İstatistiksel Yöntemlerin Dekapaj Miktarının Belirlenmesinde Kullanılabilirliği ve Bir Açık Ocak Krom Sahasına Uygulanması

Öz

Açık işletme madenciliğinin hazırlık çalışmalarında maliyetlerin büyük bir miktarını dekapaj işlemleri oluşturmaktadır. Bu nedenle, maden planları hazırlanırken en önemli aşamalardan birisi dekapaj miktarının belirlenmesidir. Ayrıca, sürdürülebilir bir madencilik için dekapaj miktarındaki belirsizlik probleminin çözülmesi gerekmektedir. Bu çalışmada, regresyon yöntemi kullanılarak çalışma süresi ile dekapaj miktarının modellenmesi amaçlanmıştır. Çalışma kapsamında örnek bir açık ocak madenine ait 2014-2021 dönemi arasındaki aylık çalışma süresi ve dekapaj miktarı bilgileri toplanarak veri seti elde edilmiştir. Bu veri setine dayanarak üstel, doğrusal, logaritmik ve polinom olmak üzere dört farklı regresyon modeli geliştirilmiştir. Geliştirilen modellerin başarısı korelasyon katsayısına göre değerlendirilmiştir. Sonuç olarak en başarılı regresyon modelinin polinom model (R2= 0,8497) olduğu belirlenmiştir. Bu modeli sırasıyla üstel (R2= 0,8487), doğrusal (R2= 0,8485) ve logaritmik (R2= 0,8378) modeller takip etmektedir. Çalışmanın bulguları açık ocak madenciliğinde dekapaj miktarının belirlenmesinde önerilen modellerin alternatif olarak kullanılabileceğini göstermektedir.

Anahtar Kelimeler

• Dekapaj miktarı
• Çalışma süresi
• Regresyon analizi
• Açık ocak madeni

Modelling of Stripping Amount by Working Time in Open-Pit Mines

Öz

In open pit mining, a large part of the costs is due to stripping operations. Therefore, one of the most important steps while preparing mine plans is to determine the amount of stripping. In addition, the problem of uncertainty in a sustainable mining stripping amount needs to be resolved. This study, it is aimed to model the working time and the amount of stripping using the regression method. Within the scope of the study, the data set was obtained by collecting the monthly working times and the amount of stripping between the 2014-2021 period of a sample open pit mine. Based on this data set, four different regression models were developed as exponential, linear, logarithmic, and polynomial. The success of the developed models was evaluated according to the correlation coefficient. As a result, it was determined that the most successful regression model was the polynomial model (R2= 0,8497). This model is followed by exponential (R2= 0,8487), linear (R2= 0,8485) and logarithmic (R2= 0,8378) models, respectively. The study's findings show that the proposed models can be used as an alternative to determining the amount of stripping in open-pit mining.

Anahtar Kelimeler

• Stripping amount
• Regression analysis
• Working time
• Open-pit mine

Kaynakça

1. ⦁ Saban, M., 2016. Yer Üstü Maden İşletmelerinde Dekapaj Maliyetlerinin Muhasebeleştirilmesi ve Raporlanması. Uluslararası Yönetim İktisat ve İşletme Dergisi, 30 (12), 39-61.
2. ⦁ Çelikkaya, A., 2003. Dekapajın Yıllara Yaygın İnşaat ve Onarım İşleri Kapsamındaki Durumu. Süleyman Demirel Üniversitesi, İktisadi ve İdari Bilimler Fakültesi Dergisi, 8(3), 27-48.
3. ⦁ Albayrak, I.H., 1977. İşçilik Maliyetleri ve İmalat Sanayiinde İşçilik Maliyetlerinin Bünyesi, Muhasebe Enstitüsü Dergisi, 3(9), 32-38.
4. ⦁ Bilginoğlu, F., 1977. İşletmelerde Maliyet Bilgilerinin Oluşumu. Muhasebe Enstitüsü Dergisi, 3(8), 73-81.
5. ⦁ Akçakoca, H., Aykul, H., Yuvka, Ş., Çokçeken, İ.M., Ediz, İ.G., 2005. Garp Linyitleri İşletmesi ve Seyitömer Linyitleri İşletmelerinde Birim Üretim Maliyetleri ve Etki Eden Parametreler. Türkiye 19. Uluslararası Madencilik Kongresi ve Fuarı, İzmir, 143-150.
6. ⦁ Buyruk, A.N., 2013. Muhasebe Standartlarına Göre Maden Kaynaklarının Araştırılması, Değerlendirilmesi, Dekapaj İşlemleri ve Muhasebeleştirilmesi. JASSS The Journal of Academic Social Science Studies, 77-90.
7. ⦁ Cengiz, T., Nurlu, Y., Kumtepe, P., Sütçü, E., 2009. Rezerv ve Dekapaj Miktarının Coğrafi Bilgi Sistemi Kullanılarak Tespiti ve Diğer Yöntemler ile Karşılaştırılması: Sivas-Kangal- Kalburçayırı Linyit Yatağı Örneği. TMMOB Coğrafi Bilgi Sistemleri Kongresi, İzmir, 1-8.
8. ⦁ Ozdemir, A.C., Buluş, K., Zor, K., 2022. Medium- to Long-term Nickel Price Forecasting Using LSTM and GRU Networks. Resources Policy, 78, 102906.

9. ⦁ Desgagné, A., de Micheaux, P.L., 2018. A Powerful and Interpretable Alternative to the Jarque–Bera test of Normality Based on 2nd-Power Skewness and Kurtosis, Using the Rao's Score Test on the APD Family. Journal of Applied Statatistics, 45, 2307-2327.
10. ⦁ Dawson, B., Trapp, R.G., 2001. Statistical Methods for Multiple Variables. Basic & Clinical Biostatistics. Lange Medical Books/McGraw Hill Medical Publishing Division, USA, 236-242.
11. ⦁ Kirkwood, B.R., Sterne J.A.C., 2003. Essential Medical Statistics, Wiley Blackwell Science, Australia, 315-342.
12. ⦁ Alpar, R., 2010. Spor, Sağlık ve eğitim Bilimlerinden Örneklerle Uygulamalı İstatistik ve Geçerlik Güvenirlik. Detay Yayıncılık, Ankara, 672.
13. ⦁ Kılıç, S., 2013. Doğrusal Regresyon Analizi. Journal of Mood Disorders, 3(2), 90-92.
14. ⦁ Öztürk, E.E., Basit Doğrusal Regresyon Nedir?, https://www.veribilimiokulu.com/basit-dogrusal-regresyon/#:~:text=Basit%20do%C4 %9Frusal%20regresyon%3B%20ba%C4%9F%C4%B1ms%C4%B1z%20de%C4%9Fi%C5%9Fken,ifade%20eden%20do%C4%9Frusal%20fonksiyonu%20bulmakt%C4%B1r. Erişim Tarihi: 03.11.2022, 2020.
15. ⦁ Arı, A., Önder, H., 2013. Farklı Veri Yapılarında Kullanılabilecek Regresyon Yöntemler. Anadolu Tarım Bilimleri Dergisi, 28(3), 168-174.