Improvement of Small-Scale Dolomite Blasting Productivity: Comparison of Existing Empirical Models with Image Analysis Software and Artificial Neural Network Models
محل انتشار: مجله معدن و محیط زیست، دوره: 13، شماره: 3
سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: انگلیسی
مشاهده: 128
فایل این مقاله در 15 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JMAE-13-3_001
تاریخ نمایه سازی: 27 مهر 1401
چکیده مقاله:
Assessment of blast results is a significant approach for the improvement of mining operations. The different procedures for investigating rock fragmentation have their limitations, causing different variation prediction errors. Thus every technique is site-explicit, and applicable for a few explicit purposes. This work evaluates the existing empirical blast fragmentation model predictions in the case study of small-scale dolomite quarries. An attempt is made to compare the prediction accuracy of the modified Kuz-Ram model, Lawal ۲۰۲۱ model, and Kuznetsov-Cunningham-Ouchterlony (KCO) model with the WipFrag© analysis result and proposed artificial neural network (ANN) models. The prediction error analysis of the current models and that of the new proposed ANN models is evaluated using the three model assessment indices. The assessment indices uncover that the KCO model when compared to the modified Kuz-Ram model has the least error for most blast round percentage passing size predicted. However, the proposed artificial neural network models show high prediction exactness in predicting blast fragment mean size than the existing empirical models. Therefore, the proposed ANN models can be used to improve the productivity of small-scale dolomite blasting operation results for practical purposes.
کلیدواژه ها:
نویسندگان
B. Taiwo
Department of Mining Engineering, Federal University of Technology, Akure, Nigeria
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 :