربی دوست) آن را تشکیل می‌دهد و به همین جهت کلروفیل و مولکولهای نظیر آن را ترکیبات دوپسند می‌نامند.
تفات ساختاری کلروفیل a با کلروفیل b
تفاوت ساختاری کلروفیل a با کلروفیل b در سومین کربن آنهاست. در کلروفیل a یک گروه متیل (CH3) به کربن شماره 3 متصل است در حالی که در کلروفیل b یک گروه آلدئیدی (O=HC) به این کربن چسبیده است.
جایگاه کلروفیلها
کلروفیلها و کارتنوئیدها تقریبا همیشه در قسمت تیغه‌ای (لاملی) کلروپلاست وجود دارند. زیرا تیغه‌ها که نیمی از آنها پروتئین و نیمی دیگر لیپید است محل مناسبی جهت اتصال مولکولهای دوپسند کلروفیل است. دم چربی دوست کلروفیل جذب بخش لیپیدی شده و سر آبدوست آن با بخش پروتئینی تیغه‌ها پیوندهای ضعیف تشکیل می‌دهد و همین امر موجب می‌شود که مولکولهای کلروفیل با نظمی خاص در داخل لاملها به ردیف درآیند.
رنگیزه‌های نوری در گیاهان
فتوسنتز پدیده‌ای است که در گیاهان سبز و جلبکهای سبز- آبی رخ می‌دهد. رنگ سبز این گیاهان به نوع واکنشهای فتوسنتزی آنها وابسته است. رنگدانه‌های مسئول این رنگها در این موجودات عامل اصلی جذب انرژی نوری خورشیدند. از مهمترین رنگدانه‌ها در فتوسنتز ، سبزینه موجود در گیاهان سبز است. در گیاهان انواع مختلف کلروفیل وجود دارد که بر حسب ساختارشان به نام کلروفیلهای c , b , a و غیره نامگذاری شده‌اند.
کاروتنوئیدها با رنگهای قرمز ، زرد و بنفش و فیکوبیلینها با رنگهای آبی و قرمز دو دسته مهم دیگر از رنگدانه‌های فتوسنتزی هستند. دو نوع کاروتنوئید در کلروپلاستها وجود دارد. کاروتنها پیش‌ساز ویتامین A در جانوران‌اند و گزانتوفیل. هر دو ساختار هیدروکربنی با پیوندهای مضاعف دارند. در فتوسنتز اکثرا انرژی خورشیدی جذب شده و بوسیله کاروتنوئیدها (در طول موج 470 تا 520 نانومتر) به کلروفیل انتقال داده می‌شود. همین رنگدانه‌ها اساس ساختار فتوسیستمهای II , I را تشکیل می‌دهند.

دانلود تحقیق روش های استخراج ویژگی و روش های خطی و غیر خطی دسته بندی

اختصاصی از یارا فایل دانلود تحقیق روش های استخراج ویژگی و روش های خطی و غیر خطی دسته بندی دانلود با لینک مستقیم و پرسرعت .

فرمت فایل : word(قابل ویرایش)

تعداد صفحات:17

چکیده:

   در این تمرین روش های استخراج ویژگی و روش های خطی و غیر خطی دسته بندی را مورد مطالعه قرار می‌دهیم. در ابتدا روش های مختلف استخراج ویژگی که از آن جمله PCA، LDA، روش قاب بندی و چند روش دیگر هستند را و سپس برای ویژگی های استخراج شده از روش های دسته بندی خطی بیزین و SVM خطی و سپس روش های غیر‌خطی RBF ، MLP و همچنین SVM غیر‌خطی برای دسته بندی استفاده شده‌ است. بسته به روش شناسایی بکار گرفته شده، معمولا ویژگی های متفاوتی از دنباله نقاط استخراج می شود. در اکثر روش های موجود استخراج ویژگی، ویژگی ها از روی مختصات نقاط نمونه برداری شده ورودی استخراج می شوند. از مجموعه ی ویژگی های استخراج شده معمولاً تعدادی مفید تر و موثرترند. ما برای تشخیص و انتخاب ویژگی های تاثیرگذارتر از یک الگوریتم ژنتیک استفاده کرده ایم. اما پس از استخراج و انتخاب ویژگی ها نوبت به دسته بندی می رسد. در ابتدا از چند دسته بند خطی استفاده کرده ایم. به راحتی می‌توان نشان داد که ناحیه‌های تصمیم‌گیری یک ماشین خطی محدودند و این محدودیت انعطاف‌پذیری و دقت دسته‌بند را کاهش می‌دهد. مسایل بسیاری وجود دارد که توابع جداساز خطی برای داشتن حداقل خطا در آنها کافی نیستند. علاوه بر این مرزهای تصمیم‌گیری که کلاسها را از یکدیگر تفکیک می‌کنند ممکن است همیشه خطی نباشند و پیچیدگی مرزها گاهی اوقات نیاز به استفاده از سطح‌های کاملاً غیر خطی را دارند. بنابراین در ادامه ی کار از چند دسته بند غیرخطی نیز استفاده نمودیم. در استفاده از شبکه‌های عصبی چندلایه، شکل غیر خطی بودن از مجموعه‌ی آموزش فرا گرفته می‌شود. در روشهای RBF و SVM غیرخطی مشکل اصلی انتخاب توابع هسته غیر خطی مناسب است.

2) مقدمه

      اولین الگوریتم دسته‌بندی در سال 1936 توسط Fisher ارایه شد و معیارهای آن برای بهینه بودن، کم کردن خطای دسته‌بندی کننده‌های الگو‌های آموزشی بود. بسیاری از استراتژی‌های موجود نیز از همین روش پیروی می‌کنند. در ساده‌ترین شکل ممکن، دسته بند‌های خطی می‌توانند دو دسته‌ی متفاوت را تفکیک کنند. با توجه به این موضوع مساله‌ای را جدایی‌پذیر خطی می‌نامند که با یک ابرصفحه بتوان محدوده‌ی تصمیم را به دو گروه تقسیم‌بندی کرد. در عمل می‌توان دسته بند‌های خطی‌ای را طراحی کرد که بیش از دو گروه را از هم تفکیک کنند. این عمل را با تنظیم محدوده‌های تصمیم متعدد و آزمون‌های چندگانه بر اساس شرایط موجود می‌توان انجام داد. ما در این مساله یک دسته بندی با 26 کلاس را داریم.

