بهکارگیری الگوریتمهای یادگیری ماشین در بهینهسازی و طبقهبندی مدارهای خردایش، سایش و جدایش کانهآرایی
بهکارگیری الگوریتمهای یادگیری ماشین در بهینهسازی و طبقهبندی مدارهای خردایش، سایش و جدایش کانهآرایی
سینا سلیمانی1 محمود اسکندری نسب2
1) دانشجوی کارشناسی ارشد مهندسی فراوری مواد معدنی،دانشگاه شهید باهنر کرمان
2) دکتری مهندسی فراوری مواد معدنی،دانشگاه شهید باهنر کرمان
کد IOI مقاله
:
ABGG-ABKHKE
محل انتشار :
یازدهمین کنفرانس بین المللی پژوهش در علوم و مهندسی و هشتمین کنگره بین المللی عمران، معماری و شهرسازی آسیا(11icrsie.ir)
چکیده :
خردایش و جدایش کانه، بهعنوان انرژیبرترین و پرهزینهترین مراحل فرآوری مواد معدنی، همواره در کانون توجه پژوهشهای بهینهسازی قرار داشتهاند. در سالهای اخیر، بهکارگیری روشهای یادگیری ماشین برای مدلسازی جایگزین (surrogate modelling)، طبقهبندی برخط و بهینهسازی چندهدفه این مدارها بهسرعت گسترش یافته است. در این نوشتار، چهار پژوهش تازه منتشرشده در حوزههای آسیای نیمهخودشکن (SAG)، مدار سنگشکن دوغلتکی، جداسازی حسگری با پرتو ایکس (XRF) و شناسایی حالتهای عملیاتی مدار سنگشکنی بهصورت تطبیقی بررسی و نتایج کمّی آنها در قالب جدول و نمودار ارائه شده است. یافتهها نشان میدهد که مدلهای درختی تجمیعی مبتنی بر افزایش گرادیان (بهویژه CatBoost) و جنگلهای تصادفی افراطی (Extra Trees) در پیشبینی متغیرهای پیوسته فرآیندی عملکردی برتر نسبت به روشهای رگرسیون خطی و شبکههای ساده دارند، در حالیکه الگوریتم تکاملی NSGA-II در میان چهار الگوریتم بهینهسازی چندهدفه بررسیشده (NSGA-II، MOEA/D، RVEA و SPEA2) بیشترین حجمفوق (Hypervolume) را کسب کرده است. همچنین، ترکیب ماشین بردار پشتیبان با الگوریتم بهینهسازی ازدحام ذرات (PSO-SVM) در جداسازی XRF سنگ مس به دقت ۹۳ درصد و بازگشت خالص ذوب (NSR) قابلتوجهی نسبت به روشهای رگرسیون خطی دست یافته است. در نهایت، چارچوبی مفهومی برای یکپارچهسازی این رویکردها در قالب یک خط لوله عمومی «داده → پیشپردازش → مدل یادگیری ماشین → بهینهسازی/تصمیم» پیشنهاد شده و محدودیتها و مسیرهای پژوهشی آینده مورد بحث قرار گرفته است.
کلمات کلیدی : خردایش بهینهسازی چندهدفه یادگیری ماشین حسگر نرم ماشین بردار پشتیبان جنگل تصادفی آسیای نیمهخودشکن جداسازی حسگری