Institutional Repository [SANDBOX]
Technical University of Crete
EN  |  EL

Search

Browse

My Space

Χρήση νευρωνικών δικτύων ή/και νευροασαφών συστημάτων για την εκτίμηση αποθεμάτων ποιότητας κοιτασμάτων και εύρεση βέλτιστων ορίων εκσκαφής

Nasai Risalnt

Simple record


URIhttp://purl.tuc.gr/dl/dias/247ECF05-4D45-4EBC-8E53-24CD46E219F2-
Identifierhttps://doi.org/10.26233/heallink.tuc.97942-
Languageel-
Extent66 σελίδεςel
TitleΧρήση νευρωνικών δικτύων ή/και νευροασαφών συστημάτων για την εκτίμηση αποθεμάτων ποιότητας κοιτασμάτων και εύρεση βέλτιστων ορίων εκσκαφήςel
CreatorNasai Risalnten
CreatorΝασαϊ Ρισαλντel
Contributor [Thesis Supervisor]Galetakis Michailen
Contributor [Thesis Supervisor]Γαλετακης Μιχαηλel
Contributor [Committee Member]Xiroudakis Georgiosen
Contributor [Committee Member]Ξηρουδακης Γεωργιοςel
Contributor [Committee Member]Saratsis Georgiosen
Contributor [Committee Member]Σαρατσης Γεωργιοςel
PublisherΠολυτεχνείο Κρήτηςel
PublisherTechnical University of Creteen
Academic UnitTechnical University of Crete::School of Mineral Resources Engineeringen
Academic UnitΠολυτεχνείο Κρήτης::Σχολή Μηχανικών Ορυκτών Πόρωνel
Content SummaryΟ υπολογισμός της περιεκτικότητας και της εκτίμησης των αποθεμάτων ενός κοιτάσματος καθώς και ο καθορισμός των βέλτιστων ορίων εκσκαφής είναι μια εξαιρετικά σημαντική διαδικασία, καθώς αποτελεί βασικό πυλώνα της μελέτης και του σχεδιασμού μιας εκμετάλλευσης. Οι πιο γνωστές μέθοδοι υπολογισμού της περιεκτικότητας είναι η γεωστατιστική μέθοδος Kriging, οι μέθοδοι των αντιστρόφων αποστάσεων και οι γεωμετρικές μέθοδοι. Ο δε καθορισμός των βέλτιστων ορίων εκσκαφής είναι σημαντικός, διότι η υπερεκτίμηση μπορεί να αυξήσει τη σχέση αποκάλυψης, ενώ η υποεκτίμηση μπορεί να οδηγήσει σε εγκατάλειψη τμήματος του κοιτάσματος με οικονομικό ενδιαφέρον. Οι πιο γνωστές μέθοδοι προσδιορισμού των ορίων εκσκαφής βασίζονται στον γραμμικό και δυναμικό προγραμματισμό, στη μέθοδο του κινητού κώνου και στη θεωρία των γραφημάτων. Η πρόοδος των τελευταίων ετών πάνω στον τομέα της τεχνητής νοημοσύνης προσφέρει τη δυνατότητα εφαρμογής τους σε τέτοια μη γραμμικά προβλήματα χωρίς τις απλοποιήσεις και παραδοχές που συνήθως απαιτούν οι συμβατικές μέθοδοι. Στην εργασία αυτή μελετήθηκε η δυνατότητα εκτίμησης της περιεκτικότητας και των αποθεμάτων σε ένα κοίτασμα χαλκού, με την ανάπτυξη του ψηφιακού μοντέλου κοιτάσματος σε μορφή στοιχειωδών όγκων (blocks), με τη χρήση νευρωνικών δικτύων καθώς και ο καθορισμός στη συνέχεια των βέλτιστων ορίων εκσκαφής με την ενσωμάτωση οικονομικών στοιχείων και την εφαρμογή του αλγόριθμου “μέγιστης ροής” (Pseudoflow). Αναπτύχθηκαν τρεις διαφορετικές παραλλαγές νευρωνικών δικτύων τα οποία όλα ήταν δίκτυα ευθείας προώθησης με οπισθοδιάδοση του σφάλματος. Στο πρώτο χρησιμοποιήθηκαν για την εκπαίδευση όλα τα σύνθετα δείγματα των γεωτρήσεων και με ένα κρυφό επίπεδο, στο δεύτερο με ένα επίπεδο και τροποποίηση των δεδομένων της εκπαίδευσης για βελτίωση της αποτελεσματικότητας του καθόσον στο πρώτο γινόταν μια σημαντική υποεκτίμηση των υψηλών περιεκτικοτήτων χαλκού και το τελευταίο με δύο κρυφά επίπεδα και τροποποίηση των δεδομένων της εκπαίδευσης. Το νευρωνικό δίκτυο αυτό πέτυχε ικανοποιητικά αποτελέσματα και με μικρότερο χρόνο εκπαίδευσής σε σχέση με το δεύτερο. Τα αποτελέσματα του νευρωνικού δικτύου συγκρίθηκαν με αυτά της μεθόδου Kriging και το τετράγωνο των αντιστρόφων αποστάσεων(IDS) και έδειξαν ότι τα νευρωνικά δίκτυα μπορούν να αποδώσουν καλά τις χωρικές μεταβολές του χαλκού και ότι μπορούν να εντοπίσουν περιοχές με υψηλή περιεκτικότητα χαλκού που δεν ήταν δυνατόν να γίνει με τις μεθόδους Kriging και IDS. Στη συνέχεια στα αποτελέσματα του ψηφιακού μοντέλου του κοιτάσματος που προέκυψε από το νευρωνικό δίκτυο και τις μεθόδους Kriging και IDS ενσωματώθηκαν οικονομικά στοιχεία και υπολογίστηκε η οικονομική αξία των blocks. Τέλος εφαρμόστηκε ο αλγόριθμος Pseudoflow για την εύρεση των βέλτιστων ορίων εκσκαφής. Τα αποτελέσματα έδειξαν ότι παρά το γεγονός ότι ο αριθμός των μπλοκ εντός της βέλτιστης εκσκαφής, δεν διαφέρει σημαντικά για τις τρεις μεθόδους, οι διαφορές ανάμεσα στην οικονομική αξία είναι σημαντικές, καθώς και η μέση οικονομική αξία ανά μπλοκ. Η διαφορά αυτή των οικονομικών τιμών που προκύπτει για τα μπλοκ της βέλτιστης εκσκαφής σχετίζεται άμεσα με τις εκτιμήσεις της περιεκτικότητας κάθε μεθόδου. el
