Susmulkintas akmuo 40 70 programa. Frakcijos griuvėsiai

Šis optimizavimas atliekamas mažinant sumavimo funkciją, t.y. Matricos kreivių, neatitinkančių optimizavimo kriterijų eilutės, kiekiai. 11 paveiksle parodyta šis optimizavimas. Šio optimizavimo rezultatai pateikiami 9 lentelėje pagal vertybes. Maksimalus lygis, pasiektas pagal kreivių skaičių, atitinkančius du kriterijus kiekvienam lygiui ir išreikšta procentais, pateikiama lentelėje. Nustatyta, kad vidutiniškai mažesnis kaip 5% visos matricos kreivių gali atlikti du sumavimo funkcijai pasirinktus kriterijus.

Vidutiniškai jūs taip pat galite pamatyti, kad didžiausias procentas yra bazalto šaltinis, nė vienas iš jų yra 96, 7%. Priešingai, mažiausias procentas yra kalkių šaltinis, kurio kintamumas seklios frakcijos poringumas optimaliai labiau priklausomai nuo mažų dalelių procentinę dalį. Tikriausiai dėl to, kad? Šiuo atveju, labai arti vidutinė mažų dalelių procentinė dalis visos matricos, t.y. 5, 07%.

Kreivių skaičius, turintis mažų dalelių procentą šalia vidutinio, natūraliai didesnio procentinio dydžio, tampa sunkiau vienu metu patenkinti du kriterijus. Palyginti su šiais dviem būdais, atrodo, kad metodai suteikia gana glaudžius rezultatus, kaip galima matyti iš lentelės. Šioje lentelėje jie taip pat išreiškiami absoliučia verte.

Pažymėtina, kad apskritai skirtumas tarp šių dviejų metodų yra maždaug dešimtoji, kuri yra įdomaus parametro, kuris yra mažų dalelių, mažų procentinė dalis. 11 lentelė: skirtumas tarp? gaunamas iš suvestinės funkcijos ir? Gautos linijinės tiesios linijos.

Prasmė kursyvu: skirtumai, išreikšti absoliučiais vertėmis. Vertybės? Gautas apibendrinimas buvo pastatytas atsižvelgiant į vertybes? gaunamas iš regresijos lygčių. Dėl kurių abu metodai suteikia tą patį rezultatą, sudaro 3, 5%. Dėl prasmės? Nuo 2 iki 3, 5%, sumavimo funkcijos metodas suteikia didesnes vertes, o tai suteikia mažesnes vertes vertės? nuo 3 iki 7%.

Remiantis pateiktais rezultatais, galima daryti išvadą, kad regresijos linijų naudojimas daugeliu atvejų užtikrina pakankamą tikslumą, nepaisant minėtų santykių ypatybių. Vertybės, kurios gali būti apskaičiuotos naudojant regresijos linijas yra palyginti atitinka vertes, gautas iš sumavimo funkcijos, siekiant užtikrinti, kad minimali kreivė neatitinka dviejų optimizavimo kriterijų, susijusių su frakcijos poringumu. Plonas iki optimalios ir mažų dalelių.

Tačiau abu metodai gali būti patobulinta, be to, siekiant daugiau lygių rezultatų, jei matrica buvo pagerinta pridedant daug kitų kreivių tikrosios formos. Tai dar labiau būtų geriau atsižvelgti į visų grūdų dydžio vaidmenį, be mažų dalelių procentinę dalį dėl poringumo kūrimo smulkioje medžiagų frakcijoje. Vertybės? galima matyti paveikslėlyje? Šiuo atveju atsižvelgiama į funkciją gautą sumą.

Pateiktas metodas skiriasi nuo įprasto požiūrio, nes paprastai mažų dalelių poveikis yra ypač vertinamas masinėse sąlygose. Šiame tyrimo projekte buvo pasiūlytas sudėtingas β-kintamasis, apibūdinantis atsparumą erozijai. Jį sudaro vienodumo koeficientas, seklios frakcijos poringumas ir mėlynos medžiagos vertė. Sekliosios frakcijos poringumas yra kintamasis, susijęs su medžiagų būklę, kuri geriausiai apibūdina šį erozijos reiškinį.

