دانلود پایان نامه ارشد:پیش‌بینی آلودگی عناصر سنگین در پساب اسیدی رودخانه شور معدن مس پورفیری سرچشمه با استفاده از هوش مصنوعی

دانلود متن کامل پایان نامه مقطع کارشناسی ارشد رشته معدن

گرایش : اکتشاف

عنوان : پیش‌بینی آلودگی عناصر سنگین در پساب اسیدی رودخانه شور معدن مس پورفیری سرچشمه با استفاده از هوش مصنوعی

دانشگاه صنعتی اراک

گروه مهندسی معدن

پايان‌نامه دوره کارشناسي ارشد مهندسي معدن گرایش اکتشاف معدن

پیش‌بینی آلودگی عناصر سنگین در پساب اسیدی رودخانه شور معدن مس پورفیری سرچشمه با استفاده از هوش مصنوعی

اساتید راهنما:

دکتر آزاده آگاه

دکتر‌ هادی فتاحی

تابستان93

برای رعایت حریم خصوصی نام نگارنده پایان نامه درج نمی شود

(در فایل دانلودی نام نویسنده موجود است)

تکه هایی از متن پایان نامه به عنوان نمونه :

(ممکن است هنگام انتقال از فایل اصلی به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود ولی در فایل دانلودی همه چیز مرتب و کامل است)

 

عنوان
صفحه

 

فهرست

 

فهرست مطالب…………………………………………………………………………………………………………………………………………………ح

فهرست شکل‌ها………………………………………………………………………………………………………………………………………………..ی

فهرست جدول‌ها……………………………………………………………………………………………………………………………………………….م

فهرست علایم و نشانه‌ها………………………………………………………………………………………………………………………………….ن

 

 

صفحه
عنوان

فهرست مطالب

فصل اول.. 1

کلیات… 1

1-1-مقدمه. 2

1-2-تعریف مسأله. 3

1-2-1-پساب اسیدی معدنی… 4

1-2-2- منشاء پساب‌های اسیدی معدن.. 4

1-2-3- واکنش‌های اکسیداسیون و تولید اسید.. 6

1-2-4- عوامل موثر بر نرخ اکسید شدن پیریت… 8

1-2-5- اثرات زیست ‌محیطی پساب‌های اسیدی معدن.. 8

1-3-مروری بر پیشینه مطالعات انجام شده. 11

1-4- ضرورت انجام تحقیق… 18

1-5-اهداف تحقیق… 19

1-6-سازماندهی پایان نامه. 19

فصل دوم. 21

سیستم استنتاج فازی-عصبی تطبیقی… 21

2-1-مقدمه. 22

2-2-منطق فازی… 23

2-2-1-تئوری فازی از دیدگاه ریاضی… 23

2-2-2-سیستم استنتاجی فازی… 23

2-2-3-سیستم استنتاجی فازی خالص….. 25

2-2-4-سیستم استنتاج فازی ممدانی… 25

2-2-5-سیستم استنتاج فازی تاکاگی-سوگونو و کانگ…. 26

2-3-شبکه‌های عصبی مصنوعی… 28

2-3-1-آموزش شبکه عصبی مصنوعی… 30

2-4-سیستم استنتاج عصبی-فازی تطبیقی… 30

2-4-1 -ساختار رياضي انفیس….. 31

2-5-سیستم استنتاجی عصبی-فازی تطبیقی چند خروجی… 35

2-5-1-عملیات آموزش سیستم استنتاج عصبی-فازی تطبیقی چند خروجی… 37

2-5-2-پارتیشن بندی شبکه. 39

2-5-3- خوشه بندی کاهشی… 39

2-5-3- فازی  میانگین – c. 40

2-6-جمع ‌بندی… 41

فصل سوم. 42

معرفی و خصوصیات کلی معدن مس سرچشمه. 42

3-1- مشخصات عمومي معدن مس سرچشمه. 43

3-1-1- موقعيت جغرافيايي و شرايط اقليمي كانسار پورفيري مس سرچشمه. 43

3-2- تاريخچه معدن مس سرچشمه. 44

3-4- كاني سازي در معدن مس سرچشمه. 45

3-5-مطالعات انجام شده بر روي سد باطله معدن مس سرچشمه. 45

3-5-1- احداث سد باطله. 46

3-5-2-هيدرولوژي منطقه. 47

3-6-باطله‌هاي معدن مس سرچشمه. 48

3-6-1-مقدمه. 48

3-6-2-سايت معدني سرچشمه. 50

3-6-3- نمونه برداری و روش‌های صحرایی… 51

3-7-جمع‌بندی… 54

فصل چهارم. 55

مدلسازی و آنالیز نتایج.. 55

4-1-مقدمه. 56

4-2- پیش‌بینی فلزات سنگین در پساب اسیدی معدن با استفاده از مدل  سیستم استنتاج عصبی-فازی تطبیقی چند متغیره. 64

