碳酸盐岩排锯的机械性能与电流消耗的研究

工程科学与技术，国际期刊22（2019）990完整文章碳酸盐岩排锯Alireza Dormishia，Mohammad Ataeia，Reza Mikaeilb，Reza Khalokakaeia，Sina Shaffiee Haghshenasc，a伊朗Shahrood Shahrood理工大学采矿、石油地球物理系b伊朗乌尔米亚，乌尔米亚理工大学采矿和冶金工程系c伊朗拉什特伊斯兰阿扎德大学拉什特分校青年研究人员和精英俱乐部。阿提奇莱因福奥文章历史记录：收到2018年2018年12月25日修订2019年1月16日接受在线预订2019年1月31日保留字：排锯消耗电流机械性能自组织映射算法差分进化算法A B S T R A C T排锯广泛应用于石材行业和石材切割厂。评估机器效率的重要因素之一是排锯消耗的电流。因此，在岩石切割过程中，对排锯机消耗的电流进行评估和有效参数的研究是非常必要的。在本研究中，考虑到岩石的物理和力学性质，包括单轴抗压强度（UCS），莫氏硬度（Mh），Schimazek的F-研磨性因子（SF-a）和杨氏模量（YM），它试图研究和评估的电流消耗的排锯使用软计算技术。因此，差分进化（DE）算法和自组织映射（SOM）算法被用作两个智能技术在这项研究中。研究结果表明，DE算法可以将12种碳酸盐岩准确地分为3类，分别是平均电流为83.25（A）的碳酸盐岩样品、平均电流为90（A）的结晶岩样品和平均电流为94（A）的大理石样品。由于DE算法的输出和结果的更多细节，可以得出结论，该算法具有优于SOM技术，因为它提供了更高的性能能力，在评估和分类碳酸盐岩尺寸石材样品方面，由机器消耗的电流和其物理和机械性能。©2019 Karabuk University. Elsevier B.V.的出版服务。这是CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍如今，岩石切割工具在规格石材采石场和规格石材加工厂中被大量使用。掌握排锯机的切割工艺和性能，可以提高生产效率和产品质量。全面了解切割机最终成本和产品质量是这一领域的重要因素总的来说，石材切割行业中的尺寸石材板的成本受到工具磨损和能源消耗等因素的高度影响[1，2]。在优化的讨论中，不断尝试增加生产率与上述两个因素的比率。生产率通常与金刚石工具的磨损和能耗两个因素有直接关系*通讯作者。电子邮件地址：S. yahoo.com（S.S. Haghshenas）。由Karabuk大学负责进行同行审查随着生产率的提高，刀具因此，有必要在生产率与刀具各种因素影响切割机的数量和性能以及切割机的能耗。岩石的性质、工具的类型和形式、施加的力或载荷以及其他环境参数是最重要的因素[5如今，随着技术的进步和诸如锯之类的新型切割机的使用，在石材加工厂的切割过程中开辟了一条新的道路，因此可以预测，在接下来的几年中，这些设备（鉴于它们明显优于金刚石圆锯）已经完全被金刚石圆锯取代。迄今为止，人们对金刚石圆锯片切割设备和金刚石绳锯进行了全面、完整的研究。但是，对排锯设备的研究还处于初步水平，因为它最近被广泛使用[9]。Lons研究了金刚石锯片在锯切机中的切削力和锯片在这项研究中，金刚石磨损和https://doi.org/10.1016/j.jestch.2019.01.0072215-0986/©2019 Karabuk University.出版社：Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表工程科学与技术国际期刊杂志主页：www.elsevier.com/locate/jestchA. Dormishi等人/工程科学与技术，国际期刊22（2019）990991对切削力进行了研究，结果表明上述参数之间的关系很弱[10]。韦曼等人。调查了锯机在他们的研究中，金刚石锯片研究结果表明，叶尖拉应力向叶底移动，且在不同的测量位置（前、中、后）拉应力值不同。最后，在锯切过程中，金刚石刀片中的张紧频率变化以及供给率对刀片张应力的影响詹森研究了金刚石锯片的变形。结果表明，金刚石刀片的变形是张力、偏心率、摩擦系数和刀片几何参数的函数[12]。在这方面，Gerlach使用锯床在实验室规模上研究了锯切工具结果表明，叶片的几何参数、偏心率和张力对叶片导流有影响。