Content SummaryThe grade and reserve estimation of a deposit and determining the ultimate pit limit is an extremely important process, as it is a key pillar of the design and planning of the open pit mine. The bestknown methods are the geostatistical method Kriging, the inverse distance methods, and geometrical methods. Finding the ultimate pit limit is important because overestimation may result in increased stripping ratio, while underestimation can lead to the rejection of a part of the deposit of economic interest. The best-known methods of finding the ultimate pit limit are based on linear and dynamic programming, the floating cone and graph theory. Recent advances in the field of artificial intelligence offer the possibility of applying them to such nonlinear problems without simplifications and assumptions that conventional methods usually require. In this paper, it was studied the possibility of estimating the grade and resources of a copper deposit by developing the digital deposit model in the shape of blocks using neural networks and then determining the ultimate pit limits including economic elements and applying the “maximum flow” algorithm (Pseudoflow). Three different variants of neural networks were developed which all were feedforward networks with back propagation. In the one all the composite drilling samples were used for training with one hidden layer, the second one with one hidden layer and resampling of the training data to improve its efficiency since the first one had a significant underestimation of the high copper grade and finally one with two hidden layers and resampling of the training data. This neural network achieved satisfactory results and with shorter training time than the second one. The neural network results were compared with those of the Kriging and the inverse distance squared (IDS) methods and that they can identify areas of high copper grade that were not possible with Kriging and IDS methods. Economic data were then included in the results of the digital deposit model produced by the neural network, Kriging and IDS methods and the economic values of the blocks were calculated. Finally, the Pseudoflow algorithm was applied to find the ultimate pit limit. The results showed that although the differences in the number of blocks within the limits are not significantly different for the three methods, the differences between the economic value are significant as well as the average economic value per block. This difference in economic value of the blocks in the ultimate pit limit is directly related to the grade estimation of each method.en
Type of ItemΔιπλωματική Εργασίαel
Type of ItemDiploma Worken
Licensehttp://creativecommons.org/licenses/by/4.0/en
Date of Item2023-11-03-
Date of Publication2023-
SubjectΒέλτιστα όρια εκσκαφήςel
SubjectUltimate pit limitsel
SubjectNeural networksen
SubjectΝευρωνικά δίκτυαel
SubjectΕκτίμηση αποθεμάτων ποιότηταςel
SubjectOre reserve and grade estimationen
Bibliographic CitationΡισάλντ Νάσαϊ, "Χρήση νευρωνικών δικτύων ή/και νευροασαφών συστημάτων για την εκτίμηση αποθεμάτων ποιότητας κοιτασμάτων και εύρεση βέλτιστων ορίων εκσκαφής", Διπλωματική Εργασία, Σχολή Μηχανικών Ορυκτών Πόρων, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2023el

Available Files

Services

Statistics