4-2-1-معیارهای ارزیابی عملکرد مدل.. 66

4-3-نتایج حاصل از سیستم استنتاج عصبی-فازی تطبیقی چندخروجی… 66

4-4-رگرسیون خطی… 78

4-4-1-رگرسیون خطی چندگانه. 79

4-5-نتایج حاصل از رگرسیون خطی چندگانه. 80

فصل پنجم.. 87

5-1-نتیجه گیری کلی… 88

5-2-پیشنهادات… 91

منابع.. 92

 

صفحه
عنوان

فهرست اشکال

 

 

شکل ‏1‑1 -اکسید شدن پیریت و تولید اسید در یک معدن زغال‌سنگ………………………………………………………..6

شکل ‏1‑2-میکروگراف الکترونی از باکتری تیوباسیلوس فرواکسیدان…………………………………………………………….7

شکل ‏1‑3-آلودگی آب‌های سطحی درغرب ویرجینیا…………………………………………………………………………………….9

شکل ‏1‑4-مرگ ماهیان بر اثر تخلیۀ پساب اسیدی معدن حاصل از معادن رومانی در رودخانۀ دانوب……….9

شکل ‏1‑5-آلودگی آب‌های سطحی توسط پساب اسیدی حاصل از معادن زغال سنگ در غرب پنسیلوانیا.10

شکل ‏2‑1-ساختار یک سیستم فازی……………………………………………………………………………………………………………23

شکل ‏2‑2-ساختار سه سیستم استنتاجی فازی……………………………………………………………………………………………24

شکل ‏2‑3-سیستم فازی ممدانی…………………………………………………………………………………………………………………..25

شکل ‏2‑4-سیستم فازی TSK………………………………………………………………………………………………………………………26

شکل ‏2‑5-ساختار يك نرون مصنوعي…………………………………………………………………………………………………………..27

شکل ‏2‑6-ساختار نمونه انفیس در مدل فازي سوگنو………………………………………………………………………………….30

شکل ‏2‑7-ساختار دیگری از انفیس………………………………………………………………………………………………………………33

شکل ‏2‑8-سیستم استنتاجی عصبی-فازی تطبیقی چند خروجی مدل سوگنو مرتبه با یک ورودی و سه خروجی……………………………………………………………………………………………………………………………………………………………36

شکل ‏3‑1-موقعیت جغرافیایی کانسار مس سرچشمه…………………………………………………………………………………..43

شکل ‏3‑2-سد باطله در معدن مس پورفیری سرچشمه……………………………………………………………………………….45

شکل ‏3‑3-محل معدن مس سرچشمه و رودخانه شور…………………………………………………………………………………50

شکل ‏3‑4-محل نمونه‌برداری رودخانه شور…………………………………………………………………………………………………..51

شکل ‏3‑5-محل‌های نمونه برداری و موقعیت معدن مس سرچشمه……………………………………………………………53

شکل ‏4‑1-رسوب سولفات مس و آهن مس سرچشمه…………………………………………………………………………………57

شکل ‏4‑2-رسوب کانی‌های ثانویه سولفات مس و آهن………………………………………………………………………………..57

شکل ‏4‑3-کلوئیدی شدن پساب و انحلال سولفیدها……………………………………………………………………………………58

شکل ‏4‑4-کلوئیدی شدن پساب و انحلال سولفات در پساب فرعی…………………………………………………………….58

شکل ‏4‑5-پساب خروجی از معدن، کدر و حاوی ذرات معلق آهن………………………………………………………………60

شکل ‏4‑6-رسوبات بی‌شکل پوشاننده پساب و رسوبات آهن در حواشی آن…………………………………………………60