此外，在实践中，分段和岩石之间的摩擦减小了刀片的有效张力，因此在锯切过程中，刀片的有效张力可能是供应方向上的垂直力的函数，在岩石性质发生任何变化的情况下，该垂直力在不同条件下发生变化在Wang和Clausen于2002年进行的研究中，在不同的切削条件下使用单点（单段）切削刀具对在他们的研究中，岩石和金刚石颗粒之间的接触面的条件和脆性破坏的切削机理进行了分析。切削试验是在数控铣床上进行的通过Kislter测力计（5019型）测量并记录在切割方向上的切割力Fc和垂直于切割方向的切割力Ff在试验过程中，对两种碳酸盐岩在干、湿切削条件下进行了研究在Wang和Clausen的研究中，通过显微镜分析了切割面（由节段与岩石表面接触产生的凹槽）[14]。2003年，Wang和Clausen对锯切过程进行了计算机模拟。锯切仿真可以为设计，特别是计算锯片节段上金刚石颗粒的数量及其分布提供一利用 Visual Basic 软件和Microsoft Access软件进行仿真因此，可以在不同的切削条件下计算其模拟、刀片、节段和每个金刚石颗粒中的切削力以及有效切削刃[15]。2003年，Wang和Rolf进行了一项关于使用锯机切割岩石过程理论的研究因此，研究了刀片和金刚石颗粒的切削运动。研究表明，金刚石有效粒数和有效切削深度取决于刀头的位置和金刚石凸起的高度。金刚石磨粒的切削深度随供油量的增加、曲轴转速的减小和冲击长度的增加而增加。金刚石颗粒的最大切割深度取决于其在一次切割冲击中与岩石接触的情况。在切削过程中，刀片与岩块之间的接触面每时每刻都在变化段Ozcelik研究了大理石纹理特性对金刚石框架锯锯切效率的影响。在这项研究中，研究了纹理系数、金刚石节段磨损和平均锯切速度之间的关系，发现它们之间存在显著关系[17]。Kahnovel等人根据P波速度开发了一种规格石材的质量分类，以估计排锯切割石材的板坯生产效率[18]。通过以下方法研究了将石块切割成板材时产生的石材废料百分比：Alhaj用的是电锯结果表明，排锯厚度与排屑率和生产率成反比关系。此外，体积废物百分比在理想值附近变化，2 cm为26%，3 cm为19%，混合2 - &3 cm厚度为22%[19]。 Ersoy和Ye，silkaya进行了优化调查，以选择和排名切割机在大理石采石业的3种最受欢迎的机器。本文采用层次分析法.结果清楚地表明排锯机与其他类型的切割机相比的优越性[20]。Neves等人预测了7种不同碳酸盐岩上多刀片排锯的板坯产量。结果表明，可以使用多元线性回归成功预测碳酸盐岩的板坯产量[21]。Sun等人在花岗岩切割过程中使用模糊层次分析法（FAHP）和逼近理想解排序法（TOPSIS）技术研究了金刚石框锯的可锯性[22]。Dormishi等人对排锯机的能耗进行了预测和评价在研究中采用了线性和根据他们的结果，他们提出了一些建议，用于调查和预测排锯机的能耗[23]。尽管重要的经典和实验方法，摘要软计算技术在解决复杂和不确定性问题方面发挥着重要作用，近年来在岩石力学领域受到广泛关注。Mikaeil等人根据某些主要规格石材的特性对金刚石绳锯的磨损率进行了评价。他们使用和声搜索算法[24]获得了岩石特性和线材速率之间的逻辑关系。Tumac提出了一种预测大直径圆锯片生产率的优化模型。将单轴抗压强度（UCS）、巴西拉伸强度（BTS）、Cerchar磨损指数（CAI）、孔隙率和密度作为输入参数。该模型是一个有效和高效的模型[25]。在Mikaeil等人的另一项研究中，采用帝国主义竞争算法和模糊C-均值算法，基于石材的4个特征，对圆锯机的性能进行了研究。分类结果用小时生产率进行了验证。所获得的结果证明了帝国主义竞争算法在评估圆锯机性能方面的有效性[26]。在以往的研究工作中，研究者们往往试图通过经典的和实验的方法来建立一些参数与产量另一方面，切割过程传统上被归类为采石场和实验室研究中处理不确定性的问题之一，特别是在从石材样品制备圆柱形试样以及确定物理和机械性能和切割阶段。文献表明，硬（传统）计算方法适合于处理具有精确和确定性值的系统，而软计算技术则能够处理各种工业、经济和技术问题中的不可预测和不确定性条件。事实上，软计算方法已经提供了一个更广泛的框架相比，传统的计算，有助于非常有前途的结果。值得注意的是，与硬计算技术相比，软计算方法的另一个优点针对实验室试验数据的不可靠性，采用差分进化和自组织映射两种随机技术进行聚类992A. Dormishi等人/工程科学与技术，国际期刊22（2019）990以便改进实验室结果的分析虽然在以往的研究工作中，有一些基于软计算技术的研究，但这种分析并没有被用于基于本研究的条件（如切割机的种类和岩石性质）的排锯在碳酸盐岩切割过程中的性能评价的深入研究。