   در روش بیزین احتمال شرطی تعلق بررسی می‌شود. به این ترتیب که الگوی مورد نظر به دسته‌ای تخصیص داده می‌شود که احتمال شرطی تعلق بردار مشخصه‌ی الگو به آن دسته ازتمام دسته‌های دیگر بیشتر باشد. روش بیزین به طور کلی می تواند برای کارایی بسیار مطلوب بهینه شوند. این روش مزایای دیگری نیز دارد که استفاده‌ی از آن را توجیه می‌کند. این روش می‌تواند با چند فرض ساده در مورد داده‌ها کاملاً به شکل روشهای ساده‌ی خطی عمل کند، به علاوه این کار می‌تواند به گونه‌ای انجام شود که در پایان، مدل قطعی بدون هیچ گونه رجوع به آمار به دست آید. در روش بیزین مشکل کار تعریف احتمالات شرطی مورد نظر قاعده‌ی بیز است.

   یک محقق روسی به نام Vladimir Vapnik در سال 1965 گام مهمی در طراحی دسته‌بندها برداشت [1] و نظریه‌ی آماری یادگیری را بصورت مستحکم‌تری بنا نهاد و ماشین بردار پشتیبان را ارایه کرد. ماشین‌های بردار پشتیبان در دو حالت جدایی‌پذیر و جدایی‌ناپذیر برای دسته‌بندی الگوهای یک مساله‌ی چندکلاسه از چند مرز جداکننده‌ی خطی یا ابرصفحه استفاده می‌کنند و در واقع حاصلضرب داخلی بردار ورودی با هر یک از بردارهای پشتیبان در فضای d بعدی ورودی محاسبه می‌شود. Vapnik نشان داد که می‌توان بردار ورودی را با یک تبدیل غیرخطی به یک فضای با بعد زیاد انتقال داد و در آن فضا حاصلضرب داخلی را بدست آورد که با این شرایط هسته‌ی مفیدی را خواهیم داشت.

   روش RBF یک دسته‌بندی و تقریب‌ساز تابعی الگوست و شامل دو لایه می‌باشد که نرون‌های خروجی ترکیبی خطی از توابع پایه‌ای را به وجود می‌آورند که توسط نرون‌های لایه‌ی پنهان محاسبه شده‌اند. زمانی که ورودی در ناحیه‌ی تعیین شده‌ی کوچک از فضای ورودی قرار گیرد، توابع اساسی(غیر خطی) در لایه‌ی پنهان، پاسخ غیر صفری به محرک ورودی می‌دهند. همچنین این مدل به عنوان یک شبکه‌ی دریافت‌کننده‌ی ناحیه‌ای شناخته شده است. ما در روش RBF از معمول‌ترین تابع هسته‌ی غیر خطی یعنی سیگموئید استفاده کرده‌ایم.

   به طور کلی شبکه‌های پرسپترون چند‌لایه شامل چندین پرسپترون ساده هستند که به طور ساختار سلسله‌مراتبی، یک شکل پیش‌خورد با یک و یا چند لایه‌ی میانی (لایه‌های پنهان) بین لایه‌های ورودی و خروجی را شکل می‌دهد. تعداد لایه‌ی پنهان و تعداد نرون‌های هر لایه ثابت نیستند. هر لایه ممکن است از نرون‌های مختلفی تشکیل شده باشد که این موضوع به کار آنها بستگی دارد. الگوریتم‌های آموزشی متفاوتی در روش چند لایه استفاده می‌شوند.

3) روشهای به کار رفته در این گزارش

   در این قسمت روشهای استخراج ویژگی، روشهای انتخاب ویژگی ها جهت بهینه کردن آنها و کم کردن ابعاد مساله با کاهش تعداد آنها و روشهای دسته‌بندی (خطی و غیرخطی) به کار رفته بررسی شده‌اند.

3-1) روشهای استخراج ویژگی

     در این قسمت انواع روشهای استخراج ویژگی ها ذکر شده است. ذکر این نکته لازم است که برخی الگوریتم های استخراج برای انتخاب ویژگی های موثر نیز استفاده می شوند ازجمله ی آنها PCA و LDA هستند. اما در این گزارش ما برای بهینه کردن ویژگی ها و کم کردن تعداد آنها و یا به عبارت دیگر برای کاهش ابعاد (Curse of Dimensionality) از الگوریتم ژنتیک استفاده نموده ایم.

3-1-1) روش PCA خطی

   روشهای استخراج ویژگی یک زیرفضای مناسب m بعدی در فضای اصلی ویژگی ها از d بعد را تعیین می کنند(m<=d). تبدیل خطی مثل PCA، آنالیز فاکتور، LDA و تعقیب تصویر بطور گسترده در شناسایی الگو برای استخراج ویژگی ها و کاهش ابعاد استفاده شده اند. بهترین استخراج کننده ی ویژگی شناخته شدهPCA یا توسعه یافته ی Karhunen-loeve است که m بردار مشخصه بزرگتر را از ماتریس کوواریانس d×d از n الگوی d بعدی محاسبه می کند. تبدیل خطی به شکل Y=XH تعریف شده است که X ماتریس الگوی n×d داده شده و Y از ماتریس الگوی n×m مشتق شده است . H ماتریس d×m از تبدیل خطی است که ستون های آن بردارهای مشخصه هستند. قبل از اینکه PCA از ویژگی های پرمعنی تر استفاده کند (بردار ویژگی های با بزرگترین مقدار ویژه)، بطور کاملاً موثر داده ها را با یک زیرفضای خطی با استفاده از معیار خطای میانگین مربعات تخمین می زند. سایر روش ها مانندتعقیب تصویر و ICA برای توزیع های غیرگاوسی تا وقتی که به مشخصه ی مرتبه ی دوم داده ها مربوط نباشد مناسب ترند. ICA با موفقیت برای جداسازی منابع دیده نشده استفاده شده است. استخراج ترکیب خطی ویژگی ها منابع نابسته را تعریف می کند. این جداسازی در صورتی امکان پذیر است که حداکثر یکی از منابع دارای توزیع گاوسی باشد.

