مهندسی و مدیریت کیفیت

طراحی یک مدل پیش‌بینی برای ارزیابی ماسه‌های سیلیسی ریخته گری با استفاده از داده‌کاوی و طراحی آزمایش‌ها(مطالعه ماسه های گروه 50)

نوع مقاله : مقاله پژوهشی

نویسندگان

غلامحسین باغبان 1
عباس راد 2
داود طالبی 3
حسن فارسیجانی 4

1 دانشجوی دکتری مدیریت صنعتی ،گروه مدیریت صنعتی ،دانشکده مدیریت ،دانشگاه آزاد اسلامی واحد تهران شمال ،تهران ، ایران

2 استادیار گروه مدیریت صنعتی و فناوری اطلاعات دانشکده مدیریت و حسابداری دانشگاه شهید بهشتی تهران ایران

3 استادیار دانشکده مدیریت و حسابداری دانشگاه شهید بهشتی

4 دانشیار گروه مدیریت صنعتی، دانشکده مدیریت، دانشگاه شهید بهشتی، تهران، ایران

https://doi.org/10.48313/jqem.2023.199699
چکیده
صنایع معدنی از جمله بخش‌های مهم صنعت در ایران می‌باشند، به همین جهت ارتقای کیفیت در فرآورده‌های محصولات معدنی ضروری است. یکی از این فرآورده‌ها، ماسه‌های سیلیسی ریخته‌گری هستند. هدف از این مطالعه ایجاد یک مدل کامل با استفاده از این گونه از ماسه‌های سیلیسی بود. یک تحلیل جامع بر‌ روی ده معدن انجام شد و هفت معدن برای انجام مرحله ارتقاء کیفیت انتخاب شدند. در مجموع 1400 آزمایش برای دستیابی به هدف اصلی تحقیق که همانا  افزایش کیفیت پارامترهای ماسه‌های سیلیسی بود، انجام شد. همچنین مشخص شد که هفت ویژگی اساسی ماسه‌های سیلیسی، تأثیر قابل توجهی بر کیفیت محصولات نهایی دارد. کیفیت ماسه‌های سیلیسی تحت تأثیر عناصری مانند کلسیم، سدیم، پتاسیم و منیزیم قرار دارند که عناصر قلیایی خاک هستند. درصد بالاتر سیلیس در یک ماده معدنی معمولاً با کیفیت افزایش یافته مرتبط است، زیرا دستیابی به ویژگی‌ها و عملکرد ایده‌آل در ماسه‌های سیلیسی را تضمین می‌کند. عوامل مؤثر  بر کیفیت ماسه‌های سیلیسی توسط کارشناسان با استفاده از تکنیک دلفی فازی و تحلیل سلسله مراتبی اولویت‌بندی شدند. این عوامل بر ترکیب شیمیایی، خلوص، واکنش‌پذیری و عملکرد ماسه‌های سیلیسی تأثیر دارند.همچنین یک مدل داده‌کاوی جهت پیش‌بینی کیفیت این ماسه‌ها طراحی شد. یافته‌های این مطالعه نشان می‌دهد که وجود کلسیم، سدیم، پتاسیم، منیزیم، محتوای سیلیس، ADV (مقدار قلیایی یا اسیدی بودن ماسه ) و pH بر کیفیت ماسه‌های سیلیسی تأثیر می‌گذارد. نتیجه‌گیری می‌شود که این مدل، نگرش و پیش‌بینی کارآمدی را برای افزایش کیفیت محصول ارائه می‌دهد.

کلیدواژه‌ها

سیلیس
کنترل کیفیت
روش دلفی فازی
داده‌کاوی

عنوان مقاله English

Designing a predictive model for evaluating foundry silica sands using data mining and designing experiments (Study of group 50 sands)

نویسندگان English

gholamhossein baghban 1
abbas rad 2
Davood Talebi 3
Hasan Farsijani 4
1 phd student of Industrial Management , Department of Industrial Management,Faculty of Management ,Tehran North Branch, Islamic Azad University ,Tehran Iran
2 Department of Industrial Management and Information Technology, Management and Accounting Faculty, Shahid Beheshti University, G.C., Tehran, Iran
3 a
4 aa
چکیده English