实际上，本研究通过两种算法的贡献作为新的方法，并考虑岩石的某些物理力学性质来评价，来研究和评价碳酸盐岩切割过程中的电流2. 材料来源和数据收集在伊朗Mahalat市的一家石材加工厂进行了实地研究。为此，从12个采石场开采的石块被转移到一家工厂使用进行研究。在相同的操作条件下，使用带金刚石刀片的锯切机切割研究中的每个岩石样品。图1显示了锯切机和电流表的视图。锯机的特性见表1。它由锯机主机架、底座、锯片、水管、飞轮、皮带、主发电机、两臂、锯片升降发电机、变速发电机组成。 该机器的主发动机为55千瓦，初始启动时为23 A，第二次撞击时为65 A。机器叶片长4.4米，叶片上焊接了约27个叶片段。第一刀片和夹持刀片的钳子之间的距离为约6cm，两个头的刀片。上两段之间的距离刀片长约12-13厘米。通过直径为22 mm的调节器调整刀片之间的距离，并使用钳子将刀片的前部和后部安装在机箱上，然后用力拧紧。Fig. 1. 本研究中使用的排锯机（a）和电流表（b）。A. Dormishi等人/工程科学与技术，国际期刊22（2019）990993表1性能研究期间的机器操作特性。特性单位值叶片行程mm750切割宽度mm1440切割长度mm3300切割高度mm1950叶片长度mm4400最大号叶片号50主机功率kW55机器总重量不47根据脆性材料压痕断裂理论，图2展示了金刚石磨粒在排锯机上的主要切割过程。切割深度对石材的变形起着关键作用。这意味着，小切削深度的主要变形表现为塑性变形，通过增加切削深度，这种塑性变形减少。这是由于横向裂纹扩展到表面并导致剥落的事实。某些小的横向裂纹在表面上扩展，在沟槽的底部呈鳞片状出现。不同位置的横向裂纹包括表面上滑动金刚石工具后面的一组半圆。由于具有碎石粉末而塑性变形的区域保持在切割槽的底部。当表面剪切裂纹扩展时，破碎区图中给出了所研究的采石场的位置和名称以及切割过程中的电流。 3和表2。图三. 研究采石场的位置。取决于质地和机械性能。Schimazek的F-磨损因子定义为Eq. （1）[28]。EQC×Gs ×BTSSFa¼100磅1盎司3. 实验室研究为了进行实验室测试，从研究的采石场收集了样品块。为进行实验研究准备的块样品如图所示。 四、进行标准 测试以测量岩石 的四个主要物 理和机械性质， 例如Schmiazek研磨系数（SF-a）、单轴抗压强度（UCS）、莫氏硬度（MH）和杨氏磨料磨损影响锯切工具的磨损。耐磨性主要受各种因素的影响，如矿物成分、矿物成分的硬度和粒度、颗粒形状和颗粒棱角度[27]。Schimazek它其中SF-a是Schimazek通过对岩石薄片的显微切片研究，确定了所研究岩石样品中石英的Qorveh晶体（A11）的薄显微切片样品如图所示。 五、测定该指数的实验室研究结果见表3。岩石的单轴抗压强度是岩石工程性质的重要力学指标。岩石材料强度是许多岩体分类系统中使用的一个非常重要的参数[29]。岩石强度、密度、风化、结构和基质类型的特征是图二. 大理石磨料切割机理[14].994A. Dormishi等人/工程科学与技术，国际期刊22（2019）990X一表2所研究岩石的名称和切割过程中消耗的电流。表3测定SF-a的实验室研究结果号试样商业名称采石场名称电流（安培）号试样BTSMPaEQC%GSmmSF-αN/mmA1哈贾巴德钙华哈吉阿巴德83的1哈贾巴德钙华5.602.600.250.04A2达雷博卡里钙华科巴尔86一个2达雷博卡里钙华5.402.700.570.08A3阿塔什科钙华阿塔什科85一个3阿塔什科钙华5.902.650.260.04A4巧克力钙华卡尚84一个4巧克力钙华5.702.500.340.05A5阿巴斯阿巴德石灰华阿巴斯·阿巴德88一个5阿巴斯阿巴德石灰华4.402.300.360.04A6塔卡卜石灰华塔卡卜83一个6塔卡卜石灰华5.602.500.140.02A7阿扎沙尔石灰华阿扎沙尔79一个7阿扎沙尔石灰华4.302.800.320.04A8卡尔哈尔石灰华哈勒哈勒78A8卡尔哈尔石灰华3.601.930.480.03A9哈尔辛大理石哈辛95一个9哈尔辛大理石6.803.600.250.06A10克尔曼大理石米尔扎伊93一个10克尔曼大理石6.503.100.270.06A11Ghorveh Crystal戈尔韦89A11Ghorveh Crystal6.203.000.900.17A12Laybid水晶莱比德91一个12Laybid水晶6.352.870.800.15的1见图4。 