Rezultatai, atitinkantys atsparumo erozijos optimizavimą, priklausomai nuo homogeniškumo koeficiento pateikiamos lentelėje. Tai natūraliai susijęs su tendencija lygčių, turinčių galios tipą pobūdžio. Tai išplaukia iš išvadų apie subtilių kritikų procentinius dydžius, kai didesnis našumo lygis yra susijęs su didesne procentais nuo pokyčių spektro. Kaip aptarta anksčiau, mechaninis elgesys analizuojamas dviem aspektais, būtent grįžtamu moduliu ir jautrumu pastoviam deformacijai.

Dėl labiau standartizuoto pobūdžio bandymų su grįžtamuoju moduliu, šie bandymai turėtų būti susiję su didesne santykine svarba. Tačiau patenkinami rezultatai buvo gauti iš bandymų jautrumui pastoviam deformacijai, todėl galima užbaigti mechaninę charakteristiką ir optimizuoti ją nuo pasaulinio požiūrio.

Priešingai nei smulkios frakcijos poringumo optimizavimas, kurio atspindys šioje temoje buvo apibrėžiamas mažų kritinių verčių procentų apibrėžimo, mechaninio elgesio optimizavimas lemia granulometrijos kreivių plotus, kurie riboja su sritimis, susijusias su sritimis tam tikrus rezultatus. Iš tiesų, nors tik vienas paaiškina kintamąjį į šaltinį, gali būti naudojamas nustatyti ribas tarp veiklos lygių, geras lygis koreliacijos kelių efektyvumo rodiklių konkrečiam aiškinamųjų kintamųjų gali būti atsižvelgiama į dalies nustatymą. Granulometrinės kreivės, ribojančios našumo lygį.

Tai dar labiau sąžininga susmulkintoms medžiagoms, kurioms buvo nustatyti keli paaiškinantys kintamieji, rodantys aukštą koreliacijos lygį. Kaip minėta, jis yra mažiau teisingas iš dalies susmulkinto šaltinio atveju. Be to, apsvarstyti mechanines charakteristikas dviem frontams, grįžtamuoju moduliu ir jautrumu pastoviam deformacijai leidžia apsvarstyti bent du optimizavimo taškus velene ir, tokiu būdu, atskirti dalis grūdų dydžio kreivių optimizuotas kiekvienam našumo lygiams .

Šiuo atžvilgiu, dėl didesnio eksperimentinio pobūdžio jautrumo nuolatinei deformacijai testai, tik vienas paaiškinantis kintamasis į šaltinį bus išsaugotas siekiant optimizuoti tikslus. Be to, apskritai santykiai, susiję su šiais tyrimais, atrodo šiek tiek mažiau tikslūs.

Kaip parodyta sekcijoje apie seklios frakcijos poringumą, pirmasis mechaninio elgesio optimizavimo žingsnis yra nustatyti maksimalų mechaninių charakteristikų parametrų pokytį laiko viduje. Skirtingai nuo seklios frakcijos poringumo, paprastai nėra pripažinto našumo rodiklio vertinant mechaninį elgesį. Be to, rezultatai rodo, kad šie rodikliai skiriasi nuo vieno šaltinio į kitą ir nebūtinai apima to paties dydžio frakcijas. Todėl kiekvienas iš bandymų šaltinių siūloma užpildyti tris santykius su aukščiausio reitingo lygiu grįžtamo modulio nustatyti minimalias ir didžiausias vidutines vertes.

Tačiau reikėtų pažymėti, kad ši veikla neapima aiškinamų kintamųjų, kurių "realistiški" sienos yra sunku nustatyti laiko juostoje. Todėl šis kintamojo tipas apima du taškus ant grūdų dydžio kreivės. Todėl šiuo atveju naudojami tik kintamieji, kurių ribos yra lengvai identifikuojamos. Tačiau, atsižvelgiant į pirmiau minėtus rezultatus, žinoma, kad šie trys reikšmės yra tarpusavyje sujungtos. Jie formuoja. Kaip minėta, granito gneissės šaltinio atveju galite naudoti keletą aiškinamųjų kintamųjų.