: Mineral industries are one of the important sectors of industry in Iran, therefore, it is necessary to improve the quality of mineral products. One of these products is foundry silica sand. The aim of this study was to create a complete model using this type of silica sand. A comprehensive analysis was done on ten mines and seven mines were selected to perform the quality improvement stage. A total of 1400 tests were conducted to achieve the main goal of the research, which was to increase the quality of silica sand parameters. It was also found that the seven basic characteristics of silica sand have a significant effect on the quality of the final products. The quality of silica sands is influenced by elements such as calcium, sodium, potassium and magnesium, which are alkaline elements of the soil. A higher percentage of silica in a mineral is usually associated with increased quality, as it ensures the achievement of ideal properties and performance in silica sands. Factors affecting the quality of silica sand were prioritized by experts using the fuzzy Delphi technique and hierarchical analysis. These factors have an effect on the chemical composition, purity, reactivity and performance of silica sands. Also, a data mining model was designed to predict the quality of these sands. The findings of this study show that the presence of calcium, sodium, potassium, magnesium, silica content, ADV (sand alkalinity or acidity) and pH affect the quality of silica sands. It is concluded that this model provides an efficient attitude and prediction to increase product quality.

کلیدواژه‌ها English

Silica
quality control
Delphi method
data mining
  1. Darvishdoost, T., Souri, M. & Rezaeinejad, I. (2022). Sustainable Development in the Mining Industry: Opportunities and Challenges in Iran's Mining Sector. Asian Journal of Economics, Finance and Management, 587-596.(in Persian)

 

  1. . Larch, M., Shikher, S., Syropoulos, C. & Yotov, Y. V. (2022). Quantifying the impact of economic sanctions on international trade in the energy and mining sectors. Economic Inquiry, 60, 1038-1063.

 

  1. Mohammad Shafiee, M. & Pourghanbary Zadeh, F. (2023). Developing a scale for export competitiveness: a mixed method approach in the minerals industry in Iran. Competitiveness Review: An International Business Journal. (in Persian)

 

  1. Canbay, K. & Akman, G. (2023). Investigating changes of total quality management principles in the context of Industry 4.0: Viewpoint from an emerging economy. Technological Forecasting and Social Change, 189, 122358.

 

  1. Freiesleben, J., Keim, J. & Grutsch, M. (2020). Machine learning and Design of Experiments: Alternative approaches or complementary methodologies for quality improvement? Quality and Reliability Engineering International, 36, 1837-1848.

 

  1. Jankovic, A., Chaudhary, G. & Goia, F. (2021). Designing the design of experiments (DOE)–An investigation on the influence of different factorial designs on the characterization of complex systems. Energy and Buildings, 250, 111298.

Qi, C.-c. (2020). Big data management

  1. in the mining industry. International Journal of Minerals, Metallurgy and Materials, 27, 131-139.

 

  1. Hoyos-López, R., Bolaños, R., Contreras-Gutierrez, M. & Carrero-Sarmiento, D. (2016). Phlebotomine sandflies (Diptera: Psychodidae) in a sub-Andean forest from the Norte de Santander, Colombia. Journal of vector borne diseases,.70 ,53

 

  1. Chate, G. R., Patel, G. M., Kulkarni, R. M., Vernekar, P., Deshpande, A. S. & Parappagoudar, M. B. (2018). Study of the effect of nano-silica particles on resinbonded moulding sand properties and quality of casting. Silicon, 10, 1921-1936.

 

  1. Chang, D.-Y. (1996). Applications of the extent analysis method on fuzzy AHP. European journal of operational research, 95, 649-655.

 

  1. Chang, D.-Y. (1996). Applications of the extent analysis method on fuzzy AHP. European journal of operational research, 95, 649-655.

 

  1. Saaty, T. (2004). Decision making—the analytic hierarchy and network processes (AHP/ANP). Journal of systems science and systems engineering, 13, 1-35.
مهندسی و مدیریت کیفیت
دوره 13، شماره 3
پاییز 1402
صفحه 281-299

صفحه اصلی

اعضای هیات تحریریه

بانک ها و نمایه نامه ها

راهنمای نویسندگان

ارسال مقاله

داوران

تماس با ما