为进行实验研究准备的块体和岩心样品。图五. A11的显微薄片图像单轴抗压强度试验。因此，在可锯性的研究中有必要使用这个参数。为了确定所研究的规格石材的单轴抗压强度，通过使用金刚石旋转钻从块体样品中取出5个长径比为2.5：1的标准NX岩心样品（图4）。为了将样本切割成其最终长度，使用圆形金刚石锯片。然后，使用磨床，试样的表面被磨削，以达到高质量的表面，以施加轴向载荷。研究人员使用专为岩石测试而设计的伺服控制测试机进行了机械测试。1 MPa/s的加压速率用于岩心样品的标准单轴抗压强度试验[30]。在最后阶段，平均单轴抗压强度计算每个尺寸的石头研究。结果示于表4中。硬度是指岩石影响岩石硬度的因素包括岩石的粘聚力、本构矿物的硬度、均质度和含水量。硬度是岩石材料的所有上述元素的良好指标。用于评估岩石硬度的最常见和最有用的指标之一是莫氏硬度标度。该指数被选为聚类系统中的硬度指数。根据所含矿物的硬度，使用以下公式计算每种尺寸石材（2）[31]：n平均硬度¼Mi×Hi 21/1其中Mi、Hi和n分别是规格石中的矿物量（%）、莫氏硬度表4显示了每种研究尺寸石材的平均莫氏硬度。表4实验室研究的结果。号样品UCSSF-αYMMHMPaN/mmGPAn的1哈贾巴德石灰华61.50.0421.02.90一个2Darebokhari石灰华63.00.0823.52.95一个3Atashkoh石灰华62.80.0422.82.80一个4巧克力石灰华54.50.0514.52.20一个5Abbas Abad石灰华67.00.0427.02.70一个6Takab石灰华60.00.0220.02.60一个7Azarshahr石灰华53.00.0415.02.90A8Khalkhal石灰华50.50.0316.42.60一个9哈辛大理石71.50.0626.04.30一个10克尔曼大理石72.00.0632.04.00A11Ghorveh水晶65.00.1725.03.80一个12Laybid水晶63.50.1523.53.90A. Dormishi等人/工程科学与技术，国际期刊22（2019）990995ð ÞΣΣj;i;gXj;i;g否则考虑到岩石在断裂过程中的行为，特别是在锯切过程中，岩石如何到达破坏点对可锯性有很大的影响。杨氏在此聚类系统中，应力水平下的切线杨氏利用了极限单轴抗压强度的50%xr1;g;xr2;g和xr3;g是解向量，并且是随机选择的。另外，i是当前解的索引。在下一步骤中，通过基于等式（1）组合突变向量（Vj，I，g）和目标向量（Xj，I，g）的交叉操作来执行试验向量（U j，i，g）的创建（5）.结果示于表4中。U¼。 Vj;i;g Rj≤ CRð5Þ4. 差分进化算法软计算是当今最具活力的计算分支之一。软计算包括基于生物科学，神经系统结构，运动以及生物物种的集体和社会行为的广泛方法。事实上，软计算使用自然系统分析工程世界中的科学和复杂问题[32作为软计算的一个分支，元启发式算法在优化和解决不确定条件下的问题方面发挥着重要作用[40差分进化算法是一种在工程优化问题中表现出良好性能的Meta启发式算法。DE算法是由Storn和Price于1995年提出的，并在2000年获得了第一名。IEEE优化竞赛[44]。该算法随机工作，并通过创建初始种群和一系列建议响应来开始优化过程。DE给所有的响应一个相等的初始机会;然后通过创建下一代（下一个响应），它将响应与初始响应进行比较，并选择最佳响应。在DE算法中，有四个算子进行优化过程，分别包括初始化、变异、交叉和选择[45，46]。实际上，该算法中的优化过程开始于通过创建一系列初始代，然后基于目标函数评估和拟合所产生的响应的优点。该算法的一个显著和有趣之处在于，它在产生初始响应方面类似于遗传算法如前所述，主要阶段介绍如下[471：种群的进化2：突变3：交叉4：选择5：重复此循环，直到达到停止条件，例如所需的精度水平和最大迭代。在第一步中，DE是从一个初始的一组解决方案称为初始人口产生的方程。（3）：Xi0¼XMin（最小值）i½XMax（最大值）-XMin（最小值）]3i¼0;1;2;3;：;NP其中XMin和XMax分别表示参数向量Xi0的下限和上限。