Jump to ContentJump to Main Navigation
Show Summary Details
More options …

Archives of Mining Sciences

The Journal of Committee of Mining of Polish Academy of Sciences

4 Issues per year


IMPACT FACTOR 2016: 0.550
5-year IMPACT FACTOR: 0.610

CiteScore 2016: 0.72

SCImago Journal Rank (SJR) 2016: 0.320
Source Normalized Impact per Paper (SNIP) 2016: 0.950

Open Access
Online
ISSN
1689-0469
See all formats and pricing
More options …

Prediction of penetration rate of rotary-percussive drilling using artificial neural networks – a case study / Prognozowanie postępu wiercenia przy użyciu wiertła udarowo-obrotowego przy wykorzystaniu sztucznych sieci neuronowych – studium przypadku

Seyed Ali Aalizad
  • DEPARTMENT OF MINING ENGINEERING, SCIENCE & RESEARCH BRANCH, ISLAMIC AZAD UNIVERSITY, TEHRAN, IRAN, ZIP CODE: 14778-93855, TEL: +98 (0) 21 4486 5100-3, FAX: +98 (0) 21 4486 5105
  • Email
  • Other articles by this author:
  • De Gruyter OnlineGoogle Scholar
/ Farshad Rashidinejad
  • DEPARTMENT OF MINING ENGINEERING, SCIENCE & RESEARCH BRANCH, ISLAMIC AZAD UNIVERSITY, TEHRAN, IRAN, ZIP CODE: 14778-93855, TEL: +98 (0) 21 4486 5100-3, FAX: +98 (0) 21 4486 5105
  • Other articles by this author:
  • De Gruyter OnlineGoogle Scholar
Published Online: 2012-11-22 | DOI: https://doi.org/10.2478/v10267-012-0046-x

Abstract

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.

Keywords : Penetration rate; Rotary-percussive drilling; Artificial neural networks; Top hammer drilling; Sangan iron mine

Słowa kluczowe : prędkość wiercenia; wiertło obrotowo-udarowe; sztuczne sieci neuronowe; urządzenia udarowe; kopalnia rud żelaza Sangan

  • Aalizad S.A., 2011. Prediction penetration of rotary-percussive drilling using artificial neural networks- A case studySangan Iron mine Project (SIMP). MSc. Thesis, Islamic Azad University, Science and Research Branch, Tehran, Iran. Google Scholar

  • Bilgesu H.I., Tetrick L.T., Altmis U., Mohaghegh S., Ameri S., 1997. A new approach for the prediction of rate of penetration(ROP) values. Proceeding of SPE Eastern Reginal Meeting, Lexington, USA, 175-179. Google Scholar

  • Chandok J.S., Kar I.N., Tuli S., 2008. Estimation of furnace exit gas temperature (FEGT) using optimized radial basisand backpropagation neural networks. J. Rock Energy Convers Manag., 49, 1989-1998.Web of ScienceGoogle Scholar

  • Esmaeili M., Aghajani Bazazi A., Borna S., 2011. Reliability analysis of a fleet of loaders in Sangan iron mine. Arch. Min. Sci., 56, 4, 629-640. Google Scholar

  • Giri A.K., Swamliama C., Singh T.N., Singh D.P., 1997. Strength properties and their relations with abrasiveness ofsome Indian Rocks. 1st Asian Rock Mech. Symp., Korea, 537-541 Google Scholar

  • Hartman H.L., 1959. Basic studies of percussion drilling. Min. Eng., 11, 68-75. Google Scholar

  • Haykin S., 1999. Neural network: A comprehensive foundation. Prentice hall. Google Scholar

  • Howarth D.F., Adamson W.R., Berndt J.R., 1986. Correlation of model tunnel boring and drilling machine performanceswith rock properties. Int. J. Rock Mech. Min. Sci., 23, 171-175. Google Scholar

  • Hustrulid W., 1999. Blasting principles for open pit mining, Vol. 1, General design concept. A. A. Balkema, Rotterdam, Brookfield. Google Scholar

  • Jimeno C.L., 1995. Rock drilling and blasting. A.A. Balkema, Rotterdam, Brookfield, pp. 8-35. Google Scholar

