Prognozowanie postępu wiercenia przy użyciu wiertła udarowo-obrotowego przy wykorzystaniu sztucznych sieci neuronowych – studium przypadku

Penetration rate in rocks is one of the most important parameters of determination of drilling economics. Total drilling costs can be determined by predicting the penetration rate and utilized for mine planning. The factors which affect penetration rate are exceedingly numerous and certainly are not completely understood. For the prediction of penetration rate in rotary-percussive drilling, four types of rocks in Sangan mine have been chosen. Sangan is situated in Khorasan-Razavi province in Northeastern Iran. The selected parameters affect penetration rate is divided in three categories: rock properties, drilling condition and drilling pattern. The rock properties are: density, rock quality designation (RQD), uni-axial compressive strength, Brazilian tensile strength, porosity, Mohs hardness, Young modulus, P-wave velocity. Drilling condition parameters are: percussion, rotation, feed (thrust load) and flushing pressure; and parameters for drilling pattern are: blasthole diameter and length. Rock properties were determined in the laboratory, and drilling condition and drilling pattern were determined in the field. For create a correlation between penetration rate and rock properties, drilling condition and drilling pattern, artificial neural networks (ANN) were used. For this purpose, 102 blastholes were observed and drilling condition, drilling pattern and time of drilling in each blasthole were recorded. To obtain a correlation between this data and prediction of penetration rate, MATLAB software was used. To train the pattern of ANN, 77 data has been used and 25 of them found for testing the pattern. Performance of ANN models was assessed through the root mean square error (RMSE) and correlation coefficient (R2). For optimized model (14-14-10-1) RMSE and R2 is 0.1865 and 86%, respectively, and its sensitivity analysis showed that there is a strong correlation between penetration rate and RQD, rotation and blasthole diameter. High correlation coefficient and low root mean square error of these models showed that the ANN is a suitable tool for penetration rate prediction.Postęp wiercenia przy wierceniach skał jest jednym z podstawowych parametrów decydujących o opłacalności przedsięwzięcia. Całkowite koszty prowadzenia prac wiertniczych określa się w oparciu o prognozowane tempo postępu wiercenia, parametr ten uwzględnia się następnie przy planowaniu prac wydobywczych. Niektóre spośród licznych czynników wpływających na postęp wiercenia przy użyciu wiertła obrotowo-udarowego nie zostały jeszcze w pełni rozpoznane. Przy prognozowaniu postępu wiercenia prowadzonego przy użyciu urządzeń udarowo-obrotowych uwzględniono cztery rodzaje skał obecnych w kopalni Sangan, leżącej w prowincji Khorasan-Razavi w północno -wschodniej części Iranu. Wybrane czynniki mające wpływ na postęp prac wiertniczych pogrupowano w trzy kategorie: właściwości skał, warunki prowadzenia prac wiertniczych oraz plan prowadzenia wiercenia. Parametry określające właściwości skał to gęstość, jakość skał (RQD) i wytrzymałość na ściskanie jednoosiowe, wytrzymałość skał otrzymywana w oparciu o test brazylijski, porowatość, twardość Mohra, moduł Younga, prędkość propagacji fali, Parametry określające warunki prowadzenia wierceń obejmują: udar, prędkość obrotowa, siła naporu, ciśnienie płukania, zaś parametry związane z planem prowadzenia wiercenia obejmują: wymiary otworu wiertniczego i długość. Właściwości skał określono laboratoryjnie, warunki i plan wierceń badano w terenie. Korelacji pomiędzy prędkością postępu wiercenia i właściwościami skał oraz warunkami i planem prac wiertniczych poszukiwano przy użyciu sztucznych sieci neuronowych (ANN). Zbadano 102 otwory wiertnicze, przeanalizowano warunki prowadzenia wierceń, plany prac i zarejestrowano czasy ich prowadzenia. W celu znalezienia korelacji pomiędzy tymi danymi a prognozowaną prędkością wiercenia wykorzystano oprogramowanie MATLAB. W treningu sieci neuronowej wykorzystano 77 danych, 25 z nich otrzymano w drodze testowania wzorca. Wyniki działania sieci neuronowych oceniono w oparciu o błąd średniokwadratowy (RMSE) oraz współczynnik korelacji (R2). Dla zoptymalizowanego modelu (14-14-10-1) błąd średniokwadratowy i współczynnik korelacji wynoszą odpowiednio 0.1865 i 86%. Analiza wrażliwości wykazała istnienie silnej korelacji pomiędzy prędkością wiercenia a jakością skały, prędkością obrotową wiertła i średnicą otworu wiertniczego. Wysoki współczynnik korelacji i niska wartość błędu średniokwadratowego otrzymana dla tych modeli wskazuje, że metody wykorzystujące sztuczne sieci neuronowe są odpowiednie do prognozowania prędkości wiercenia