Di是范围在0和1之间的均匀分布的随机数。此外，NP引入了人口的数量。在突变部分中，搜索空间被扩展，并且在生成g处通过等式（1）获得突变解向量Vig。（4）并且还必须满足xr1;g; xr2;g; xr3;gjr1-r2-r3-i。Vig¼xr1;g=Fxr3;g-xr2;g ¼0;1;2;3;：;NP=4其中F是范围在0和1之间的缩放因子。此外，微分变化的放大由F控制其中CR是交叉常数，Rj表示在区间[0，1]处随机选择的实数，j表示相应阵列的第j个分量。在选择步骤中，在轨迹矢量和对应的目标矢量之间选择下一代。最后，它继续达到最优化的响应。差分进化算法在不同的复杂问题中具有很高的兼容性和灵活性，被广泛应用于工程和工业设计中。对于给水管网的优化设计，Suribabu使用了元启发式算法。他对DE算法进行了研究和探讨，并与其他算法进行了比较，所得结果表明DE算法在给水管网优化设计方面具有较高的优越性[50]。在Gurarslan和Karahan进行的一项研究中，提供了一个解决地下水污染源识别问题的模型首先，对地下水的流动和污染物运移进行了数值模拟其次，采用DE算法进行优化。本研究所获得的结果比其他研究更精确和有效[51]。在Atashnezhad等人进行的一项案例研究中，使用来自加拿大阿尔伯塔省三口邻井的数据对孔隙度预测进行了研究。所得到的结果不仅精度高，而且具有创新性，包括利用实时采集的钻井数据最后，在本研究中显示了DE算法的适当性能结果[52]。5. 自组织映射算法像神经生理学家这样的工程师在开发神经网络方面做出了重大贡献由于大脑在数据和概念的分析和处理中具有复杂的生物学结构，因此，大脑被作为一种模式来创建一个完整的系统和不同的神经计算技术。近年来，人工神经网络在理论和实践研究方面都有了很大的发展，包括控制系统中的图像处理、信号处理和模式识别[53人工神经网络在科学和其他领域有广泛的用户。Khandelwal和Singh基于人工神经网络开发了一个计算模型，并对印度煤矿爆炸引起的地面振动进行了评估和预测[63]。Trivedi等人的研究中，用人工神经网络（ANN）和多元回归分析（MVRA）两种模型预测了Flyrock距离。从这项研究中获得的确切结果表明，人工神经网络优于多元回归分析[64]。在Khandelwal等人进行的一项研究中，使用人工神经网络对某煤矿排土场边坡稳定性进行了研究和评价。在研究中，考虑了影响边坡稳定性的因素，如岩土性质和水文条件最后，将人工神经网络与基于安全系数值的数值模拟结果进行了比较，显示了人工神经网络的优越性[65]。人工神经网络包括广泛的神经计算技术。一类特殊的神经计算方法是Kohonen996A. Dormishi等人/工程科学与技术，国际期刊22（2019）9900秒ΣΣ根据大脑皮层中的规则地图[53，66]。该算法的数据分析原则之一在该算法中，基于通常以平坦拓扑放置在一起的一些神经细胞的相互行为，实现了自组织网络。Kohonen方法或Kohonen模型算法或自组织映射（SOM）是一种非监督算法，它被设计为三个阶段，分别包括竞争阶段，合作阶段和适应阶段，虽然与其他神经网络不同，SOM算法通常由两层组成，包括输入层和Kohonen层或竞争层[53，67]。该算法使用网络来预测输入空间的概率密度函数事实上，它保持了输入空间的拓扑结构[68]。图6示出了SOM算法的总体结构，基于该结构，Kohonen层或竞争层具有m个节点，其可以被组织在一维或二维层中。在算法优化过程中，根据相似性准则（通常为欧氏距离）选择获胜神经元，然后根据Kohonen规则调整获胜神经元的权值，即将输入层中每个节点的输入数据从每x i=（对于i = 1，2，3，.）. ，n），其中确定的权重等于wtj =(for j = 1，2，3，.. . ，n）。为此，定义学习率（g并且g的系数控制范围为在0和1之间，通过以下等式（六）：6. 基于物理力学特性的聚类建模6.1. 使用差分进化DE算法最有影响力的应用之一是在数据挖掘领域，用于优化目标函数实际上，我们的目标是创建一个强大的精确优化和分析系统的基础上DE算法。为此，本文以12块岩块为研究对象，采用Lloyd's算法（k-means）作为目标函数，DE元启发式算法作为系统优化算法，对岩块的UCS、YM和SF-a进行了拟合和分析此外，为了实现该优化系统，MATLAB软件的算法组合被用作人工智能等不同领域中最强大的优化软件之一Lloyd算法（k-means）是基于Eq. 