بهینه‌سازی توزیع هوا در شبکه تهویه با به‌کارگیری روش الگوریتم ژنتیک (مطالعه موردی: معدن زغال‌سنگ کلاریز شرقی)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار؛ دانشکده فنی و مهندسی، دانشگاه بین‌المللی امام خمینی (ره)، قزوین

2 دانش‌آموخته کارشناسی ارشد مهندسی معدن؛ دانشگاه بین‌المللی امام خمینی (ره)، قزوین

3 عضو هیات‌علمی؛ دانشکده فنی و مهندسی، دانشگاه سیستان و بلوچستان، زاهدان

چکیده

ددر این تحقیق بهینه‌سازی توزیع هوا در معدن زغالسنگ کلاریز شرقی با به‌کارگیری الگوریتم ژنتیک برای جستجوی مقادیر بهینه تخصیص بادبزن‌ها، افت فشار در‌های تنظیم‌کننده و شدت‌جریان‌ هر یک از شاخه‌های شبکه تهویه انجام گرفته است. با توجه به مدلسازی شبکه موجود معدن با نرم افزار ونت‌سیم، شدت جریان هوا در تعدادی از شاخه‌ها کمتر از حد مورد نیاز برآورد شده‌است. بهینه‌سازی توزیع هوا در دو حالت مجزا شامل شرایط فعلی شبکه و نیز رعایت حداقل شدت جریان هوا در کلیه شاخه‌ها انجام گرفته‌است. نوع جریان نیمه‌کنترل‌شده نوع دوم فرض شد و کدنویسی در نرم‌افزار متلب، بر مبنای کمینه‌سازی انرژی مصرفی، اعمال محدودیت‌های قوانین شدت‌جریان و افت فشار کرشهف، به صورت توابع جریمه انجام گرفته‌است. در حالت اول بدون اعمال حداقل شدت جریان، مصرف انرژی کاهش یافت. در حالت دوم مقدار مصرف انرژی به 13696 وات و شدت جریان به 32 مترمکعب در ثانیه به دلیل هوارسانی به بیش از 22 شاخه معدن افزایش یافته است. تامین هوا و جبران افت فشار شبکه بسته به شرایط، با ترکیب سری و موازی دو بادبزن VTS11 موجود معدن انجام می‌گیرد. بررسی تاثیر مقادیر پارامترهای الگوریتم ژنتیک بر دستیابی به پاسخ بهینه نشانگر افزایش احتمال دستیابی به جواب بهینه با افزایش تعداد جمعیت است. افزایش ضرایب پیوند و جهش موجب کاهش دقت محاسبات و افزایش زمان اجرا گردیده استد.