شکل ‏4‑7-روند تغییرات غلظت(ppm)آلاینده‌های فلزی از بالادست به پایین دست روخانه شور……………….62

شکل ‏4‑8 -توابع عضویت به دست آمده توسط مدل MANFIS-GP………………………………………………………..68

شکل ‏4‑9-توابع عضویت به دست آمده توسط مدل MANFIS-SCM………………………………………………………69

شکل ‏4‑10-توابع عضویت به دست آمده توسط مدل MANFIS-FCM……………………………………………………70

شکل ‏4‑11-همبستگی بین مقادیر اندازه گیری شده و پیش‌بینی شده مس توسط مدل  MANFIS-SCM الف) مجموعه داده‌های آموزشی، ب) مجموعه داده آزمون……………………………………………………………………………72

شکل ‏4‑12-همبستگی بین مقادیر اندازه گیری شده و پیش‌بینی شده آهن توسط مدل  MANFIS-SCM الف) مجموعه داده‌های آموزشی، ب) مجموعه داده آزمون……………………………………………………………………………73

شکل ‏4‑13-همبستگی بین مقادیر اندازه گیری شده و پیش‌بینی شده منگنز توسط مدل  MANFIS-SCM الف) مجموعه داده‌های آموزشی، ب) مجموعه داده آزمون………………………………………………………………..75

شکل ‏4‑14-همبستگی بین مقادیر اندازه گیری شده و پیش‌بینی شده روی توسط مدل  MANFIS-SCM الف) مجموعه داده‌های آموزشی، ب) مجموعه داده آزمون……………………………………………………………………………75

شکل ‏4‑15-مقایسه بین اندازه گیری و پیش‌بینی شده Cu با استفاده از مدل MANFIS-SCM برای مجموعه داده‌های آزمون………………………………………………………………………………………………………………………………..76

شکل ‏4‑16-مقایسه بین اندازه گیری و پیش‌بینی شده Fe با استفاده از مدل MANFIS-SCM برای مجموعه داده‌های آزمون………………………………………………………………………………………………………………………………..76

شکل ‏4‑17-مقایسه بین اندازه گیری و پیش‌بینی شده Mn با استفاده از مدل MANFIS-SCM برای مجموعه داده‌های آزمون………………………………………………………………………………………………………………………………77

شکل ‏4‑18-مقایسه بین اندازه گیری و پیش‌بینی شده Zn با استفاده از مدل MANFIS-SCM برای مجموعه داده‌های آزمون……………………………………………………………………………………………………………………………..77

شکل 4‑19 -همبستگی بین غلظت فلزات سنگین اندازه‌گیری شده و پیشبینی شده با استفاده از MLR برای داده‌های آزمون و آموزش……………………………………………………………………………………………………………………85

 

صفحه
عنوان

فهرست جداول

 

 

جدول ‏3‑1-ماکزیمم و مینیمم پارامترهای فیزیکی و شیمیایی غلظت فلزات سنگین رودخانه شور 53

جدول ‏3‑2-محل و موقعیت جغرافیایی ایستگاه‌های نمونه‌برداری آب… 53

جدول ‏4‑1-ماکزیمم و مینیمم پارامترهای فیزیکی و شیمیایی غلظت فلزات سنگین رودخانه شور و استاندارد آب(همه نمونه‌ها بر حسبppm) 61

جدول ‏4‑2-ماتریس همبستگی بین غلظت فلزات سنگین و متغییرهای مستقل.. 65

جدول ‏4‑3-خصوصیات مدل‌های MANFIS. 67

جدول ‏4‑4-مقایسه بین نتایج حاصل از سه مدل برای مجموعه داده‌های آزمون.. 71

جدول ‏4‑5-مشخصات آماری از مدل رگرسیون چندگانه. 81

جدول4-6-مقایسه نتایج بدست آمده از روش MANFIS-SCMو MLR……………………………………………………86

 

فهرست علائم و نشانه‌ها

 

 

اختصار                             معادل فارسی                                     معادل انگلیسی