其中mj是聚类的中心，k是聚类的数目。另外， xi是其中i的值为i =[1，2，3，. . ，n]。d表示聚类中心到每个成员中心的欧几里得距离[70]。这种聚类的目的是减少聚类成员之间的欧几里德距离（增加相似性），不同聚类成员之间的距离（减少相似性）。g=1.5g，ex p.-t6目标：功能¼X明湾xi;mjð8Þ其中s是指数衰减时间常数，g0是初始值。t是学习的次数重复这个过程，直到达到一个特殊的标准。例如，某些迭代次数可以是一次停止标准。被激励的神经元的权重向量被更新。算法的更新过程如等式所示（7）[67，68]。wijt1wijtgxi-wijt7如果作为学习次数的t等于学习次数T，则学习过程停止并完成独立调查，否则重复该循环并返回Eq.（7）。见图6。 自组织网络的典型结构。表5差分进化算法的控制参数。i/11≤j≤k如上所述，k-均值算法被认为是DE优化算法的目标函数事实上，虽然Lloyd算法在简单数据集上的应用非常广泛，但也存在一些缺点，包括在大型或复杂数据集上确定精确和准确的欧氏距离因此，DE算法作为一种元启发式算法，可以成为训练和优化k-means算法的可靠技术。因此，考虑到复杂问题和大数据集的性质，以及它完全符合DE算法的概念，经过分析，得到了精确和准确的聚类。算法控制参数的准确确定对因此，如表5所示，根据先前的研究，使用认证专家的意见调整和考虑DE算法的控制参数在调整控制参数后，对2、3、4、5级的数据进行评价分析，得到了最合适、最准确的每个标准与聚类中心的距离如表6所示。此外，研究中的每个数据与每个类别的距离以及每个数据的聚类如表7所示。根据从表6中的聚类中心的该分析中评价的每个标准的欧几里德距离获得的结果，确定SF-a具有最高表6聚类中心与具有3个聚类的标准的距离最大迭代次数人口规模交叉概率最小可接受误差500 75 0.2 0.00001n头等舱第二类第三类UCS10.840.89MH0.950.630.89YM0.970.630.74SF-α0.330.230.91A. Dormishi等人/工程科学与技术，国际期刊22（2019）990997表7利用差分进化算法对聚类结果进行优化号试样最优分区集群头等舱二等三等的10.4570.0550.7272一个20.410.2980.4562一个30.4230.0950.7042一个40.7210.2350.792一个50.3680.2350.7432一个60.5570.1110.8472一个70.6380.1940.7742A80.6590.1820.8162一个90.1710.4620.5711一个100.0320.5140.6431A110.710.8320.1033一个120.6040.7120.0423第一类和第二类的样本上的影响，并且UCS分别对第一类和第二类具有最小的影响。此外，YM和Mh分别对第一类和第二类待评价岩石样品具有相同的影响。与这些类别相比，在第三类中，SF-a具有最小的显著性和影响，而YM对该类样本的显著性和影响最高。此外，Mh和UCS对该组中研究样品的影响相同。表7示出了来自每个岩石样本的每个聚类的中心之间的优化的欧几里得距离，根据该距离，前8个研究案例是放在第二类，样品A和A以及一个这些参数的调整有一个实验过程，并取决于一些问题，即研究样本的数量，问题的复杂性和有经验的专家的建议，以及以前的研究。考虑到专家的意见和先前的研究[54，67]，为了使用自组织映射确定鲁棒和准确的智能建模系统，调整了一些网络在调整控制参数和插入待研究的数据后，在MATLAB软件中进行聚类，将数据分析为双峰、三重峰和四重峰类，在此优化过程中基于SOM算法的聚类，最合适的聚类属于三重峰类。 图8示出了神经元（类）的数量和样本的数量。例如，第一个神经元可以吸引2个样本，而第二个和第三个神经元分别吸引了6个和4个样本。为提高透明度，根据聚类结果，将样品A1、A3、A4、A6、A7和A8归为第二类，样品A9和A10归为第一类，样品A2、A5、A11和A12归为第三类。值得注意的是，x轴和y轴仅表示图1中的欧几里得距离。8.第八条。在图9中，示出了所研究的岩石的每种物理和机械性质对每类岩石的影响。根据图9中的颜色条，颜色的暗度示出了参数对该类别的高度影响，即，如果颜色条较暗，则聚类中心与准则之间的欧几里得距离较低。