Development of a Fuzzy Classification System to Evaluate the Quality of Coal Mines Roof (Case Study: Eastern Alborz Coal Mines)

Document Type : Research Article

Authors

1 Dept. of Mining and Metallurgy, Urmia University of Technology, Iran

2 Dept. of Mining, Petroleum & Geophysics, Shahrood University of Technology, Shahrood, Iran

3 Dept. of Mining, Birjand University, Iran

4 Dept. of Mining, University of Tehran, Iran

5 Dept. of Mining and Metallurgy, Yazd University, Iran

10.29252/anm.2019.1240

Abstract

Summary
The longwall method is the most commonly method used in extraction of coal layers. The mining review records shows that the majority of the dangers of coal underground mines related to the sudden and uncontrolled roof fall-out of the stopes. Predicting the behavior and the ability to destroy the roof rock is very important for the successful execution of longwall method and reducing its risks. In this study, we will present a new fuzzy classification system by using the theory of fuzzy sets and fuzzy multi-criteria approach to evaluate the roof quality of the coal mines.
 
Introduction
In the first step, 8 parameters were selected as effective factors in the classification system. This selection was performed after reviewing the parameters affecting the roof quality of coal mines. The parameters include: Uniaxial Compressive Strength (UCS), Brazilian Tensile Strength (BTS), moisture sensitivity, spacing and continuity of discontinuities, thickness of layers, joints slope and difference of stopes’ and critical joints’ orientation.
 
Methodology and Approaches
Fuzzy classification system was presented after determining the parameters weight. The fuzzy classification system can evaluate and categorize the roof quality of coal mines. The classification qualitatively classified the quality of roofs in 3 classes (good, fair and poor).
 
Results and Conclusions
In order to evaluate the performance of the fuzzy classification system data of to 15 stopes in Eastern Alborz coal mines were evaluated. The results of this study showed that we can evaluate the quality of the roof rock with fuzzy classification system with high reliability in for coal mines roofs.