   از آجا که PCA یک روش بدون بررسی استخراج ویژگی هاست (Unsupervised)، تحلیل جداسازی از یک اطلاعات گروهی در رابطه با هر الگو برای استخراج (خطی) ویژگی های با قابلیت جداسازی زیاد استفاده می کند. در LDA جداسازی بین کلاسی با جابجایی کل ماتریس کوواریانس در PCA با یک معیار جداسازی عمومی مانند معیار Fisher تائید می شود که در یافتن بردارهای مشخصه نتیجه می شود.( حاصل معکوس ماتریس پراکندگی و ماتریس پراکندگی بین کلاسی ). معیار دیگر همراه با بررسی (Supervised) برای چگالی های شرایط کلاس غیرگاوسی بر پایه ی فاصله Patrick-Fisher با استفاده از برآورد چگالی Parzen است.

3-1-2) روش Kernel PCA (PCA با هسته یا PCA غیرخطی)

   چندین روش برای تعریف روش های استخراج ویژگی غیرخطی وجود دارد. یکی از این روش ها که مستقیماً به PCA مربوط است، Kernel PCA نام دارد. ایده ی اصلی KPCA نگاشتن داده های ورودی بر روی برخی از فضاهای ویژگی F جدید بطور معمولی با استفاده از تابع غیرخطی و سپس اعمال یک PCA خطی در فضای نگاشت شده است. به هر حال فضایF معمولاً ابعاد بسیار زیادی دارد. برای دوری از محاسبات نگاشت ساده ی ، KPCA تنها هسته های Mercel که می توانند به یک نقطه تجزیه شوند را بکار می گیرد.

   به عنوان یک نتیجه فضای هسته یک متریک با تعریف مناسب دارد. نمونه های هسته های Mercer شامل چندجمله ای های مرتبه P بصورت و هسته گاوسی هستند.

   فرض می کنیم که X یک ماتریس الگوی n×d نرمال شده با میانگین صفر است و یک ماتریس الگو در فضای F باشد. PCA خطی در فضای F بردارهای مشخصه ی ماتریس همبستگی را حل می کند که همچنین ماتریس هسته نیز نامیده می شود. در KPCA در ابتدا m بردار ویژگی از بدست می آیند تا یک ماتریس انتقال E را تعریف کنند (E یک ماتریس n×m است که m تعداد ویژگی های دلخواه است و m<=d است). الگوهای جدید x با نگاشت می شوند که اکنون با وابستگی به مجموعه آموزش بازنمایی می شوند و نه با مقادیر ویژگی ویژگی های اندازه گیری شده. باید توجه داشت که برای یک بازنمایی کامل تا m بردار مشخصه در E (بسته به تابع هسته) توسط KPCA ممکن است نیاز باشد در حالی که در PCA خطی یک مجموعه از d بردار مشخصه فضای اصلی ویژگی ها را ارائه می کند. انتخاب تابع هسته برای یک کاربرد مشخص هنوز یک مساله باز است.

3-1-3) روش مقیاس گذاری چندبعدی(MDS)

   مقیاس گذاری چند بعدی (MDS)یک روش غیرخطی دیگر برای استخراج ویژگی هاست. هدف این روش بازنمایی یک مجموعه ی چندبعدی در دو یا سه بعد است مثل آنچه ماتریس فاصله در فضای اصلی ویژگی های d بعدی به طور کاملاً ثابت در فضای تصویرشده باقی مانده است. توابع تاکید فراوانی برای اندازه گیری کارایی این نگاشت استفاده شده اند. یک مشکل MDS این است که یک تابع نگاشت ساده و روشن را ارئه نمی کند بنابراین ممکن نیست که یک الگوی جدید را در یک نگاشت برای یک مجموعه ی آموزش مشخص بدون تکرار جایگذاری کند. چندین روش برای عنوان کردن این نقص که از درون یابی خطی تا آموزش شبکه عصبی محدود است مورد بررسی قرار گرفته است. همچنین امکان دارد که الگوریتم MDS مجدداً تعریف شود بنابراین مستقیماً یک نگاشت را تهیه می کند که ممکن است برای الگوهای آزمون جدید استفاده شود.

3-1-4) روش شبکه عصبی روبه جلو (Feed-Forward Neural Network)

   یک شبکه ی عصبی روبه جلو یک روال جامع را برای استخراج ویژگی هاو دسته بندی پیشنهاد می کند. خروجی هر لایه ی مخفی ممکن است به عنوان یک مجموعه ی جدید و اغلب غیرخطی از ویژگی ها تعریف  شود که در لایه ی مخفی برای دسته بندی ارائه می شوند. در این شرایط شبکه های استفاده شده توسط Fukushima و Lecun که اصطلاحاً آن را لایه های وزنی مشترک نامیده اند، در حقیقت فیلترهایی برای استخراج ویژگی ها در تصاویر دوبعدی هستند. در طول آموزش فیلترها با داده ها برای بیشینه کردن کارایی دسته بندی وفق داده شده اند.

   شبکه های عصبی می توانند بطور مستقیم برای استخراج ویژگی ها در یک شکل بدون بررسی (Unsupervised) استفاده شوند. شکل (a-1) معماری یک شبکه که قادر به پیدا کردن زیرفضای PCA است را نشان می دهد. به جای سیگموئیدها نرون ها توابع انتقال خطی دارند. این شبکه d ورودی و d خروجی دارد که d تعداد مشخص شده ی ویژگی هاست. ورودی ها همچنین برای رسیدن به هدف نیز با مجبور کردن لایه ی خروجی به ساخت مجدد فضای ورودی تنها با استفاده از لایه ی مخفی بکار گرفته شده اند. سه گره در لایه ی مخفی اولین سه جزء اصلی را ضبط می کنند. اگر دو لایه ی غیرخطی با واحدهای مخفی سیگموئیدی نیز وجود داشته باشند ( شکل (b-4))، آنگاه یک زیرفضای غیرخطی در لایه ی میانی یافت خواهد شد (که همچنین لایه ی گلوگاه هم نامیده می شود). غیرخطی بودن توسط اندازه ی این لایه های اضافی محدود می شود. شبکه های PCA غیر خطی یا اصطلاحاً خودشرکت پذیرها ی ابزار قوی را برای آموزش و تشریح زیرفضای غیرخطی پیشنهاد می کند. محققی به نام Oja نشان داد که چگونه شبکه های خودشرکت پذیر می توانند برای ICA استفاده شوند.