基于从数据分析获得的图像，很明显，和9 10结果表明，SF-α、YM、Mh和UCS四个指标的影响最小12人分别被安排在第一和第三类。图7中描绘了基于迭代的优化过程。根据图 7，从第360次迭代开始，该过程达到期望的精度水平，并且从第360次迭代到第500次迭代，该过程是固定的。值得一提的是，最佳代价是目标函数的适应度值图6显示了每次迭代中的这个值此外，两个相应的最佳成本之间的差异的绝对值被定义为在被第二个神经元（第二类）吸引的样本上，因为第二类的颜色显示为深色，这意味着这四个参数与第二类的中心具有最小的欧几里得距离。此外，YM、Mh和UCS三个参数对第一类样本的影响最小。而SF-a对第三表8SOM算法的控制参数。错误. 根据表5，算法关于最小可接受误差的收敛条件为0.00001，该条件从第360次迭代开始获得，并且直到最后一次迭代都是固定的最大时期（迭代）InitNeighbor（初始邻域大小）Cover Steps（初始覆盖的训练步骤数）输入空间）因此，可以得出结论，算法是收敛的，因为算法的收敛条件得到满足。6.2. 使用自组织映射（SOM）建模如前所述，控制参数在算法的收敛过程中具有关键作用，事实上，选择和见图7。DE算法的最佳迭代代价。100 3 30见图8。3类聚类。998A. Dormishi等人/工程科学与技术，国际期刊22（2019）990见图9。 每个创建的权重对3个类的影响课因此，有一个重要的观点表明，在该分析中，类（神经元）的颜色越深，该类（神经元）根据期望的标准的最不稳定性将是。7. 讨论采用DE和SOM两种软计算方法对排锯机的锯切性能和影响锯切的参数进行了此外，本文还对12种碳酸盐岩的四种物理力学性质通过使用两种聚类技术获得的结果如图所示。 10个。结果发现，最终的结果之间存在细微的差异。得到了两种算法的结果。虽然，DE算法的输出比SOM算法有更多的细节，这导致一个可靠的系统建模技术，更好地评估排锯。在这一部分中，为了验证建模结果，将DE聚类、SOM聚类和测量的排锯平均电流进行了比较比较结果如表9所示。事实上，DE聚类和SOM聚类的列显示每个样本类。此外，可以评价和总结以下意见：- 关于表9，所有样品通过两种聚类算法被分为三类，并且第一个聚类是A9和A10，作为大理石类型，其测量的电流大于93（A）。第二类为A1 ~A8型，为双极型，测得电流为78(A)第88（A）在最后一类中，晶体类型的样品测得的电流等于89和91。对比结果表明，DE算法成功地用于12种碳酸盐岩的分类。实际上，A1-A8的辉绿岩样品、而SOM算法存在两个错误。A1和A8为86（A）和88（A）的钙钛矿岩石样品，被归类为第三类晶体岩石样品，平均电流为90（A）。表9两种模拟结果与实测电流的比较。号样品DE聚类SOM聚类测量电流（A）测量的平均电流（A）的1228383.5一个22386一个32285一个42284一个52388一个62283一个72279A82278一个9119594一个101193A11338990一个123391图10个。结构聚类过程中采用DE和SOM算法.A. Dormishi等人/工程科学与技术，国际期刊22（2019）990999- 大理石和石灰华类的平均电流分别为94和83.25（A）SF-a是影响排锯电流值的最重要因素此外，YM在晶体类的电流值中起着关键作用。值得一提的是，通过DE算法在表6中展示了这些结果的确切数量，然而这些结果是从colorbar和Fig. 10使用SOM，其指示值的范围。例如，在第二类中，参数的影响之间没有显著差异，并且基于颜色条难以确定它们- DE算法是一种可靠的电流评估系统建模技术，而SOM算法在电流估计中的准确率较低（83.33%）。- 本文的研究结果可以为岩石行业的业主和设计人员提供一个非常有用和有效的规划和设计的基础上更可靠的电流。最后得出结论，由于影响排锯机锯切过程和性能的因素是多方面的，这两种软计算技术可以应用于排锯机性能的评价8. 结论排锯的电流是岩石切割行业中重要的成本因素之一。降低成本和增加销售收入的有效策略之一是提高效率并减少岩石切割机的电流量。在这个舞台上的第一步是确定影响切割机的电流量的因素，并在不同尺寸的石头的过程中测量这个量。在这项研究中进行的研究试图从消耗的电流量的角度来解决维度石的聚类问题，利用软计算，考虑了钢的物理力学性能，包括UCS、Mh、SF-a和YM。