ANN شبکه عصبی مصنوعی Artificial Neural Network
AMD پساب اسیدی معدن Acid Mine Drainage
MNN شبکه عصبی مصنوعی مدولار Modular Neural Network
BP شبکه عصبی مصنوعی پس انتشار Back-propagation
MLR رگرسیون خطی چندگانه Multiple linear regression
TDS کل جامد محلول Total dissolved solids
RMS ریشه میانگین مربع خطا Root Mean Square Error
DO غلظت اکسیژن محلول Dissolved oxygen
COD باقی مانده اکسیژن شیمیایی Chemical oxygen demand
BPNN شبکه عصبی مصنوعی پس انتشار Back Propagation Neural Network
GRNN شبکه عصبی مصنوعی رگرسیون عمومی General Regression Neural Network
ANFIS سیستم استنتاج عصبی-فازی تطبیقی Adaptive neuro-fuzzy inference system
FL منطق فازی Fuzzy logic
MF تابع عضویت Membersip Function
TSK

 

سیستم فازی تاکاگی-سوگنو-کانگ Takagi Sugeno Kang FIS
FIS سیستم استنتاج فازی Fuzzy Inference System
LSM روش حداقل مربعات Least square method
MANFIS سیستم استنتاج عصبی-فازی تطبیقی چندخروجی Multi-outputs Adaptive Neuro-fuzzy System
VAF محاسبه واریانس بین دو چیز Variance Account For
GP پارتیشن‌بندی شبکه Grid Partitioning
SCM روش خوشه‌بندی کاهشی Subtractive clustering method
FCM روش فازی میانگین-c Fuzzy C-means method

فصل اول

کلیات

 

1-1-مقدمه

در سال‌های اخیر توسعه روزافزون فعاليت‌هاي كشاورزي و صنعتي و افزايش قابل توجه حجم فاضلاب‌هاي شهري موجب آلودگي منابع آب، خصوصا رودخانه‌ها گشته است. ورود پساب‌هاي صنعتي سبب افزايش دما، مواد آلي و معدني، و تركيبات خطرناك فلزات سنگين در آب شده و اين امر علاوه بر آلودگي محيط‌زيست آبزيان، سبب برهم خوردن تعادل تركيبات موجود در آب نيز مي‌گردد. با توجه به مشكلات كمي و كيفي منابع آب كشور و واقع شدن ايران در منطقه خشك و نيمه‌خشك و رويارويي با بحران‌هاي كم آبي، تدوين برنامه‌هاي مديريت كيفي براي كليه منابع آبي، راهكاري ضروري و غير قابل اجتناب در جهت حفاظت و بهره‌برداري پايدار از منابع آبي است.

با ظهور فناوري نوين اطلاعات و استفاده از رايانه، شاهد تحولي شگرف در تمامي علوم هستيم. در حقيقت رايانه به همراه ساير فناوري‌هاي پيشرفته، راه را براي ظهور روش‌هاي هوشمند فراهم كرده است. از آنجايي كه فرآيندها و پديده‌هاي موجود در مهندسی به متغيرهاي بسياري وابسته هستند و بين اجزاء هم روابط پيچيده‌اي حاكم است، لذا روش‌های هوشمند به عنوان يك ابزار بسيار قدرتمند در شبيه‌سازي موضوعات مختلف علوم مهندسي از جمله مهندسی معدن می‌توانند راهگشا باشند. با استفاده از اين روش‌ها، داده‌هاي مربوطه را به شبكه آموزش داده و سپس اين روش‌ها كار پيش‌بيني و شبيه‌سازي را با دقت مطلوب انجام خواهند داد[[i]].

در سال‌های اخير، در کارهاي معدني و علوم زمين شناسي، به علت وجود ابهامات زياد كوشش زيادي در استفاده از هوش مصنوعی شده است. به عنوان مثال؛ بررسي‌هاي ژئوشيميايي به همراه عيار و تناژ آن­ها با استفاده از شبکه‌هاي عصبي مصنوعی، طبقه­بندي مواد ارگانيکي رسوبي، عددي کردن داده‌هاي ژئوشيميايي در سنگ‌هاي آتشفشاني و طبقه‌بندي آن­ها با استفاده از شبکه‌هاي عصبي مصنوعي[1]، تعيين ويژگي‌هاي آکيفر با استفاده از شبکه‌هاي عصبي مصنوعی، تعيين ويژگي‌هاي مواد ناخالص در معدن سنگ آهک با استفاده از شبکه‌هاي عصبي پسخور[2]، استفاده از شبکه عصبي مصنوعی براي يافتن موقعيت نهشته‌ها، تخمين عيار و ذخيره و مقايسه نتايج حاصله از کريجينگ و شبکه عصبي مصنوعی و منطق فازی، کارهاي پيش بيني در معدن اشاره نمود.