Keywords

Main Subjects


در رابطه با ارزیابی کیفیت سقف در معادن زغالی که به روش جبهه­کار طولانی استخراج می­شوند، تحقیقات ارزنده‌ای صورت گرفته است. دب، در قالب یک گزارش فنی به بررسی نرخ ریزش سقف در معادن زغالسنگ با استفاده از روش­های استدلال فازی پرداخت. وی با استفاده از روابط فازی ارائه شده، نرخ ریزش سقف معادن زغالسنگ را در پنج رده خیلی بالا، بالا، متوسط و پایین و خیلی پایین طبقه­بندی کرده است[1]. دوزگون و اینستین، به ارزیابی و مدیریت ریسک­های ناشی از ریزش سقف معادن زغالسنگ زیرزمینی پرداخته و با ارائه مدلی نشان داده‌اند که برای هر معدن زیرزمینی با توجه به شرایط زمین‌شناسی و عملیاتی، لازم است که مدل محلی ارائه شود[2]. در پژوهشی دیگر، دوزگون، به تجزیه و تحلیل خطرات سقوط سقف پرداخته و برای معادن زیرزمینی حوضه زغالسنگ زنگولدک ارزیابی ریسک را انجام داده است. در این پژوهش، از روش­های غیرفازی استفاده شده است[3]. مارک و مولیندا، در تحقیق دیگری به طبقه­بندی سقف معادن زغالسنگ با استفاده از داده­های تجربی پرداختند[4]. پالئی و داس، با تحلیل حساسیت ضریب ایمنی سیستم نگهداری به پیش­بینی اثرات پارامترهای مؤثر بر ریزش سقف در معادن زغالسنگ زیرزمینی پرداختند و مشخص شد که عرض کارگاه، نخستین پارامتر مهم در کنترل ضریب ایمنی نگهداری­ها محسوب می­شود[5]. فیلیپسن، به ارزیابی پارامترهایی نظیر بافت، کانی­شناسی و مقاومت تک­محوری سنگ و اثرات آنها در ریزش سقف معدن زغالسنگ ناشی از تنش­های افقی پرداختند. تأثیر این عوامل در ریسک­های مرتبط با ریزش سقف معادن زغالی قابل توجه بوده و نیاز به محاسبات و تحلیل­های دقیق­تری دارد[6]. مائیتی و خانزوده، به توسعه مدلی برای تحلیل ریسک نسبی ناشی از ریزش سقف و دیواره و سوانح معدنی که منجر به مرگ شده­اند، پرداخته و به­عنوان مطالعه موردی، معدن‌های زغالسنگ زیرزمینی هند را بررسی کردند[7]. پالئی و داس در تحقیق دیگر خود، رهیافتی مبنی بر یک مدل رگرسیون برای پیش­بینی ریسک­های ریزش سقف برای روش استخراج برد و پایه در معادن زغالسنگ ارائه کردند و بر اساس مطالعه این پژوهشگران مشخص شد که سقف­های بدون نگهداری، توأم با ریسک­های فراوانی هستند و با افزایش عمق کارگاه­ها، حوادث بزرگی رخ خواهد داد[8]. قاسمی و همکاران نیز ریسک ناشی از ریزش سقف در معادن زغالسنگ را مورد ارزیابی قرار داده­اند که به روش اتاق و پایه استخراج می‌شوند. آنها با استفاده از پارامترهای مختلف اثرگذار، به بررسی معادن زغالسنگ پهنه طبس، با استفاده از روش‌های نیمه­کمّی پرداخته­اند[9]. در مطالعه­ای دیگر، وبنی و همکاران، با شناسایی کمّی پارامترهای مختلف و تحلیل منابع خطر با به کارگیری تئوری فازی، ریزش سقف در معدن زغالسنگ را مورد ارزیابی قرار دادند. بر اساس پژوهش آنها، مشخص شد که فضای بزرگ بدون نگهداری در معادن زیرزمینی ریسک بیش­تری به همراه دارند[10]. رزنی و همکاران، یک سیستم استنتاج فازی (FIS) برای پیش­بینی نرخ تخریب سقف در معادن زغالسنگ زیرزمینی ارائه کردند. مدلی که این پژوهشگران ارائه کرده‌اند، با بهره‌گیری از روش خوشه­بندی کاهشی برای تولید قوانین فازی بر اساس داده­های 109 معدن زغال‌سنگ در ایالات متحده آمریکا، عملکرد سقف را مورد بررسی قرار دادند. نتایج آنها نشان دهنده شباهت بسیار مدل ارائه شده با شرایط واقعی است[11]. قاسمی و عطایی در پژوهشی دیگر، کاربرد منطق فازی را در پیش­بینی نرخ ریزش سقف معادن زغالسنگ ارائه کرده­اند. آنها در مطالعه خود نشان داده­اند که مدل فازی ارائه شده، قابلیت پیش‌بینی نرخ ریزش سقف را دارد و با شرایط واقعی بسیار سازگار است[12]. همچنین اصولی و شفیعی، به بررسی خواص توده­سنگ سقف­های معادن زغالسنگ ایلینویز پرداختند و پارامترهای مهم مهندسی سنگ و اثرگذاری آنها بر ریزش سقف را مورد بررسی قرار دادند[13].

