مقاله تخمین گازخیزی در معدن زغال سنگ پروده ۱ طبس با استفاده از شبکه عصبی مصنوعی و رگرسیون غیر خطی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

  مقاله تخمین گازخیزی در معدن زغال سنگ پروده ۱ طبس با استفاده از شبکه عصبی مصنوعی و رگرسیون غیر خطی دارای ۱۳ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله تخمین گازخیزی در معدن زغال سنگ پروده ۱ طبس با استفاده از شبکه عصبی مصنوعی و رگرسیون غیر خطی  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی مقاله تخمین گازخیزی در معدن زغال سنگ پروده ۱ طبس با استفاده از شبکه عصبی مصنوعی و رگرسیون غیر خطی،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله تخمین گازخیزی در معدن زغال سنگ پروده ۱ طبس با استفاده از شبکه عصبی مصنوعی و رگرسیون غیر خطی :

تعداد صفحات:۱۳
چکیده:
غالب معادن زغال سنگ کشور به روش زیرزمینی استخراج می شوند که در این معادن معلوم بودن فاکتور گازخیزی (به صورت حجم گاز در یک تن جامد) در کل سطح کانسار اهمیت ویژه ای دارد چرا که ریسک معدن کاری را کاهش داده و به طراحی سیستم تهویه مناسب منجر خواهد شد. در این مقاله به تخمین گازخیزی با دو روش شبکه عصبی مصنوعی و رگرسیون غیر خطی در معدن زغال سنگ پروده ۱ طبس در حوضه زغال خیز ایران مرکزی پرداخته شده است. این پژوهش نشان می دهد که این دو روش می توانند بدون در نظر گرفتن محل اخذ نمونه ها، گازخیزی را در این معدن با دقت قابل قبولی تخمین بزنند. با بررسی پارامترهای کمی و کیفی به دست آمده از ۸۰ چاه اکتشافی و استفاده از آنالیز خوشه ای، مشخص شد که عمق و ضخامت لایه زغال سنگ، بهترین ورودی ها برای تخمین مقدار گازخیزی می باشند. با داده های موجود، مدل هایی بر اساس شبکه عصبی مصنوعی و رگرسیون غیر خطی به دست آمد. اعتبار سنجی این دو مدل با مقایسه مقادیر گازخیزی اندازه گیری شده و تخمینی در ۱۵ چاه اکتشافی انجام شد. ضریب همبستگی مقادیر واقعی و تخمینی برای شبکه عصبی مصنوعی ۹۲۱% و برای رگرسیون غیر خطی ۹۰۴% به دست آمد. هرچند خطای تخمین با شبکه عصبی مصنوعی از روش رگرسیون کمتر است اما به طور کلی هر دو روش و به خصوص شبکه عصبی مصنوعی سطح بالایی از اعتبار در تخمین گازخیزی را ارائه می دهند.