ИСПОЛЬЗОВАНИЕ МОДЕЛЕЙ МАШИННОГО ОБУЧЕНИЯ (MACHINE LEARNING) В ПРОЦЕССАХ ФЛОТАЦИИ
Keywords:
Ключевые слова: флотация; машинное обучение.Abstract
Аннотация: Флотация выделяется как успешный и широко применяемый метод отделения ценных минеральных частиц от отработанных пород. Эффективность этого процесса зависит от различных физико-химических свойств, проявляемых различными минералами. Однако сложное сочетание нескольких подпроцессов в флотации создает трудности в управлении этим механизмом и достижении оптимальной эффективности.В связи с этим растет зависимость от методов машинного обучения в исследованиях по переработке полезных ископаемых. В данной работе представлен всесторонний обзор методов машинного обучения и искусственного интеллекта, а также представлено их потенциальное применение в процессах флотации.Обзор демонстрирует достижения, обсуждаемые в научных исследованиях за последнее десятилетие, и подчеркивает растущий интерес к использованию методов машинного обучения для мониторинга и оптимизации процессов флотации, что подтверждается растущим количеством исследований в этой области. Последние тенденции также свидетельствуют о том, что курс мониторинга и контроля процессов флотации будет все больше сосредоточен на совершенствовании и внедрении сетей глубокого обучения, разработанных специально для извлечения и анализа пенообразов.
References
1. Альсафасфех А.Х.; Алага Л.; Алзиджон А.; Надендла В.С.С. Оптимизация эффективности флотации фосфатных минералов в горных отходах с использованием полимерных депрессоров: эксперименты и машинное обучение. Физика и химия. Probl. Шахтёр. Процесс. 2022, 58, 150477. [Google Scholar] [CrossRef]
2. Моньяке К.; Хан Т.; Али Д.; Алага Л.; Кумар А. Экспериментальные и машинные исследования сополимеров хитозан-полиакриламида для селективного разделения сульфидов металлов в процессе пенной флотации. Интерфейсы коллоидов 2023, 7, 41. [Google Scholar] [CrossRef]
3. Ле Ру, Ж.; Oosthuizen, D.; Манчо С.; Крейг И. Обзор состояния промышленного флотационного контроля. IFAC-PapersOnLine 2020, 53, 11854–11859. [Google Scholar] [CrossRef]
4. Хорн, З.; Оре, Л.; Маккой Дж.; Олдрич К.; Хербст Б. Эффективность конволюционных нейронных сетей для экстракции признаков в пенофлотационном зондировании. IFAC-PapersOnLine 2017, 50, 13–18. [Google Scholar] [CrossRef]
5. Кинг Р.П. Моделирование и моделирование систем переработки полезных ископаемых; Баттерворт-Хайнеманн: Бостон, Массачусетс, США, 2001. [Google Scholar]
6. Шахбази Б.; Челгани С.К.; Matin, S. Прогнозирование реакций пенной флотации на основе различных параметров кондиционирования методом Random Forest. Коллоиды Surf. Физик-химик. Англ. Асп. 2017, 529, 936–941. [Google Scholar] [CrossRef]
7. Джахедсаравани А.; Мархабан М.; Массиней М. Прогнозирование металлургических показателей системы периодической флотации методом анализа изображений и нейронных сетей. Шахтёр. Англ. 2014, 69, 137–145. [Google Scholar] [CrossRef]
8. Берг Л. Искусственный интеллект на предприятиях по переработке полезных ископаемых: обзор. В материалах Международной конференции 2016 года по искусственному интеллекту: технологии и приложения, Бангкок, Таиланд, 24–25 января 2016 года. [Google Scholar]
9. Чжу Дж.; Гуи У.; Янг, К.; Сюй Х.; Ван Х. Функция плотности вероятности прогнозного контроля дозировки реагентов на основе размера пузырьков для грубой медной флотации. Контроль. Англ. Пр. 2014, 29, 1–12. [Google Scholar] [CrossRef]
10. Хаависто О. Обнаружение и анализ колебаний в цепи флотации минералов. Контроль. Англ. Пр. 2010, 18, 23–30. [Google Scholar] [CrossRef]
11. Морар Ш.Х.; Харрис, М.К.; Брэдшоу Д.Дж. Использование машинного зрения для прогнозирования эффективности флотации. Шахтёр. Англ. 2012, 36–38, 31–36. [Google Scholar] [CrossRef]
