ﻣﺪلﺳﺎزي آزﻣﺎﯾﺸﮕﺎﻫﯽ ارﺗﻌﺎﺷﺎت ﻧﺎﺷﯽ از ﺑﺮش ﺳﻨﮓﻫﺎي ﺗﺰﺋﯿﻨﯽ ﮐﺮﺑﻨﺎﺗﯽ و ﮔﺮاﻧﯿﺘﯽ ﺑﺎ روشﻫﺎي آﻣﺎري و ﻫﻮش ﻣﺼﻨﻮﻋﯽ

Laboratory modeling of the vibration due to sawing carbonate and granite ornamental stones using statistical and soft computing methods

در اين پژوهش ميزان ارتعاش ناشي از برش سنگ‌هاي تزئيني كربناتي و گرانيتي از طريق ساخت يك دستگاه برش در مقياس آزمايشگاهي مورد مطالعه قرار گرفته است. براي اين منظور پارامترهاي 7 نمونه سنگ كربناتي و 5 نمونه سنگ گرانيتي تعيين شده و 211 آزمايش برش صورت گرفته است. مدل‌هاي پيش‌بيني كننده با تركيب‌هاي مختلفي از پارامترهاي فيزيكي و مكانيكي سنگ‌ها با روش‌هاي آماري و هوش مصنوعي ساخته و برسي شده‌اند. همچنين عملكرد بهترين مدل‌ها بر اساس چهار معيار براي دو نوع از داده‌هاي آزمون شامل داده‌هايي كه جنس سنگ‌ آن‌ها در ايجاد مدل موجود بوده و دسته‌اي كه نوع سنگ آن‌ها در ايجاد مدل موجود نبوده ارزيابي شده است. در نهايت بر اساس استراتژي‌هاي مختلف اولويت‌بندي، نتايج معيارهاي ارزيابي، سرعت، سهولت و قابليت اطمينان روش ايجاد مدل، بهترين مدل براي هر خانواده از سنگ‌ها معرفي شده است. نتايج نشان داده است كه بهترين مدل براي هر دو خانواده از سنگ‌هاي كربناتي و گرانيتي به صورت مدل رگرسيون چند متغيره غيرخطي است. پارامترهاي مشترك ورودي در اين دو مدل عمق برش، نرخ برش و فاكتور سايندگي شيمازك بوده است. علاوه بر اين پارامترها، در سنگ‌هاي كربناتي مدول يانگ و در سنگ‌هاي گرانيتي مقاومت فشاري تك محوري نيز جزو پارامترهاي ورودي بوده‌اند كه مطابق با نتايج تحليل حساسيت براي تعيين تأثيرگذارترين پارامترها در هر خانواده از سنگ‌ها بوده است.

In this paper vibration of cutting machine during sawing carbonate and granite ornamental stones was investigated through making a cutting machine on a laboratory scale. For this purpose, properties 7 samples of carbonate stones and 5 samples of granite stones were measured and 211 sawing experiments were performed. Predictives models were developed using different variation of physical and mechanical parameters by incorporating statistical and intelligent methods. The performance of the developed models was evaluated using R2, RMSE, MAPE and VAF criteria for two different types of test datasets consists of Type A and B; data type A included data for rock samples available at the learning stage and data type B included data for rock samples not available in the training phase. The best model for each group of rocks was introduced by taking ranking strategies, evaluation criteria, speed, easiness and reliability of developing method into account. Results indicated that the best model for both rock type was in the form of multivariate nonlinear regression. The similar parameters of these models were depth of cut, feed rate and Schmiazek abrasivity factor. In addition, Young’s modulus and UCS were the special parameters in the carbonate and granite rock models, respectively. These special parameters were in accordance with the finding of sensitivity analysis results.