دانلود تحقیق روش های استخراج ویژگی و روش های خطی و غیر خطی دسته بندی

اختصاصی از یارا فایل دانلود تحقیق روش های استخراج ویژگی و روش های خطی و غیر خطی دسته بندی دانلود با لینک مستقیم و پرسرعت .

فرمت فایل : word(قابل ویرایش)

تعداد صفحات:17

چکیده:

   در این تمرین روش های استخراج ویژگی و روش های خطی و غیر خطی دسته بندی را مورد مطالعه قرار می‌دهیم. در ابتدا روش های مختلف استخراج ویژگی که از آن جمله PCA، LDA، روش قاب بندی و چند روش دیگر هستند را و سپس برای ویژگی های استخراج شده از روش های دسته بندی خطی بیزین و SVM خطی و سپس روش های غیر‌خطی RBF ، MLP و همچنین SVM غیر‌خطی برای دسته بندی استفاده شده‌ است. بسته به روش شناسایی بکار گرفته شده، معمولا ویژگی های متفاوتی از دنباله نقاط استخراج می شود. در اکثر روش های موجود استخراج ویژگی، ویژگی ها از روی مختصات نقاط نمونه برداری شده ورودی استخراج می شوند. از مجموعه ی ویژگی های استخراج شده معمولاً تعدادی مفید تر و موثرترند. ما برای تشخیص و انتخاب ویژگی های تاثیرگذارتر از یک الگوریتم ژنتیک استفاده کرده ایم. اما پس از استخراج و انتخاب ویژگی ها نوبت به دسته بندی می رسد. در ابتدا از چند دسته بند خطی استفاده کرده ایم. به راحتی می‌توان نشان داد که ناحیه‌های تصمیم‌گیری یک ماشین خطی محدودند و این محدودیت انعطاف‌پذیری و دقت دسته‌بند را کاهش می‌دهد. مسایل بسیاری وجود دارد که توابع جداساز خطی برای داشتن حداقل خطا در آنها کافی نیستند. علاوه بر این مرزهای تصمیم‌گیری که کلاسها را از یکدیگر تفکیک می‌کنند ممکن است همیشه خطی نباشند و پیچیدگی مرزها گاهی اوقات نیاز به استفاده از سطح‌های کاملاً غیر خطی را دارند. بنابراین در ادامه ی کار از چند دسته بند غیرخطی نیز استفاده نمودیم. در استفاده از شبکه‌های عصبی چندلایه، شکل غیر خطی بودن از مجموعه‌ی آموزش فرا گرفته می‌شود. در روشهای RBF و SVM غیرخطی مشکل اصلی انتخاب توابع هسته غیر خطی مناسب است.

2) مقدمه

      اولین الگوریتم دسته‌بندی در سال 1936 توسط Fisher ارایه شد و معیارهای آن برای بهینه بودن، کم کردن خطای دسته‌بندی کننده‌های الگو‌های آموزشی بود. بسیاری از استراتژی‌های موجود نیز از همین روش پیروی می‌کنند. در ساده‌ترین شکل ممکن، دسته بند‌های خطی می‌توانند دو دسته‌ی متفاوت را تفکیک کنند. با توجه به این موضوع مساله‌ای را جدایی‌پذیر خطی می‌نامند که با یک ابرصفحه بتوان محدوده‌ی تصمیم را به دو گروه تقسیم‌بندی کرد. در عمل می‌توان دسته بند‌های خطی‌ای را طراحی کرد که بیش از دو گروه را از هم تفکیک کنند. این عمل را با تنظیم محدوده‌های تصمیم متعدد و آزمون‌های چندگانه بر اساس شرایط موجود می‌توان انجام داد. ما در این مساله یک دسته بندی با 26 کلاس را داریم.

   در روش بیزین احتمال شرطی تعلق بررسی می‌شود. به این ترتیب که الگوی مورد نظر به دسته‌ای تخصیص داده می‌شود که احتمال شرطی تعلق بردار مشخصه‌ی الگو به آن دسته ازتمام دسته‌های دیگر بیشتر باشد. روش بیزین به طور کلی می تواند برای کارایی بسیار مطلوب بهینه شوند. این روش مزایای دیگری نیز دارد که استفاده‌ی از آن را توجیه می‌کند. این روش می‌تواند با چند فرض ساده در مورد داده‌ها کاملاً به شکل روشهای ساده‌ی خطی عمل کند، به علاوه این کار می‌تواند به گونه‌ای انجام شود که در پایان، مدل قطعی بدون هیچ گونه رجوع به آمار به دست آید. در روش بیزین مشکل کار تعریف احتمالات شرطی مورد نظر قاعده‌ی بیز است.

   یک محقق روسی به نام Vladimir Vapnik در سال 1965 گام مهمی در طراحی دسته‌بندها برداشت [1] و نظریه‌ی آماری یادگیری را بصورت مستحکم‌تری بنا نهاد و ماشین بردار پشتیبان را ارایه کرد. ماشین‌های بردار پشتیبان در دو حالت جدایی‌پذیر و جدایی‌ناپذیر برای دسته‌بندی الگوهای یک مساله‌ی چندکلاسه از چند مرز جداکننده‌ی خطی یا ابرصفحه استفاده می‌کنند و در واقع حاصلضرب داخلی بردار ورودی با هر یک از بردارهای پشتیبان در فضای d بعدی ورودی محاسبه می‌شود. Vapnik نشان داد که می‌توان بردار ورودی را با یک تبدیل غیرخطی به یک فضای با بعد زیاد انتقال داد و در آن فضا حاصلضرب داخلی را بدست آورد که با این شرایط هسته‌ی مفیدی را خواهیم داشت.