Tačiau dviejų susmulkintų šaltinių atveju buvo nustatyti keli paaiškinantys kintamieji. Bazalto šaltiniui buvo nustatyti keli kintamieji, tačiau reikėtų pažymėti, kad šiuose kintamuose yra atleidimas. Tačiau norėdami naudoti pirmąjį, būtina nustatyti žvyro procentą nustatyti jų vertę. Šie duomenys pateikiami 14 lentelėje. Tačiau galima išsamiau išnagrinėti šio šaltinio produktyvumo zonų apibrėžimą, atsižvelgiant į jautrumo poveikį pastoviam deformacijai.

Išsamesnė informacija apie šią problemą. Galiausiai taip pat galima pažymėti, kad kai kuriais atvejais gautos iš dviejų skirtingų lygčių vertės suteikia labai glaudžius rezultatus, dėl kurių atsiranda tam tikrų netikslumų, įskaitant laukų sukurtų vertinimo lygčių klaidą. Taip pat reikėtų pažymėti, kad kalkakmenio šaltinio analizė leidžia ekstrapoliuoti mažų dalelių procentą, nes žinoma žvyro ir smėlio procentinė dalis. Tačiau šios vertybės pateikiamos informaciniais tikslais.

Svarbu suprasti, kad, matyt, nėra didelės tendencijos tarp grįžtamo mechaninio elgesio ir smulkaus šio šaltinio medžiagų dalies. Kaip jautrumas pastoviam deformacijai, naudojamas tik vienas rodiklis, nes mažai parodė aukšto lygio koreliaciją su pastoviu deformacijos greičiu, ir nuo šios vertės gavimo nėra standartizuotų bandymų rezultatas šio tyrimo atveju. Šių santykių apibūdinimas apibūdina lygtis.

Šios vertės pateikiamos lentelėje. Šios vertės taip pat yra įtrauktos į lentelę. Derinant atliktus analizę siekiant optimizuoti granulių medžiagų mechaninį elgesį kelių kailis, tai yra, vertės, gautos iš optimizavimo proceso bandymo grįžtamąjį modulį ir jautrumą pastoviam deformacijai. Galite rodyti vietas, atitinkančias kiekvieną veikimo lygį. Fig. 14, Fig. 15 ir ryžiai. 16 rodo grafinį šio skirsnio pasiekiamo mechaninio elgesio optimizavimo iliustraciją.

Tačiau reikėtų nepamiršti, kad ši diagrama yra įtraukta atsižvelgiant į mechanines charakteristikas dviem frontais. Tačiau, atsižvelgiant į grįžtamųjų modulių analizę, siūlomi homogeniškumo koeficientų vertės. Taip pat reikėtų priminti, kad, kaip parodyta Fig. 35 Atrodo, geriau, kad didelis vienetas nepadarytų matricos šio šaltinio, bet buvo pagamintas iš mažų suvestinių. Kitas skyrius bus skirta šiuo aspektu. Kaip ir kalkakmeniu, 15 paveiksle galima matyti, kad mechaninis veikimas gana gerai atitinka veleno formos žvyro dalyje.

Šis piešinys iliustruoja didelio vieneto svarbą šio šaltinio veikimui. Todėl jis palieka vietą medžiagoms su tam tikru plitimu. Tačiau nuo požiūriu jautrumas pastoviam deformacijai, buvo įrodyta, kad ši charakteristika yra nepageidaujama, kuri yra potencialiai siejama su dideliu procentiniu mažų dalelių. Galiausiai, bazalto atveju, našumas gana gerai atitinka veleno formą žvyro frakcijai, taip pat kalkakmenio šaltiniu.

Tačiau, esant bazalto šaltinio atveju, jei mechaninės charakteristikos požiūris į dvi fasadas, nustatyta, kad pageidautina, kad smėlio frakcija būtų plona. Mechaninis optimizavimo procesas palieka vietą, kur galima pasirinkti, ar yra grūdų dydžio įvertinimui ar optimizavimui. Iš tiesų, priklausomai nuo kriterijų, kuri yra pageidautina apsvarstyti optimizavimą tik su grįžtamojo modulio dalimi, tik pastovios deformacijos ar dviejų derinio dalis, kaip ji buvo pristatyta.