توسعه مدل‌های پیش‌بینی انرژی ویژه حفاری: تحلیل هم‌افزای پارامترهای عملیاتی و سختی پوشش سرمته بر کارایی حفاری سنگ

نوع مقاله : مقاله پژوهشی

نویسندگان

1 عضو هیات علمی دانشگاه لرستان

2 مدیر کنترل کیفیت- شرکت آریاگچ پلدختر

10.22034/anm.2026.23317.1686

چکیده

انرژی ویژه حفاری (‏DSE‏) معیار کلیدی برای بهینه‌سازی کارایی حفاری سنگ است. این معیار در صنایع مختلف تحت ‏تأثیر پارامترهای عملیاتی و ویژگی‌های سرمته قرار دارد. این مطالعه تأثیر همزمان این عوامل را بررسی می‌کند. تأثیر همزمان ‏پارامترهای عملیاتی و سختی پوشش سرمته بر انرژی ویژه حفاری (‏DSE‏) بررسی شد. هدف آن پر کردن شکاف‌های ‏تحقیقاتی موجود است. تحلیل از طریق مدل‌های رگرسیون چندمتغیره انجام شد. تحلیل هم‌افزا به معنای بررسی تعاملات ‏همزمان پارامترها با استفاده از مدل‌های رگرسیون چندمتغیره است. آزمون‌های حفاری در مقیاس آزمایشگاهی بر روی 9 نوع ‏سنگ (گرانیت، تراورتن، مرمریت) با استفاده از سرمته‌های با سه نوع پوشش کاربید تنگستن (‏WC‏)، کربن شبه‌الماس ‏‏(‏DLC‏) و ‏کربونیترید تیتانیوم-سیلیسیوم (‏TiSiCN‏)‏ انجام شد. داده‌ها با مدل‌های رگرسیون خطی و غیرخطی (‏M1‎‏ تا ‏M6‎‏) ‏تحلیل شدند. نرخ نفوذ و گشتاور اعمالی قوی‌ترین تأثیر را بر ‏DSE‏ دارند. افزایش نرخ نفوذ از ۱۲ تا ۳۶ میلی‌متر بر دقیقه، ‏DSE‏ را تا ۷۰٪ کاهش می‌دهد. در مقابل، افزایش گشتاور باعث افزایش ‏DSE‏ می‌شود.. سرمته ‏TiSiCN‏ (با سختی ویکرز ‏‏3860) کارآمدترین عملکرد را با کمترین ‏DSE‏ نشان داد. مدل رگرسیون پلی‌نومیال درجه دوم ‏‎(M5)‎‏ بالاترین دقت ‏‎(R²=0.945)‎‏ را داشت، اما مدل خطی ساده‌تر ‏‎(M3)‎‏ با ‏R²=0.927‎‏ برای کاربردهای عملی توصیه می‌شود. این یافته‌ها ‏راهکارهایی برای بهینه‌سازی عملیات حفاری ارائه می‌دهند و بر ضرورت تنظیم دقیق نرخ نفوذ و استفاده از سرمته‌های ‏سخت‌تر برای کاهش هزینه‌ها و افزایش کارایی حفاری تأکید می‌کنند

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Development of Predictive Models for Specific Drilling Energy: Synergistic Analysis of Operational Parameters and Drill Bit Coating Hardness on Rock Drilling Efficiency

نویسندگان [English]

  • farshad kolivand 1
  • mostafa piri 2
1 Mining Engineering Department, Faculty of Engineering, Lorestan University, Khorramabad, Iran
2 Quality Control Manager, Aryagach Poldokhtar Company
چکیده [English]

Development of Predictive Models for Specific Drilling Energy: Synergistic Analysis of Operational Parameters and Drill Bit Coating Hardness on Rock Drilling Efficiency



abstract:

Specific Drilling Energy (DSE) serves as a critical criteria for optimizing rock drilling efficiency across various industries, influenced by operational parameters and drill bit characteristics. This study aims to address existing research gaps by investigating the combined effects of operational parameters—penetration rate (PR), speed of rotation (SR), weight on bit (WOB), applied torque (Torque), and drill bit coating hardness (H)—on DSE. Laboratory-scale drilling tests were conducted on nine rock types (granite, travertine, marble) using three drill bit coatings (Tungsten Carbide (WC), diamond-like-carbon (DLC), and Titanium Silicium CarboNitride (TiSiCN)). Data were analyzed using linear and nonlinear regression models (M1 to M6). Results revealed that penetration rate (PR) and applied torque (Torque) exert the most significant influence on DSE; an increase in PR (from 12 to 36 mm/min) reduced DSE by up to 70%, whereas increased torque led to higher DSE. The TiSiCN-coated drill bit (with a hardness of 3860 Vickers) exhibited the highest efficiency, yielding the lowest DSE. The second-order polynomial regression model (M5) achieved the highest accuracy (R² = 0.945), though the simpler linear model (M3) with R² = 0.927 is recommended for practical applications. These findings provide actionable insights for optimizing drilling operations, emphasizing the importance of precise PR adjustments and the use of harder drill bit coatings to reduce costs and enhance drilling efficiency.



Keywords

Specific Drilling Energy; Drilling Operational Parameters; Drill Bit Coating Hardness; Predictive Models; Multivariate Regression

کلیدواژه‌ها [English]

  • Specific Drilling Energy
  • Drilling Operational Parameters
  • Drill Bit Coating Hardness
  • Predictive Models
  • Multivariate Regression

مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از تاریخ 13 مهر 1405
  • تاریخ دریافت: 06 تیر 1404
  • تاریخ بازنگری: 14 تیر 1405
  • تاریخ پذیرش: 13 مهر 1405