[1]           Deb, D. (2003). Analysis of coal mine roof fall rate using fuzzy reasoning techniques. International Journal of Rock Mechanics and Mining Sciences,40(2), 251-257.
[2]           Duzgun, H. S. B., & Einstein, H. H. (2004). Assessment and management of roof fall risks in underground coal mines. Safety Science, 42(1), 23-41.
[3]           Düzgün, H. S. B. (2005). Analysis of roof fall hazards and risk assessment for Zonguldak coal basin underground mines. International Journal of Coal Geology, 64(1), 104-115.
[4]           Mark, C., & Molinda, G. M. (2005). The coal mine roof rating (CMRR)—a decade of experience. International Journal of Coal Geology, 64(1), 85-103.
[5]           Palei, S. K., & Das, S. K. (2008). Sensitivity analysis of support safety factor for predicting the effects of contributing parameters on roof falls in underground coal mines. International Journal of Coal Geology, 75(4), 241-247.
[6]           Phillipson, S. E. (2008). Texture, mineralogy, and rock strength in horizontal stress-related coal mine roof falls. International Journal of Coal Geology,75(3), 175-184.
[7]           Maiti, J., & Khanzode, V. V. (2009). Development of a relative risk model for roof and side fall fatal accidents in underground coal mines in India. Safety science, 47(8), 1068-1076.
[8]           Palei, S. K., & Das, S. K. (2009). Logistic regression model for prediction of roof fall risks in bord and pillar workings in coal mines: an approach. Safety science, 47(1), 88-96.
[9]           Ghasemi, E., Ataei, M., Shahriar, K., Sereshki, F., Jalali, S. E., & Ramazanzadeh, A. (2012). Assessment of roof fall risk during retreat mining in room and pillar coal mines. International Journal of Rock Mechanics and Mining Sciences, 54, 80-89.
[10]         Wenbi, J., Qu, E., &  Zhang, L. (2012). Quantitative identification and analysis on hazard sources of roof fall accident in coal mine. Procedia Engineering 45 (2012): 83-88.
[11]         Razani, M., Yazdani-Chamzini, A., & Yakhchali, S. H. (2013). A novel fuzzy inference system for predicting roof fall rate in underground coal mines.Safety science, 55, 26-33.
[12]         Ghasemi, E., & Ataei, M. (2013). Application of fuzzy logic for predicting roof fall rate in coal mines. Neural Computing and Applications, 22(1), 311-321.
[13]         Osouli, A., & Shafii, I. (2016). Roof Rockmass Characterization in an Illinois Underground Coal Mine. Rock Mechanics and Rock Engineering, 1-21.
[14]         Zadeh, L. A. (1965). Fuzzy sets. Information and control, 8(3), 338-353.
[15]         Bellman, R. E., & Zadeh, L. A. (1970). Decision-making in a fuzzy environment. Management science, 17(4), B-141.
[16]         Zadeh, L. A. (1978). Fuzzy sets as a basis for a theory of possibility. Fuzzy sets and systems, 1(1), 3-28.
[17]         Dubois, D., & Prade, H. (1980). New results about properties and semantics of fuzzy set-theoretic operators. In Fuzzy Sets (pp. 59-75). Springer US.
[18]         Baglio, S., Fortuna, L., Graziani, S., & Muscato, G. (1994). Membership function shape and the dynamic behaviour of fuzzy systems. International journal of adaptive control and signal processing, 8(4), 369-377.
[19]         Piegat, A. (2001). Fuzzy Modeling and Control (Studies in Fuzziness and Soft Computing). Physica, 742.
[20]         Bárdossy, G., & Fodor, J. (2005). Assessment of the completeness of mineral exploration by the application of fuzzy arithmetic and prior information. Acta Polytechnica Hungarica, 2(1), 15-31.
[21]         Tutmez, B., Kahraman, S., & Gunaydin, O. (2007). Multifactorial fuzzy approach to the sawability classification of building stones. Construction and Building Materials, 21(8), 1672-1679.
[22]         Li, H., & Yen, V. C. (1995). Fuzzy sets and fuzzy decision-making. CRC press.
[23]         Sousa, J. M., & Kaymak, U. (2002). Fuzzy decision making in modeling and control (Vol. 27). Singapore: World Scientific.
[24]         Mikaeil, R., Naghadehi, M. Z., & Sereshki, F. (2009). Multifactorial fuzzy approach to the penetrability classification of TBM in hard rock conditions.Tunnelling and Underground Space Technology, 24(5), 500-505.
[25]         Yager, R. R. (1978). Fuzzy decision making including unequal objectives.Fuzzy sets and systems, 1(2), 87-95.
[26]         Dubois, D., & Prade, H. (1994). Possibility theory and data fusion in poorly informed environments. Control Engineering Practice, 2(5), 811-823.
[27]         Javanshir, G. M. (2008). Develop a New Classification System for Evaluating the Behavior of Roof in Coal Mine (Eastern Alborz Coal Mines). PhD Thesis, Shahrood University of Technology (In Persian).
[28]         Liu Y.C. & Chen C.S. (2007). A new approach for application of rock mass classification on rock slope stability assessment, Engineering Geology 89, 129-143.
[29]         Molinda, G. & Mark, C. (1994). Coal mine roof rating (CMRR): a practical rock mass classification for coal mines. Pittsburgh, PA: U.S. Department of the Interior, Bureau of Mines, IC 9387.