   روش RBF یک دسته‌بندی و تقریب‌ساز تابعی الگوست و شامل دو لایه می‌باشد که نرون‌های خروجی ترکیبی خطی از توابع پایه‌ای را به وجود می‌آورند که توسط نرون‌های لایه‌ی پنهان محاسبه شده‌اند. زمانی که ورودی در ناحیه‌ی تعیین شده‌ی کوچک از فضای ورودی قرار گیرد، توابع اساسی(غیر خطی) در لایه‌ی پنهان، پاسخ غیر صفری به محرک ورودی می‌دهند. همچنین این مدل به عنوان یک شبکه‌ی دریافت‌کننده‌ی ناحیه‌ای شناخته شده است. ما در روش RBF از معمول‌ترین تابع هسته‌ی غیر خطی یعنی سیگموئید استفاده کرده‌ایم.

   به طور کلی شبکه‌های پرسپترون چند‌لایه شامل چندین پرسپترون ساده هستند که به طور ساختار سلسله‌مراتبی، یک شکل پیش‌خورد با یک و یا چند لایه‌ی میانی (لایه‌های پنهان) بین لایه‌های ورودی و خروجی را شکل می‌دهد. تعداد لایه‌ی پنهان و تعداد نرون‌های هر لایه ثابت نیستند. هر لایه ممکن است از نرون‌های مختلفی تشکیل شده باشد که این موضوع به کار آنها بستگی دارد. الگوریتم‌های آموزشی متفاوتی در روش چند لایه استفاده می‌شوند.

3) روشهای به کار رفته در این گزارش

   در این قسمت روشهای استخراج ویژگی، روشهای انتخاب ویژگی ها جهت بهینه کردن آنها و کم کردن ابعاد مساله با کاهش تعداد آنها و روشهای دسته‌بندی (خطی و غیرخطی) به کار رفته بررسی شده‌اند.

3-1) روشهای استخراج ویژگی

     در این قسمت انواع روشهای استخراج ویژگی ها ذکر شده است. ذکر این نکته لازم است که برخی الگوریتم های استخراج برای انتخاب ویژگی های موثر نیز استفاده می شوند ازجمله ی آنها PCA و LDA هستند. اما در این گزارش ما برای بهینه کردن ویژگی ها و کم کردن تعداد آنها و یا به عبارت دیگر برای کاهش ابعاد (Curse of Dimensionality) از الگوریتم ژنتیک استفاده نموده ایم.

3-1-1) روش PCA خطی

   روشهای استخراج ویژگی یک زیرفضای مناسب m بعدی در فضای اصلی ویژگی ها از d بعد را تعیین می کنند(m<=d). تبدیل خطی مثل PCA، آنالیز فاکتور، LDA و تعقیب تصویر بطور گسترده در شناسایی الگو برای استخراج ویژگی ها و کاهش ابعاد استفاده شده اند. بهترین استخراج کننده ی ویژگی شناخته شدهPCA یا توسعه یافته ی Karhunen-loeve است که m بردار مشخصه بزرگتر را از ماتریس کوواریانس d×d از n الگوی d بعدی محاسبه می کند. تبدیل خطی به شکل Y=XH تعریف شده است که X ماتریس الگوی n×d داده شده و Y از ماتریس الگوی n×m مشتق شده است . H ماتریس d×m از تبدیل خطی است که ستون های آن بردارهای مشخصه هستند. قبل از اینکه PCA از ویژگی های پرمعنی تر استفاده کند (بردار ویژگی های با بزرگترین مقدار ویژه)، بطور کاملاً موثر داده ها را با یک زیرفضای خطی با استفاده از معیار خطای میانگین مربعات تخمین می زند. سایر روش ها مانندتعقیب تصویر و ICA برای توزیع های غیرگاوسی تا وقتی که به مشخصه ی مرتبه ی دوم داده ها مربوط نباشد مناسب ترند. ICA با موفقیت برای جداسازی منابع دیده نشده استفاده شده است. استخراج ترکیب خطی ویژگی ها منابع نابسته را تعریف می کند. این جداسازی در صورتی امکان پذیر است که حداکثر یکی از منابع دارای توزیع گاوسی باشد.

   از آجا که PCA یک روش بدون بررسی استخراج ویژگی هاست (Unsupervised)، تحلیل جداسازی از یک اطلاعات گروهی در رابطه با هر الگو برای استخراج (خطی) ویژگی های با قابلیت جداسازی زیاد استفاده می کند. در LDA جداسازی بین کلاسی با جابجایی کل ماتریس کوواریانس در PCA با یک معیار جداسازی عمومی مانند معیار Fisher تائید می شود که در یافتن بردارهای مشخصه نتیجه می شود.( حاصل معکوس ماتریس پراکندگی و ماتریس پراکندگی بین کلاسی ). معیار دیگر همراه با بررسی (Supervised) برای چگالی های شرایط کلاس غیرگاوسی بر پایه ی فاصله Patrick-Fisher با استفاده از برآورد چگالی Parzen است.

3-1-2) روش Kernel PCA (PCA با هسته یا PCA غیرخطی)

   چندین روش برای تعریف روش های استخراج ویژگی غیرخطی وجود دارد. یکی از این روش ها که مستقیماً به PCA مربوط است، Kernel PCA نام دارد. ایده ی اصلی KPCA نگاشتن داده های ورودی بر روی برخی از فضاهای ویژگی F جدید بطور معمولی با استفاده از تابع غیرخطی و سپس اعمال یک PCA خطی در فضای نگاشت شده است. به هر حال فضایF معمولاً ابعاد بسیار زیادی دارد. برای دوری از محاسبات نگاشت ساده ی ، KPCA تنها هسته های Mercel که می توانند به یک نقطه تجزیه شوند را بکار می گیرد.

   به عنوان یک نتیجه فضای هسته یک متریک با تعریف مناسب دارد. نمونه های هسته های Mercer شامل چندجمله ای های مرتبه P بصورت و هسته گاوسی هستند.

   فرض می کنیم که X یک ماتریس الگوی n×d نرمال شده با میانگین صفر است و یک ماتریس الگو در فضای F باشد. PCA خطی در فضای F بردارهای مشخصه ی ماتریس همبستگی را حل می کند که همچنین ماتریس هسته نیز نامیده می شود. در KPCA در ابتدا m بردار ویژگی از بدست می آیند تا یک ماتریس انتقال E را تعریف کنند (E یک ماتریس n×m است که m تعداد ویژگی های دلخواه است و m<=d است). الگوهای جدید x با نگاشت می شوند که اکنون با وابستگی به مجموعه آموزش بازنمایی می شوند و نه با مقادیر ویژگی ویژگی های اندازه گیری شده. باید توجه داشت که برای یک بازنمایی کامل تا m بردار مشخصه در E (بسته به تابع هسته) توسط KPCA ممکن است نیاز باشد در حالی که در PCA خطی یک مجموعه از d بردار مشخصه فضای اصلی ویژگی ها را ارائه می کند. انتخاب تابع هسته برای یک کاربرد مشخص هنوز یک مساله باز است.

