Original scientific paper
https://doi.org/10.17794/rgn.2026.5.12
USPOREDBA MODELA STROJNOGA UČENJA ZA PROCJENU BRZINE PENETRACIJE PRI ROTACIJSKOME BUŠENJU: STUDIJA SLUČAJA RUDNIKA BAKRA SUNGUN
Ali Nemati Vardin
; Department of Mining Engineering, Faculty of Engineering, Tarbiat Modares University, Tehran, Iran
Masoud Monjezi
; Department of Mining Engineering, Faculty of Engineering, Tarbiat Modares University, Tehran, Iran
Mojtaba Rezakhah
; Department of Mining Engineering, Faculty of Engineering, Tarbiat Modares University, Tehran, Iran
Manoj Khandelwal
; Institute of Innovation, Science and Sustainability, Federation University Australia, Ballarat, VIC, Australia; Laboratory of Sustainable Development in Natural Resources and Environment, Institute for Advanced Study in Technology, Ton Duc Thang University, Ho Chi Minh City 700000, Vietnam; Faculty of Environment and Labour Safety, Ton Duc Thang University, Ho Chi Minh City 700000, Vietnam
*
Hasel Amini Khoshalan
; Department of Mining Engineering, Faculty of Engineering, University of Kurdistan, Sanandaj, Iran
* Corresponding author.
Abstract
Rudarske aktivnosti zahtijevaju točnu procjenu brzine penetracije pri rotacijskome bušenju (ROP) radi optimiranja učinkovitosti i smanjenja troškova. Procjena ROP a predstavlja izazov zbog složenih i nelinearnih odnosa među svojstvima stijenske mase, tehničkih karakteristika opreme i radnih parametara. U ovome radu primijenjeno je šest modela strojnoga učenja (Random Forest, CatBoost, LightGBM, XGBoost, Support Vector Machine i Extra Trees) za predviđanje ROP a na temelju podataka iz 85 bušotina rudnika bakra Sungun u Iranu. Ulazni parametri uključivali su rudarski indeks kvalitete stijenske mase, broj odskoka Schmidtova čekića, tlak rotacije i opterećenje na dlijetu. Model Extra Trees ostvario je najbolje rezultate s vrijednostima koeficijenta determinacije R² od 1 za skup za učenje i 0,93 za skup za testiranje te vrijednostima korijena srednje kvadratne pogreške (RMSE) od 0 i 0,937, što potvrđuje visoku točnost i sposobnost generalizacije modela. Dobiveni rezultati potvrđuju da modeli strojnoga učenja, posebno model Extra Trees, mogu učinkovito opisivati složene ovisnosti ROP a, čime se omogućuje poboljšanje odabira opreme, planiranja radova i procjene troškova pri rotacijskome bušenju.
Keywords
brzina penetracije; bušenje; rudarstvo; modeli strojnoga učenja; rudnik bakra Sungun
Hrčak ID:
352878
URI
Publication date:
27.10.2026.
Visits: 0 *