  • Jong Y.H., Lee C.I., 2004. Influence of geological conditions on the powder factor for tunnel blasting. Int. J. Rock Mech. Min. Sci., 41, 533-538.Google Scholar

  • Lundberg B., 1973. Energy transfer in percussive rock destruction-I. Int. J. Rock Mech. Min. Sci., 10, 381-399. Google Scholar

  • Menhrotra K., Mohan C.K., Ranka S., 1997. Elements of Artificial Neural Networks. Cambridge: MIT Press. Google Scholar

  • Muro T., Fukugava R., Watanabe M., 1988. Rotary percussion forces affecting a drilling rate of bit for rock mass. Proceeding of Japan Society Civil Engineering, 391, 206-213.Google Scholar

  • Neaupane K.M., Achet S.H., 2004. Use of back propagation neural network for landslide monitoring: a case study inthe higher Himalaya. Engineering Geology, 74, 213-226 Google Scholar

  • Oddsson B., 1982. Rock quality designation and drilling rate correlated with lithology and degree of alteration in volcanicrocks from the 1979 Surtsey drill hole. Surtsey Research Progress Report IX, 94-97. Google Scholar

  • Paithankar A.G., Mishra G.B., 1980. Drillability of rocks in percussive drilling from energy per volume as determinedwith microbit. Min. Engineering, 21, 1407-1410. Google Scholar

  • Pandey A.K., Jain A.K., Singh D.P., 1991. An investigation into rock drilling. Int. J. Surf. Min. Recl., 5, 114-139. Google Scholar

  • Paone J., Madson D., Bruce W.E., 1969. Drillability studies-laboratory percussive drilling. USBM RI 7300, 537-541. Google Scholar

  • Protodyakonov M.M., 1962. Mechanical Properties and Drillability of Rocks. Proceedings of the Fifth Symposium on Rock Mechanics, University of Minnesota, Minneapolis, MN, 103-118. Google Scholar

  • Kahraman S., 1999. Rotary and percussive drilling prediction using regression analysis. Int. J. Rock Mech. Min. Sci., 36, 981-989. CrossrefGoogle Scholar

  • Kahraman S., 2002. Correlation of TBM and drilling machine performances with rock Brittleness. Eng. Geol., 65, 269-283.Google Scholar

  • Kahraman S., Bilgin, N. and Feridunoglu, C., 2003. Dominant rock properties affecting the penetration rate of percussivedrills. Int. J. Rock Mech. Min. Sci., 40, 711-723. Google Scholar

  • Kapageridis I.K., 2002. Artificial neural network technology in mining and environmental applications. Mine Planning and Equipment Selection, 172-179. Google Scholar

  • Ross T.J., 1995. Fuzzy logic with engineering applications. New York: McGraw-Hill. Google Scholar

  • Rustan A., 1998. Rock Blasting terms and Symbols. A.A. Balkema, Rotterdam, Brookfield. Google Scholar

  • Sazidy M.S., Rideout D.G., Butt S.D., Arvani F., 2010. Modeling percussive drilling performance using simulatedvisco-elastic-plastic rock medium. 44th US Rock mechanics Symposium and 5th U.S.-Canada Rock mechanics Symposium, USA, 434-443. Google Scholar

  • Singh T.N., Jain A., Sarkar K., 2009. Petrophysical parameters affecting the microbit drillability of rock. Int. J. Mining and Mineral Engineering, 1(3), 261-277. Google Scholar

  • Singh T.N., Monjezi M., 2003. Abrasivity of some Indian rocks-an experimental approach. Int. Conf. on Drilling, Iran, 39-46. Google Scholar

  • Tawadrous A.S., 2006. Evaluation of artificial neural networks as a reliable tool in blast design. Int. Soc. Explos. Eng., 1, 1-12. Google Scholar

  • Teal R., 1965. The concept of specific energy in rock drilling. Int. J. Rock Mech. Min. Sci., 2, 57-73.CrossrefGoogle Scholar

About the article

Published Online: 2012-11-22

Published in Print: 2012-12-01


Citation Information: Archives of Mining Sciences, Volume 57, Issue 3, Pages 715–728, ISSN (Print) 0860-7001, DOI: https://doi.org/10.2478/v10267-012-0046-x.

Export Citation

This content is open access.

Comments (0)

Please log in or register to comment.
Log in