3-1-3) روش مقیاس گذاری چندبعدی(MDS)

   مقیاس گذاری چند بعدی (MDS)یک روش غیرخطی دیگر برای استخراج ویژگی هاست. هدف این روش بازنمایی یک مجموعه ی چندبعدی در دو یا سه بعد است مثل آنچه ماتریس فاصله در فضای اصلی ویژگی های d بعدی به طور کاملاً ثابت در فضای تصویرشده باقی مانده است. توابع تاکید فراوانی برای اندازه گیری کارایی این نگاشت استفاده شده اند. یک مشکل MDS این است که یک تابع نگاشت ساده و روشن را ارئه نمی کند بنابراین ممکن نیست که یک الگوی جدید را در یک نگاشت برای یک مجموعه ی آموزش مشخص بدون تکرار جایگذاری کند. چندین روش برای عنوان کردن این نقص که از درون یابی خطی تا آموزش شبکه عصبی محدود است مورد بررسی قرار گرفته است. همچنین امکان دارد که الگوریتم MDS مجدداً تعریف شود بنابراین مستقیماً یک نگاشت را تهیه می کند که ممکن است برای الگوهای آزمون جدید استفاده شود.

3-1-4) روش شبکه عصبی روبه جلو (Feed-Forward Neural Network)

   یک شبکه ی عصبی روبه جلو یک روال جامع را برای استخراج ویژگی هاو دسته بندی پیشنهاد می کند. خروجی هر لایه ی مخفی ممکن است به عنوان یک مجموعه ی جدید و اغلب غیرخطی از ویژگی ها تعریف  شود که در لایه ی مخفی برای دسته بندی ارائه می شوند. در این شرایط شبکه های استفاده شده توسط Fukushima و Lecun که اصطلاحاً آن را لایه های وزنی مشترک نامیده اند، در حقیقت فیلترهایی برای استخراج ویژگی ها در تصاویر دوبعدی هستند. در طول آموزش فیلترها با داده ها برای بیشینه کردن کارایی دسته بندی وفق داده شده اند.

   شبکه های عصبی می توانند بطور مستقیم برای استخراج ویژگی ها در یک شکل بدون بررسی (Unsupervised) استفاده شوند. شکل (a-1) معماری یک شبکه که قادر به پیدا کردن زیرفضای PCA است را نشان می دهد. به جای سیگموئیدها نرون ها توابع انتقال خطی دارند. این شبکه d ورودی و d خروجی دارد که d تعداد مشخص شده ی ویژگی هاست. ورودی ها همچنین برای رسیدن به هدف نیز با مجبور کردن لایه ی خروجی به ساخت مجدد فضای ورودی تنها با استفاده از لایه ی مخفی بکار گرفته شده اند. سه گره در لایه ی مخفی اولین سه جزء اصلی را ضبط می کنند. اگر دو لایه ی غیرخطی با واحدهای مخفی سیگموئیدی نیز وجود داشته باشند ( شکل (b-4))، آنگاه یک زیرفضای غیرخطی در لایه ی میانی یافت خواهد شد (که همچنین لایه ی گلوگاه هم نامیده می شود). غیرخطی بودن توسط اندازه ی این لایه های اضافی محدود می شود. شبکه های PCA غیر خطی یا اصطلاحاً خودشرکت پذیرها ی ابزار قوی را برای آموزش و تشریح زیرفضای غیرخطی پیشنهاد می کند. محققی به نام Oja نشان داد که چگونه شبکه های خودشرکت پذیر می توانند برای ICA استفاده شوند.

دانلود پایان نامه معدن – استخراج با موضوع بررسی سیستم آتشباری نانل

اختصاصی از یارا فایل دانلود پایان نامه معدن – استخراج با موضوع بررسی سیستم آتشباری نانل دانلود با لینک مستقیم و پرسرعت .

فرمت فایل : word(قابل ویرایش)

تعداد صفحات:95

فهرست مطالب:

فصل اول: مواد منفجره مصرفی در معادن
۱-۱- مقدمه ۱
۱-۲- باروت ۲
۱-۳- آنفو (ANFO) 3
1-4- آنفوی مقاوم درمقابل آب (Akvanol) 4
1-5- آنفوی سنگین (Heavu ANFO) 5
1-6- مواد منفجره ژله ای (Slurry) 5
1-7- مواد منفجره امولسیون (Emulsion) 6
1-7-1- امولیت (Emulite) 8
1-8- امولان (Emulan) 8
1-9- دینامیت (Dynamite) 9
فصل دوم: عوامل انفجاری
۲-۱- مقدمه ۱۰
۲-۲- فتیله اطمینان (Safety Fuse) 10
2-2-1- آتشکاری با فتیله اطمینان و چاشنی ۱۱
۲-۲-۲- مزایا و معایب فتیله اطمینان ۱۱
۲-۲-۲-۱- مزایا ۱۱
۲-۲-۲-۲- معایب ۱۲
۲-۳- فتیله انفجاری (Detonating Cord) 12
2-3-1- مزایا و معایب فتیله انفجاری ۱۳
۲-۳-۱-۱- مزایا ۱۴
۲-۳-۱-۲- معایب ۱۴
۲-۴- چاشنی برقی ۱۴
۲-۴-۱- مزایا و معایب آتشباری برقی ۱۵
۲-۴-۱-۱- مزایا ۱۵
۲-۴-۱-۲- معایب ۱۶
۲-۵- سیستم هرکودت (چاشنی گازی) ۱۶
۲-۵-۱- مزایا و معایب سیستم هرکودت ۱۷
۲-۵-۱-۱- مزایا ۱۷
۲-۵-۱-۲- معایب ۱۷
۲-۶- سیستم نانل ۱۸
۲-۶-۱- مزایای سیستم نانل ۱۸
۲-۷- پرایمر ۱۹
۲-۸- بوستر ۱۹
۲-۹- تأخیر و نقش آن در پارامترهای انفجار و خردشدگی سنگها ۲۰
فصل سوم: بررسی سیستم نانل و استفاده از آن در چند معدن
۳-۱- مقدمه ۲۳
۳-۲- فرآیند ساخت نانل ۲۴
۳-۳- اجزاء تشکیل دهنده واحد نانل ۲۵
۳-۳-۱- تیوپ نانل ۲۵
۳-۳-۲- چاشنی ۲۶
۳-۳-۳- رابط ۲۷
۳-۳-۴- استارتر ۲۸
۳-۳-۵- برچسب مشخصات نانل ۲۹
۳-۳-۶- گیره ۲۹
۳-۴- آزمایشهای انجام شده در روی تیوپ نانل ۲۹
۳-۴-۱- بررسی مقاومت تیوپ نانل ۲۹
۳-۴-۲- حساسیت در مقابل عوامل شیمیایی ۳۰
۳-۵- انواع چاشنی نانل ۳۰
۳-۵-۱- چاشنی NONLE GT/MS 32
3-5-2- چاشنی NONEL GT/T 32
3-5-3- چاشنی NONEL UNIDET 33
3-6- انواع رابط ۳۴
۳-۶-۱- رابط نوع UB0 34
3-6-2- رابطهای نوع UNIDET 34
3-6-3- رابط خوشه ای ۳۵
۳-۷- تحلیل مراحل آتشباری با نانل ۳۵
۳-۷-۱- اتصالات با استفاده از رابط UB0 36
3-7-2- اتصال تیوپ نانل به فتیله انفجاری (کرتکس) ۳۸
۳-۷-۳- اتصال توسط رابط خوشه ای ۳۹
۳-۸- آتش کردن مدار نانل ۴۰
۳-۸-۱- ماشین انفجار دستی HN1 40
3-8-2- ماشین انفجار پنوماتیک از راه دور PN1 42
3-8-3- انفحار با چاشنی الکتریکی ۴۳
۳-۹- چند نمونه از نحوه اتصال مدار با استفاده از چاشنی و رابط های نانل ۴۳
۳-۹-۱- مدار انفجار کوچک پلکانی ۴۳
۳-۹-۲- مدار انفجار بزرگ پلکانی ۴۴
۳-۹-۳- انفجار جهت حفر ترانشه ۴۵
۳-۹-۴- اتصال با استفاده از رابط های NONEL UNIDET برای معادن روباز ۴۶
۳-۹-۵- اتصال با استفاده از رابط های NONEL UNIDET برای حفر ترانشه ۴۹
۳-۹-۶- آتشباری تونل ۵۰
۳-۱۰- استفاده نانل برای آتشباری معدن ماگما سوپریور سوپریور آریزونا ۵۱
۳-۱۰-۱- آزمایش نانل در حفر راهروها ۵۱
۳-۱۰-۲- آزمایش نانل در کارگاههای استخراج معدن ماگما سوپریور ۵۱
۳-۱۰-۳- تاثیرات خرجگذاری نانل و بهم بستن آن ۵۲
۳-۱۱- استفاده از نانل برای آتشباری معدن طلای هارمونی ۵۳
۳-۱۲- استفاده از نانل در معدن گل گهر ۶۰

فصل چهارم: تجزیه و تحلیل و نتایج بدست آمده از استفاده نانل
۴-۱- معدن ماگما سوپریور ۷۴
۴-۱-۱- چال منفجر نشده (Misfire) 74
4-1-2- مطالعه زمانی ۷۴
۴-۱-۳- استاندارد کردن الگوی حفاری ۷۵
۴-۱-۴- نتایج بدست آمده از استفاده نانل در معدن ماگما سوپریور ۷۵
۴-۲- معدن طلای هارمونی ۷۶
۴-۲-۱- نتایج بدست آمده از بکارگیری سیستم نانل در معدن طلای هارمونی ۷۸
۴-۳- معدن گل گهر ۸۱
۴-۴- مراحل قبل از خرج گذاری ۸۲
۴-۵- هنگام خرجگذاری ۸۲
۴-۶- وصل کردن مدار ۸۳
۴-۷- کنترل اتصالات ۸۳
۴-۸- مهلت نگهداری در انبار ۸۴
۴-۹- محصولات آسیب دیده ۸۴
۴-۱۰- نتایج ۸۵
فهرست منابع ۸۷
پیوست ۸۹

چکیده:

این پروژه عنوان بررسی سیستم آتشباری نانل را به خود اختصاص داده است. ابتدا مواد منفجره صنعتی (مواد منفجره معمول در معادن) بطور مختصر شرح داده شده است و از آنجا که اکثر مواد منفجره مورد استفاده در کارهای معدنی از حساسیت پایینی برخودارند، عوامل انفجاری مورد بررسی قرار گرفته اند. مقایسه انجام گرفته بین عوامل انفجاری، نشان دهنده این است که سیستم نانل دارای برتری هایی نسبت به دیگر عوامل می‎باشد. شرح کامل جزییات این سیستم بدنه اصلی این پروژه را تشکیل می‎دهد. بدنبال بررسی این سیستم، شرح نتایج بدست آمده از استفاده نانل در معدن مس ماگما سوپریور، سوپریور آریزونا، معدن طلای هارمونی و معدن سنگ آهن گل گهر ارائه شده است.

فصل اول: مواد منفجره مصرفی در معادن

۱-۱- مقدمه

در اوایل قرن هفدهم باروت سیاه تولید گردید و برای لق کردن سنگ در صنعت معدن، انفجار جایگزین روش اصلی یعنی حرارت دادن  شد. با ورود به قرن هیجدهم باروت بطور گسترده ای در کارهای ساختمانی مورد استفاده قرار گرفت تا زمانی که ویلیام بیکفورد انگلیسی فتیله اطمینان را در سال ۱۸۳۱ به ثبت رساند. این فتیله یک وسیله مطمئن و ایمن برای آتش زدن باروت در اختیار آتشکاران قرار گرفت.

