چکیده: نرخ برش سطحی به عوامل مختلفی بستگی دارد که شناخت بیشتر خصوصیات فیزیکی، شیمیایی و مکانیکی مورد نیاز سنگ، مشخصات ماشین اره زنجیری و پارامترهای عملیاتی قابل کنترل از لزوم پیش بینی نرخ برش سطحی سنگ های کربناته می باشند. پیش بینی نرخ برش سطحی در معادن سنگ ساختمانی موضوعی بسیار مهم و در عین حال پیچیده است. در همین راستا پس از نمونه برداری از سینه کارهای فعال معادن مرمریت دهبید و شایان، مشخصات فیزیکی، شیمیایی و مکانیکی مورد نیاز 7 نمونه سنگ ساختمانی مرمریت، آنالیز و ثبت شد. با توجه به یکسان بودن شرایط برش سینه کارهای مورد نظر، نرخ برش سطحی با تمرکز روی پارامترهای عملیاتی قابل کنترل ماشین برش اره زنجیری در تمامی حالات ممکن اندازه گیری و ثبت شد. برای مدل های رگرسیون خطی و غیرخطی، 6 مدل ارائه شده است به طوری که ضریب همبستگی (R2) برای بهترین مدل عبارتند از 0.969 برای رگرسیون خطی و 0.959 برای رگرسیون غیرخطی. در این مدل پارامترهای ورودی مشخصات فیزیکی و مکانیکی سنگ شامل مقاومت فشاری تک محوره، سایش لس آنجلس و سختی چکش اشمیت و پارامتر خروجی مدل نرخ برش سطحی می باشد. با ارزیابی پارامترهای موجود در روابط ارائه شده آن مدل می توان به رابطه مستقیم میزان نرخ برش سطحی با سایش لس آنجلس و رابطه عکس پارامتر نرخ برش سطحی با مقاومت فشاری تک محوره و سختی چکش اشمیت پی برد. برای پیش بینی نرخ برش سطحی، یکی دیگر از مدل های رگرسیون در هر دو فاز رگرسیون خطی و غیرخطی با توجه به ضرایب همبستگی R2 ، از وضعیت بسیار خوبی برخوردار است، پارامترهای ورودی مدل مشخصات فیزیکی و مکانیکی سنگ و مشخصات عملیاتی قابل کنترل ماشین اره زنجیری شامل سرعت زنجیر، زاویه اره و سرعت ماشین و پارامتر خروجی مدل نرخ برش سطحی است. با ارزیابی روابط ارائه شده آن مدل ها، می توان به رابطه مستقیم نرخ برش سطحی با سرعت زنجیر، سرعت ماشین و سایش لس آنجلس و رابطه عکس نرخ برش سطحی با زاویه اره، مقاومت فشاری تک محوره و سختی چکش اشمیت پی برد. یک مجموعه مدل سازی بر اساس 3 روش شبکه عصبی مصنوعی شامل روش های گروهی مدیریت داده ها (GMDH)، پرسپترون چند لایه (MLP) و شبکه عصبی مصنوع (RBF) برای مجموعه اطلاعات 98 داده برای پیش بینی نرخ تولید صورت گرفت. در این مدل سازی ها برای روش GMDH در مجموع 18 مدل، برای روش RBF در مجموع 9 مدل و برای روش MLP در مجموع 10 مدل بر اساس شرایط موجود ساخته شد. تمامی مدل ها بر اساس شاخص های عملکرد الگوریتم شامل ضریب همبستگی (R2) ، مربع میانگین خطا (RMSE) و VAF مورد ارزیابی قرار گرفتند. برای روشGMDH مقادیر شاخص های عملکرد بهترین مدل عبارتند از ضریب همبستگی (R2) آموزش برابر 0.91، ضریب همبستگی (R2) تست برابر 0.92 ، مربعات میانگین خطا (RMSE) آموزش برابر 0.252، مربعات میانگین خطا (RMSE) تست برابر 0.245، VAF آموزش برابر 90.30 و VAF تست برابر 92.06. برای روش RBF مقادیر شاخص های عملکرد بهترین مدل عبارتند از ضریب همبستگی (R2) آموزش برابر 0.97، ضریب همبستگی (R2) تست برابر 0.66 ، مربعات میانگین خطا (RMSE) آموزش برابر 0.16، مربعات میانگین خطا (RMSE) تست برابر 0.73، VAF آموزش برابر 96.44 و VAF تست برابر 65.94. برای روش MLP مقادیر شاخص های عملکرد بهترین مدل عبارتند از ضریب همبستگی (R2) آموزش برابر 0.81، ضریب همبستگی (R2) تست برابر 0.73 ، مربعات میانگین خطا (RMSE) آموزش برابر 0.23، مربعات میانگین خطا (RMSE) تست برابر 0.22، VAF آموزش برابر 67.01 و VAF تست برابر 62.07 . یک مقایسه مابین مدل های سه روش شبکه عصبی مصنوعی بر اساس شاخص های عملکرد نشان داد که مناسب ترین روش برای پیش بینی نرخ تولید برای ماشین برش اره زنجیری روش GMDH و بهترین مدل این روش می باشد که بر اساس شاخص های عملکرد الگوریتم به دو روش دیگر برتری دارد اگرچه مدل های ارائه شده در دو روش دیگر دارای کارایی مناسب می باشند. با عنایت به نتایج اخذ شده از روش های شبکه عصبی مصنوعی مورد استفاده در این رساله، می توان نتیجه گرفت که روش شبکه عصبی مصنوعی GMDH یک تکنیک مدل سازی قابل اعتماد برای پیش بینی نرخ تولید با دقت قابل قبولی می باشد.