کلیدواژه‌ها

موضوعات


Acuña, E., Hall, S., & Lowndes, I. (2010). Free and Semi Controlled Splitting Network Optimisation using Gas to justify the use of Regulators. Paper presented at the International Conference on Mining Innovation (4th: Santiago, Chile, 2010).
Acuña E. I., & Lowndes, I. S. (2014). A Review of Primary Mine Ventilation System Optimization. Interfaces, 44(2), 163-175.  Retrieved from https://doi.org/10.1287/inte.2014.0736
Berhe, H. W. (2012). Penalty Function Methods using Matrix Laboratory (MATLAB). African Journal of Mathematics and Computer Science Research, 5(13), 209-246. Retrieved from  https://doi.org/10.5897/AJMCSR12.027
Bodenhofer, U. (2003). Genetic Algorithms: Theory and Applications: Lecture notes, Fuzzy Logic Laboratorium Linz-Hagenberg, Winter.
H.Bahoddiny, R. D. (2012). Optimization of the Performance of the Ventilation System of the Nakhlak Lead Mine using GeneticAlgorithm. The First Conference on Mining Technologies, Iran-Yazd.
Hall, C. J. (1981).Mine Ventilation Engineering. Socity of  Mining. Engineering. AIMM, New York.
Hardcastle, S., & Kocsis, C. (2002). The Ventilation Challenge–A Canadian Perspective on Maintaining a Good Working Environment in Deep Mines. In Proceedings of the ACG Deep Mining Symposium, November  4-9.
Hardcastle, S., & Kocsis, C. (2004). The Ventilation Challenge. CIM(Canadian Mining and Metallurgical) Bulletin, 97(1080), 51-57.       
Hartman, H. L., Mutmansky, J. M., Ramani, R. V., & Wang, Y. (2012). Mine Ventilation and Air Conditioning: John Wiley & Sons Publication.
Kozyrev, S., & Osintseva, A. (2012). Optimizing Arrangement of Air Distribution Controllers in Mine Ventilation System. Journal of Mining Science, 48(5), 896-903. Retrieved from https://doi.org/10.1134/S1062739148050140   
Li, J., Chen, K.-y., & Lin, B. q. (2007). Genetic Algorithm for the Optimization of Mine Ventilation Network. Journal of China University of Mining and Technology, 36(6), 789. 793.         
Lowndes, I., Fogarty, T., & Yang, Z. (2005). The Application of Genetic Algorithms to Optimise the Performance of a Mine Ventilation Network: The Influence of Coding Method and Population Size. Soft Computing, 9(7), 493-506. https://doi.org/10.1007/s00500-004-0364-9
Bashiri.M (2013). Application of Innovative and Meta Heuristic Algorithms in the Design of Industrial System, Shahed University Publication (in persian).
Madani, H., 2003. Mines Ventilation, Vol. 2, Tehran: Amirkabir University of Technology (Tehran
Polytechnic) Press, Iran (In Persian).
McPherson, M. J. (1993). Ventilation Network Analysis, Subsurface Ventilation and Environmental Engineering , Springer Science & Business Media.
Fatahi.P (2011). Meta-Algorithms. Hamedan: Bu-Ali Sina University(in persian).
Petrov, N & Popov, N. (2004). Ways of Improving Economy and Reliability of Mine Ventilation. Journal of Mining Science, 40(5), 531-536 . Retrieved from https://doi.org/10.1007/s10913-005-0040-1
Stender, J. (1993). Parallel Genetic Algorithms: Theory and Applications (Vol. 14): IOS press.
Sui, J., Yang L., Zhu, Z., Fang, H., & Hua. Z,. (2011). Mine Ventilation Optimization Analysis and Airflow Control based on Harmony Annealing Search. Journal of Computers, 6(6), 1270-1277.   Retrieved from https://doi.org/10.4304/jcp.6.6.1270-1277
Wei, G. (2011). Optimization of Mine Ventilation System based on Bionics Algorithm. Procedia Engineering, 26, 1614-1619 Retrieved from https://doi.org/10.1016/j.proeng.2011.11.2345
Wei, L. j., Wang, D. M., Wang, Q., & GE, P. (2007). Study on Some Key Issues of Constructing Visual Mine Ventilation Simulation System . Safety in Coal Mines, 7, 6-9.        
Yang, Z., Lowndes, I., & Denby, B. (1999). Genetic Algorithm Optimization of a Large UK Coal Mine Ventilation Network: U.S. Mine Ventilation Symposium. Retrieved from  https://scholarsmine.mst.edu/usmvs/8usmvs/8usmvs-theme16/5
Zhao, D., Liu, J., Pan, J. t., & Ma, H. (2009). Hybrid Genetic Algorithm for the Optimization of Mine Ventilation Network. Journal of Coal Science and Engineering (China), 15(4), 389-393. Retrieved from https://doi.org/10.1007/s12404-009-0409-x           
Zhong, M., Xing, W., Weicheng, F., Peide, L., & Baozhi, C. (2003). Airflow Optimizing Control Research based on Genetic Algorithm During Mine Fire Period. Journal of Fire Sciences, 21(2), 131-153. Retrieved from https://doi.org/10.1177/0734904103021002003.