Εκτίμηση Ειδικής Ενέργειας Κοπής με χρήση Τεχνητών Νευρωνικών Δικτύων

Abstract

Η παρούσα διπλωματική εργασία πραγματεύεται τους διάφορους μηχανισμούς κοπής και τις θεωρίες που έχουν αναπτυχθεί καθώς επίσης, την Ειδική Ενέργεια κοπής των πετρωμάτων και τους τρόπους υπολογισμού της. Επίσης, ασχολείται με την εφαρμογή Τεχνητών Νευρωνικών Δικτύων για την εκτίμηση της Ειδικής Ενέργειας κοπής με κοπτικά συρόμενου τύπου, έχοντας ως δεδομένα εισαγωγής διάφορες εργαστηριακές μετρήσεις από το Εργαστήριο Εξόρυξης Πετρωμάτων. Ακόμη, παρουσιάζεται ο τρόπος κατασκευής και λειτουργίας των ΤΝΔ με τη βοήθεια του λογισμικού MATLAB R2011b και, γενικότερα, πραγματοποιείται ανάλυση του θεωρητικού υποβάθρου των νευρωνικών δικτύων, δηλαδή σχετικά με την αρχιτεκτονική, την εκπαίδευση, τη συνάρτηση ενεργοποίησης και άλλα. Η δημιουργία μοντέλων που θα προσομοιάζουν αξιόπιστα τους μηχανισμούς που διέπουν τη συμπεριφορά της βραχόμαζας ή των πετρωμάτων και των αλληλεπιδράσεων που υπάρχουν μεταξύ αυτών και των τεχνικών κατασκευών είναι πάντοτε μια από τις πιο σημαντικές επιδιώξεις των ερευνητών. Η εισαγωγή νέων μεθόδων τεχνητής νοημοσύνης, όπως αυτή των Τεχνητών Νευρωνικών Δικτύων (ΤΝΔ), είναι σε θέση να δώσει νέα ώθηση στην ανάλυση των διαφόρων εφαρμογών γεωτεχνολογίας και μηχανικής πετρωμάτων. Αποδεικνύεται ότι η ικανότητα πρόβλεψης των Τεχνητών Νευρωνικών Δικτύων που κατασκευάστηκαν είναι αρκετά ικανοποιητική, φτάνοντας σε επίπεδα ακρίβειας που είναι, σε πολλές περιπτώσεις, ανώτερα των συμβατικών μεθόδων πρόβλεψης. Κατά συνέπεια, τα συγκεκριμένα ΤΝΔ καθίστανται αξιόπιστα για μελλοντική χρήση με νέα δεδομένα.

The first objective of this diploma thesis is the study of cutting mechanism and Specific cutting energy. Another objective is the presentation of a case study regarding the assessment of Specific cutting energy with drag picks, by using Artificial Neural Networks (ANN). The data base of this study comes from several laboratory tests, such as Unconfined Compressive Strength (UCS) and Tensile Strength. Furthermore, this diploma thesis gives an insight review regarding ANN development and operation using software MATALAB R2011b, as well as, generally, the theoretical basis of ANNs concerning with their architecture, training, activation function and more. The development of models that will efficiently simulate the mechanisms that govern the rock mass or rock behavior and their interaction with the various construction activities, has always been one of the ultimate goals of many researchers. The introduction of artificial intelligence techniques as the one of artificial neural networks (ANN) can further enhance the analysis effectiveness especially in rock engineering and rock mechanics applications. It is finally proved that the ANN’s generalisation produced precise estimation, with accuracy levels that are even higher than the ones obtained using conventional prediction models. Consequently, this Artificial Neural Networks are reliable for future use with new database.