به طور كلي مدل‌سازي يكي از ابزارهاي مناسب براي تصميم‌گيري و پيش‌بيني پديده‌هاي محيط زيستي مي‌باشد كه اغلب به صورت مدل‌هاي مفهومي با روابط رياضي بيان مي‌شوند. فرآيندها و پديده‌هايي كه در سيستم‌هاي محيط‌زيستي وجود دارد و مهندسين محيط‌زيست با آن در ارتباط هستند، اغلب دو خصوصيت عمده دارند: 1- وابسته به متغيرهاي زياد هستند، 2-روابط بسيار پيچيده‌اي بين اجزا وجود دارد كه تحليل آن را بسيار مشكل مي‌نمايد. اين مشكل همواره باعث خطا در دقت و صحت پيش‌بيني مدل‌هاي مرسوم مي‌شود. هوش مصنوعی از جمله روش‌هاي پيشرفته و نوين در شبيه‌سازي مي‌باشد كه امروزه در تمام علوم مهندسي به عنوان يك ابزار قوي در شبيه‌سازي پديده‌هايي كه تحليل مفهومي آن‌ها با مشكل مواجه است، كاربرد بسياري پيدا كرده است؛ در اين روش داده‌هاي مشاهده‌اي به مدل آموزش داده مي‌شود و پس از آموزش مدل با دقت مناسب كار پيش‌بيني و شبيه‌سازي را انجام مي‌دهد.

1-2-تعریف مسأله

پساب­های معدنی که در اثر فعالیت­های معدن‌کاری سولفیدی و زغال سنگ پدید می­آید از جمله آلاینده­های زيست‌محيطي جبران ناپذیر می­باشد. در این میان پساب­های اسیدی به علت کاهش میزان pH محیط سبب انحلال بیشتر فلزات سنگین شده و با انتقال آب به درون آب­های سطحی و زیرزمینی اطراف معادن، باعث آلودگی آن­ها می­شود[[ii]، [iii] و [iv]]. آلودگی زيست‌محيطي به این شکل در دراز مدت پس از تعطیلی معدن نیز موثر می­باشد. یکى از مواد مزاحم و مشکل­ساز در امر بازسازی معادن سولفیدی، پیریت موجود در باطله­های فلزی و احیانا غیرفلزی مى‌باشد که در اثر اکسیداسیون و وجود رطوبت و آب کافى تولید اسید سولفوریک نموده و محیط دمپ را اسیدی مى­نماید[[v] و[vi]].

1-2-1-پساب اسیدی معدنی

فعالیت­های استخراجی معادن مهم‌ترین عامل آلودگی آب­های زیرزمینی و سطحی به شمار می­روند. استخراج معادن سبب کاهش کیفیت آب شده و بسیاری از مشکلات زیست­محیطی را سبب می­گردند[[vii]]. از مشکلات مرتبط با عملیات معدنی، پساب­های اسیدی معدن[3] اهمیت اساسی داشته و چنانچه این پساب­های اسیدی که حاوی غلظت­های بالای آهن، سولفات و اسیدیته می­باشند به داخل منابع آب­های سطحی و زیرزمینی راه پیدا کنند سبب آلودگی این آب­ها می­شوند[[viii] و [ix]].

اکسید شدن کانی­های سولفیدی و تولید اسید سولفوریک به عنوان یک اثر منفی و نامطلوب عملیات معدنی شناخته شده است[[x]]. اسید تولید شده حاوی کانی­های محلول[4]و فلزات مختلف به منابع آب­های سطحی و زیرزمینی راه یافته و ضمن آلودگی آن­ها موجب آلودگی خاک­ها نیز می­شود[[xi] و [xii]].

اگرچه فرآیند اکسید شدن پیریت و سایر کانی­های سولفید فلزی در حضور هوا غیر قابل اجتناب است؛ اما مطالعه کانه­ها و کانی­های باطله، جنبه­ های هیدرولوژیکی، و طرح معدن‌کاری[5]می­تواند در طراحی یک عملیات معدنی که کمترین اثرات زیست­محیطی را به همراه داشته باشد کمک موثری نماید[[xiii] و [xiv]].

