30953

ارائه مدل ‌آمارسنجي شناسايي حوادث ترافيكي در معادن روباز و راهكار‌هاي كاهش حوادث در راستاي نيل به چشم‌انداز صفر حادثه در معادن (مطالعه موردي: معادن روباز ايران)

كارشناسي ارشد

مهندسي صنايع- بهينه‌سازي سيستم‌ها

1400

1403/2/22

محمدسعيد جبل عاملي

احسان دهقاني برسياني

مهندسي صنايع

حوادث ترافيكي در معادن روباز نه‌تنها عوارض جاني و جسمي را به همراه دارند بلكه به‌عنوان عاملي مهم در كاهش بهره‌وري و افزايش هزينه‌هاي عمليات معدني نيز شناخته مي‌شوند. اين پژوهش با موضوع ارائه مدل ‌آمارسنجي شناسايي حوادث ترافيكي در معادن روباز و راهكار‌هاي كاهش حوادث در راستاي نيل به چشم‌انداز صفر حادثه در معادن انتخاب شد. در اين پژوهش به‌منظور شناسايي عوامل مهم حوادث ترافيكي در معادن روباز كشور، ابتدا پرسشنامه‌اي برحسب سه عامل اصلي دخيل در حوادث ترافيكي معادن يعني عوامل انساني، جاده و ماشين‌آلات، براساس نظرات كارشناسان حوزه ايمني معدن و مطالعات پيشين، طراحي و در اختيار خبرگان قرار گرفت؛ سپس به‌منظور تحليل داده‌هاي حاصل از پاسخ خبرگان از سه روش كه شامل تحليل آماري داده‌ها با نرم‌افزار Spss، روش پروجكشن و شبكه عصبي خود رمزگذار مي‌باشند، استفاده شد. نتايج حاصل از تحليل آماري داده‌هاي پژوهش با استفاده از نرم‌افزار Spss نشان داد كه هر سه عامل انساني، جاده و ماشين‌آلات تأثير معناداري بر حوادث ترافيكي معادن روباز دارند و با استفاده از روش پروجكشن تمامي عوامل مؤثر بر حوادث ترافيكي معادن روباز اولويت‌بندي شدند كه در بين آن‌ها خواب‌آلودگي اپراتورها مهم‌ترين عامل بود و درنهايت با توجه به اينكه برخي از خبرگان تعدادي از سؤالات را پاسخ نداده بودند و امكان استناد به نتايج دو روش قبلي وجود نداشت از شبكه عصبي خود رمزگذار استفاده شد و عوامل مهم براساس اين روش نيز مشخص شد كه مهم‌ترين عامل ساعات كاري طولاني بود. درنهايت با توجه به نتايج حاصل از اين سه روش راهكارهاي كاهش حوادث ترافيكي در معادن روباز ارائه شد. واژه‌هاي كليدي: حوادث ترافيكي- معادن روباز- چشم‌انداز صفر- روش پروجكشن- شبكه عصبي خود رمزگذار

1403/03/27

Presenting a statistical model for identifying traffic accidents in open pit mines and ways to reduce accidents in order to achieve a vision of zero accidents in mines (Case study: Iran's open pit mines)

5/11/2025 12:00:00 AM

Traffic accidents in open-pit mines not only cause physical and life-threatening consequences, but are also known as an important factor in reducing productivity and increasing the costs of mining operations. This research was chosen with the topic of presenting a statistical model for identifying traffic accidents in open pit mines and ways to reduce accidents in order to achieve a vision of zero accidents in mines. In this research, in order to identify the important factors of traffic accidents in the open pit mines of the country, first a questionnaire was designed and provided to the experts according to the three main factors involved in the traffic accidents of mines, i.e. human factors, road and machinery, based on the opinions of experts in the field of mine safety and previous studies; Then, in order to analyze the data obtained from the answers of experts, three methods were used, which include statistical analysis of data with Spss software, projection method and Autoencodedr neural network. The results of the statistical analysis of research data using Spss software showed that all three factors, human, road and machinery have a significant impact on traffic accidents in open pit mines. And by using the projection method, all the factors affecting the traffic accidents of open pit mines were prioritized, among which the drowsiness of the operators was the most important factor. And finally, due to the fact that some experts had not answered a number of questions and it was not possible to refer to the results of the previous two methods, the Autoencoder neural network was used and the important factors were determined based on this method, the most important factor being long working hours. Finally, according to the results of these three methods, solutions to reduce traffic accidents in open pit mines were presented. Keywords: Traffic accidents - Open pit mines - Vision zero - Projection method - Autoencoder neural network

حوادث ترافيكي , معادن روباز , چشم‌انداز صفر , روش پروجكشن , شبكه عصبي خود رمزگذار

traffic accidents , open pit mines , Vision Zero , Projection Method , Autoencoder neural network

Oveis Hosseini

Dr. Jabal Ameli