درسال ۱۸۴۶، اسکانیوسوبره رو که یک ایتالیایی بود نیتروگلیسیرین را کشف کرد. آلفرد نوبل برای ایمن کردن نیتروگلیسیرین به هنگام حمل و نقل در سال ۱۸۶۷ آنرا جذب Kieselguhr (نوعی خاک دیاتومه) کرد که نه تنها سه برابر وزن خود نیتروگلیسیرین را جذب می کرد بلکه از حساسیت آن نسبت به ضربه می کاست و پس از خمیر شدن و شکل گرفتن به صورت فشنگ در داخل کاغذ پیچانده می شد بدین ترتیب دینامیت اختراع شد.

آلفرد نوبل در سال ۱۸۷۵، نیتروگلیسیرین حل کرد و بدین ترتیب ژلاتین انفجاری (نوعی دینامیت) که مخلوطی ژلاتینی شکل از ۹۲% نیتروگلیسیرین و ۸% نیتروسلولز بود ساخت. و در سال ۱۸۷۹ از مخلوط کردن نیترات سدیم و سایر مواد به ژلاتین انفجاری مواد منفجره ضعیفتر بدست آمد. در سال ۱۹۲۰، نیتروگلیکول به دینامیت اضافه شد که نقطه انجماد آن را بطور قابل ملاحظه ای پایین آ‎ورد.

در سال ۱۹۵۶، آنفو (نیترات آمونیوم و گازوئیل) وارد بازار آمریکا شد. در سال ۱۹۸۵ نیترونوبل، آنفوی جدیدی را که مقاومت بیشتری در برابر آب داشت به نام Akvanol عرضه کرد.

و در سال ۱۹۶۰، اسلاری و مواد منفجره با گرانروی بالا تولید شدند  ودر سال ۱۹۷۰ امولسیونهای انفجاری (امولیت) و در سال ۱۹۸۰، آنفوی تقویت شده جدید (امولان) تکمیل و عرضه شدند که تحول جدیدی را در چالهای آبدار بوجود آوردند. (۹)

مواد منفجره صنعتی را به دسته های زیر تقسیم گردیده اند: (۷)

۱-   مواد منفجره دانه ای مثل باروت و نیترات آمونیوم

۲-   مواد منفجره ژله ای

۳-   دینامیت ها

 ۱-۲- باروت

باروت  مخلوطی مکانیکی از نیترات سدیم یا پتاسیم زغال و گوگرد است. در حالی که هیچکدام از آنها ماده منفجره نیستند. باروت از مواد منفجره کند سوز است و سرعت سوختن آن در مقایسه با مواد منفجره قوی خیلی کمتر از آنهاست. ترکیب انواع باروت در جدول (۱-۱) آمده است.

جدول (۱-۱): ترکیب انواع باروت (۷)

مواد ترکیبی

درصد ترکیبی در دو نوع A و B

A

B

نیترات پتاسیم

۷۴

-

نیترات سدیم

-

۷۱

زغال

۶/۱۵

۵/۱۶

گوگرد

۴/۱۰

۵/۱۲

حساسیت به ضربه و سرعت سوختن باروت نیترات سدیم دار (B) کمتر از باروت نیترات پتاسیم دار (A) است. ازدیاد زغال سبب کمتر شدن سرعت سوخت می‎شود. مقدار رطوبت کمتر از ۲% و تغییر مختصر گوگرد اثری در سرعت سوختن باروت ندارد. باروت درفضای باز با سرعت ۱cm/sec می سوزد و چنانچه شرایط سوختن سریع فراهم شود سرعت سوختن آن به ۴۵۰m/sec می رسد. باروت را می‎توان به صورت فله در چال ریخت یا به صورت فشنگهای ساخته شده به شکل استوانه مصرف کرد. (۷)

۱-۳- آنفو (ANFO)

آنفو حروف اول کلمات (Ammonium Nitrate Fuel Oil) به معنی مخلوط نیترات آمونیوم و سوخت مایع است. نیترات آمونیوم در اکثر مواد منفجره بعنوان اکسید کننده مصرف دارد.

آنفو به علت ارزانی و ایمنی زیاد بمقدار وسیعی در کارهای معدنی مصرف می‎شود. بطور کلی آنفو شامل ۹۴% نیترات آمونیوم است که دانه های آن با مواد ویژه ضد کلوخه شدن (Anticake) پوشیده شده و ۶% سوخت مایع هم جذب آن  گردیده است.

در پیرامون مواد ضد کلوخه شدن باید گفت که این مواد از این جهت به نیترات آمونیوم افزوده می‎شود که اولا از بهم چسبیدن دانه های نیترات و کلوخه شدن آنها جلوگیری نماید و در مرحله بعد باعث گردد که دانه های نیترات آمونیوم از استحکام کافی در برابر تغییرات درجه حرارت و تغییرات درصد رطوبت برخوردار شوند.

البته لازم به ذکر است که میزان افزودن مواد ویژه ضد کلوخه شدن باید به اندازه ای باشد که روی جذب گازوئیل اثر منفی نگذارد. حساسیت آنفو به انفجار مربوط به ترکیب، خواص فیزیکی ، ابعاد دانه ها و وزن مخصوص آن می‎باشد. سرعت انفجار آنفو با ازدیاد قطر خرج اضافه می‎شود و به حداثر ۴۳۰۰m/sec در قطر ۱۳cm می رسد. محصور بودن نیز سرعت انفجار آنفو را بالا می‎برد ماکزیمم انرژی از انفجار آنفوزمانی است که مقدار سوخت به ۷/۵ % برسد. اضافه کردن فلزات سوختی نظیر آلومینیوم سبب ازدیاد انرژی آنفو می‎باشد.

آنفو دارای مقاومت بسیار ضعیفی در برابر آب است. بنابراین در چالهایی که آب وجود داشته باشد آنفو را درون بسته های پلاستیکی ریخته و سپس درون چال فرستاده می‎شود. ایجاد دود نارنجی قهوه ای پس از انفجار، نشانه فاسد شدن آنفو به وسیله آب است که باید آنفو را درون کیسه های پلاستیکی بهتر بسته بندی کرد و یا از محصولات مقاوم در برابر آب استفاده نمود. معمولاً اختلاط نیترات آمونیوم و سوخت با نسبتهای مورد نظر در سر چال در کامیونهای ویژ ه خرجگذاری صورت می‎گیرد و به داخل چال پمپ می‎شود. (۷)