اثرات زیست­محیطی مخرب که از پساب­های اسیدی معدن نتیجه می­شوند، به دلیل مدیریت ضعیف در طول طراحی، توسعه، عملیات و بسته شدن کارهای معدنی و همچنین به دلیل فهم ناصحیح از پساب­های اسیدی معدن در گذشته می­باشد[14].

[1] Artificial Neural Network(ANN)

[2]  Feed forward

[3] Acid Mine Drainage(AMD)

[4] Dissolved minerals

[5] Mine plan

[i] Molson J.W., Fala O., Aubertin M., Bussière B.  “Numerical simulations of pyrite oxidation and acid mine drainage in unsaturated waste rock piles,”  Journal of Contaminant Hydrology. 78:343-371. 2005

 

[ii] BLOWES D.W., PTACEK J., JAMBOR J.L., WEISENER C.G., In: HOLLAND H.D. “The geochemistry of acid mine drainage,” Treatise on Geochemistry. Amsterdan vol. 9, :149-204. 2003

 

[iii] Price W.A. “Prediction manual for drainage chemistry from sulphidic geologic materials. Mining and Mineral Sciences Laboratories. Smithers,”  British Columbia V0J 2N0:576. 2009

 

[iv] Lottermoser B.G. “Recycling, Reuse and Rehabilitation of Mine Wastes,” the Mineralogical Society of America. 2011

 

[v] Amezaga J., Rotting T.S., Younger P.L., Nairn R.W. Noles A.J., Oyarzun R., Quintanilla J., A rich vein” Mining and the pursuit of sustainable development,”. Environ. Sci. Technol, vol 45, 21-26. 2011

 

[vi] Mayes W.M., Johnston D., Potter H.A.B., Jarvis A.P., “A national strategy for identification, prioritisation and management of pollution from abandoned noncoal mine sites in England and Wales,” Methodology development and initial results. Sci. Total Environ.,vol 407, 5435-5447, 2009

 

[vii]  Trois C., Marcello A., Pretti S., Trois P., Ross G.I., “The environmental risk posed by small dumps of complex arsenic, antimony, nickel and cobalt sulphides,”. J. Geochem., vol 92, 83–95. 2007

 

[viii] Legge 319 (Merli) del 10.05 ” pubblicata nella Gazzetta Ufficiale,” N. 141 del 29.05.1976

 

[ix] Emenda mento della Legge 319 (Merli) del 10.05. pubblicata nella Gazzetta Ufficiale N. 141 del 29.05., Regione Autonoma della Sardegna., 1983

 

[x] Doulati Ardejani F, Jodeiri Shokri B, Bagheri M, Soleimani E.” Investigation of pyrite oxidation and acid mine drainage characterization associated with Razi active coal mine and coal washing waste dumps in the Azad shahr–Ramian region, northeast Iran,”. Environ Earth Sci;vol 61:1547–60. 2010

 

[xi] Romero A., Gonzalez I., Galan E., Estimation of potential pollution of waste mining dumps at Pena del Hierro (Pyrite Belt, SW Spain) as a base for future mitigation actions. Appl. Geochem., vol 21, 1093–1108. 2006

 

[xii] Walder I.F., Schuster P.P., “Mine Waste Management in Proceedings of Environmental Geochemistry of ore deposits and mining activities,”  Presented by SARB Consulting in Oslo, Norway, May 1997.

 

[xiii]  Plante B., Bussière B., Benzaazoua M. “Lab to field scale effects on contaminated neutral drainage prediction from the Tio mine waste rocks,” Journal of Geochemical Exploration 137:37-47.2013

 

[xiv] دولتی اردجانی، ف.،تنکابنی، ض.، میرحبیبی، ع.، بدیعی، خ.”بیوتکنولوژی زیست محیطی ومدیریت پساب‌ها،” انتشارات پژوهشکده صنایع رنگ ایران، سال 1384

تعداد صفحه :128

قیمت : 14700 تومان

———–

——-

پشتیبانی سایت :               serderehi@gmail.com

در صورتی که مشکلی با پرداخت آنلاین دارید می توانید مبلغ مورد نظر برای هر فایل را کارت به کارت کرده و فایل درخواستی و اطلاعات واریز را به ایمیل ما ارسال کنید تا فایل را از طریق ایمیل دریافت کنید.

--  --