通过调整控制参数并在MATLAB软件中插入与12个碳酸盐岩样品相关的数据结果表明，由于碳酸盐岩样品具有物理力学性质，DE算法可以从电性角度对碳酸盐岩样品进行准确的评价和分类考虑到聚类结果与实测电流完全一致，本研究表明DE和SOM算法适用于电流评估，但DE算法基于更高的性能可以更好地应用未来的研究必须集中在比较DE和SOM聚类过程中的其他元启发式算法的框架内，本申请，包括遗传算法（GA），人工蜂群（ABC）算法和机器学习方法，如支持向量机（SVM）。致谢我们要对马赫迪·盖姆教授的出色建议表示最深切的感谢我们也感谢匿名审稿人对本文的建议和贡献。引用[1] R. Mikaeil，Y.厄兹切利克湾阿塔埃河杨文，岩石切削过程中比电流与岩石脆性指数的相关性，中国矿业科学出版社。56（4）（2011）777-788。[2] M.阿克希亚尼河Mikaeil，F. Sereshki，M.张文，张文，等.金刚石圆锯片切削过程中磨损性能的预测.北京：机械工业出版社，2000。（ 2017年）。[3] A.埃尔索伊 Atıc，性能特点的圆形金刚石锯切割不同类型的岩石，直径.相对Mater. 13（1）（2004）22-37。[4] A. Ersoy，S.比于克萨吉奇湖张文，金刚石圆锯片在不同硬磨料岩石切割中的磨损特性，磨损258（9）（2005）1422-1436。[5] Y.Özçelik，大理石行业金刚石线切割机工作条件的调查博士论文，Hacettepe大学，安卡拉，1999年，第100页。 242.[6] M. Agus，A.Bortolussi，N.卡雷杜河奇库湾格罗索湾马萨奇，《石头特性对金刚石线性能的影响》，载于：第四届计算机应用于矿物工业国际会议（CAMI2003年）。[7] D. Tumac，N.比尔金角Feridunoglu，H.张文龙，岩石硬度与抗压强度的关系，岩石力学与岩石工程，2007年第40卷第5期第477-490页。[8] R.Mikaeil ， S.S.Haghshenas ， Y. 厄 兹 切 利 克 湾 HossinzadehGhaogheshlagh.，自适应神经模糊推理系统的性能评估和数据处理型神经网络的分组方法用于估计金刚石绳锯的磨损率。Geol. Eng. 36（6）（2018）3779-3791，https：//doi. org/10.1007/s10706-018-0571-2。[9] Q. Sun，J. Zhang，Z. Wang，H.张俊芳，金刚石框架锯切割不同类型花岗岩时的节块磨损特性，直径。相对Mater.68（2016）143https://doi.org/10.1016/j.diamond.2016.06.018[10] H.H.金刚石锯片框锯的基础研究。Diss3.T.u. 1970年汉诺威[11] H.J. Wiemann，A. Büttner，W. Ertingshausen，W.许文忠，超硬材料应用技术进展2（1982）127.[12] R. 33.第33卷第1期（1977年）[13] D.Gerlach ，BeanspruchungdesDiamantwerkzeugesbeimSägenvonAgglomerat-MarmorDoktorDissertation，Anl，BergakademieFreiberg，1980.[14] C.Y.王河，巴西-地郭文贵，单刃切削工具与金刚石刀头的切割，国立台湾大学机械工程研究所硕士论文。工具制造42（9）（2002）1045-1054。[15] C.Y.王河，巴西-地张文，金刚石锯片锯切过程的计算机模拟，北京：机械工业出版社。 J. 马赫工具制造 43（6）（2003）559-572。[16] C.Y. Wang，C.罗夫，框架锯切石材-理论与技术，载：关键工程材料，科技出版社，2003年，页。 171-180。[17] Y.Özçelik，大理石纹理特征对金刚石分段框架锯切效率的影响，Ind. DiamondRev. 2（2007）65-70。[18] S.卡赫利亚湾Ulker，S.李文，建筑石材质量的纵波速度分类及其在排锯石材切割中的应用，J。 南非Inst. 矿业金属。 107（2007）427-430。[19] J.Alhaj，砌块切割机排锯厚度对废料百分比和生产率的影响，第三届可持续发展能源和环境保护国际会议（ICEEP III），2013年。[20] M. 埃尔索伊湖 叶思，李玉，用层次分析法选择大理石砌