Softcomputing申请铜浸出过程中复苏

文摘

采矿业的过去几十年里认识到更有利可图的使用历史数据模拟模型和可用的知识挖掘过程而不是得出结论关于未来矿山开发基于某些条件。铜浸出的复合桩的可变性使它不太可能获得高精度模拟使用传统统计方法;然而相同的数据收集支持使用softcomputing通过浸出技术来提高铜复苏的准确性预测模型。本文进行预测建模对比;线性模型、二次模型,一立方模型,基于模型的使用提出了人工神经网络(ANN)。模型条目得到驾驶操作数据和数据的列。安是由9个输入变量,6隐藏层和输出层的神经元对应铜浸出的预测。模型的验证与实际执行信息和这些结果使用的矿业公司在智利北部提高铜矿开采过程。

1。介绍

由于提取的复杂性矿业在世界范围内,计算机模型正在成为必不可少的工具,降低生产成本(1]。计算技术最近被纳入铜工业改善通过浸出过程和结果,从而实现切实的结果如更高的生产水平,识别低品位矿石,和减少生产成本2]。

智利铜矿是最赚钱的行业,导致全球铜产量的约12% (3,4]。近年来,采矿业在智利已经开始利用和展示越来越感兴趣的人工智能技术在过程,如铜产量预测,在传统方法往往缺乏确定性和知识,和这些技术之一是softcomputing5]。

Softcomputing是人工智能的一个分支,组织模式和技术在关键进程处理不完整和不精确的信息,为了使公司获得有用的预测等任务的解决方案或发现的信息或知识4- - - - - -6]。softcomputing的定义”计算的一种新方法相似的非凡能力人类思维推理和学习的环境的不确定性和不精确”(7]。

介绍了与安工作生成行为预测桩的铜浸出域。使用人工神经网络与其他技术结合使用常用的采矿行业的预测,如线性回归,与对比的目的,提高结果的质量。安可以被定义为一组的计算单元(神经元)的高度相互关联。每个神经元也被称为节点代表了生物神经元,和它们之间的连接代表了生物神经网络(8]。数据处理的基本元素在一个神经网络感知器,一个简单的元素,在一个输入向量提供一个输出,它使用一个激活函数。扩展和分类安广为接受的方法是根据架构和学习。架构是指安排和神经元之间的连接,输入和输出变量的数量,和隐藏层的数量,同时学习分类是指训练网络模式,反复执行,直到限制和模式 是满意,所需的输出,的输出th迭代,δ一个很小的数值(9,10]。

介绍了铜复苏预测智利北部的提取过程,用一个统计模型(方法传统上使用的铜浸出工业)和神经模型称为多层感知器与反向传播(11,12]。多层感知器模型是应用最广泛的神经网络由于其效率和易于理解和解释网络及其结果。进入安的参数选择对公司的目标和条件。具体地说,本文反映了过程和结果的SCM因特网公司,国际KGHM国际集团自2009年以来一直在智利操作。

2。背景和相关工作

应用不同的技术调整权重的过程相关的每个神经元的输入变量的一个安被称为学习(8,13]。这个过程,也被称为网络培训,几个技术可以跟着但最常见的是:监督和非监督培训(14]。使用一系列的监督培训包括对 在哪里表示一个向量和输入数据代表所需的输出向量。培训包括使用一个算法的值尽可能的向量 ,在无人监督的培训只有向量是可用的和训练算法试图发现这些数据之间隐藏的结构调整网络中的每个神经元的权重(15]。在这两种情况下,学习规则法案通过修改权重来实现目标,因为有几个技术。最常用的技术之一是通过调整纠错基本上由获得的权重值δ非常接近于0。

目前,该应用程序包括安在所有的科学和工程领域,也就是说,能源生产评估系统(16]。工程特别是安使用近几十年来增长显著,被应用于预测和回归等任务。例如,在[17]比较安和回归分析,用符号和实现的两种范式,也凸显出优势的实现。在[4,18metal-mechanical提出了相关行业工作,比较了贝叶斯网络的性能与人工神经网络在高速加工过程中表面质量的预测。最常用的技术这一过程正安(13)和线性或多元回归方法(14]。在[19),人工神经网络是用来预测生物和非生物的影响参数对降水通过bioleaching三价铁的过程。在[20.)的过程构建三层反向传播人工神经网络来预测重金属的浓度(锌、镍、Cd和Pb)浪费在锌浸出细胞。

在[21安用来预测铜生产过程提出了。此外,在最近的工作报告(22)使用一个ANN预测浮选铜水平在不同操作条件下;不同剂量的化学试剂使用过程中,进给速率和粒度测定法用于该过程。一个三层反向传播神经网络输入层、两个隐藏层和一个输出),拓扑(9-10-10-3),使用,和测试过程的质量预测为93%。

3所示。材料和方法

SCM因特网公司使用三个工业过程广为人知的铜工业生产金属铜通过湿法冶金术:在动态浸出细胞,溶剂萃取、电解沉积。这些过程的目标是达到最高的铜产量,节约资源和尽可能低的环境影响。从这个意义上说,该公司认为进行模拟预测铜生产通过浸出过程。目标是产生一个有效的模型(精度大于95%)铜浸出复苏的估计基于历史数据。

先前由SCM因特网公司进行分析,以确定哪些这些过程是最控制(灌溉的影响因素和同质性)发现,在动态浸出过程堆栈。基于之前的分析,预测模型中使用的参数和所需的质量水平(95%)被确定和使用所需的调整值模型的仿真测试结果。

铜萃取的研究总结了预测动态栈,应用数学模型(统计模型),需要完整的信息给精确的结果和一个安,这被认为是有优势的治疗不完全信息的生成预测工业生产。

堆浸出铜是一个渗流过程,地面上运行。这个过程如图1。氧化铜矿是堆积在浸出垫3°约的倾向。和一个密封的橡胶衬里地面之下。这些堆3-meter-high和72米长基地面积2880平方米,占地120000吨铁矿石。

喷水灭火系统安装在一堆允许美联储均匀稀释硫酸矿石。而解决方案中渗流通过桩、铜浸出矿石。怀孕的浸出溶液由排水系统收集以下桩,是一个集沟里池塘。

4所示。方法

研究包括两个阶段,第一个叫“铜恢复建模”与每个上述模型的生成方法和第二阶段叫做“评价”,结果比较和信息的数量和质量。

两个阶段对SCM有益弗兰克公司为了了解矿石的浸出过程的特点,能够预测铜的复苏动态栈,专注于实现估计误差不到5%。这两个阶段可能是由于前面的分析和选择代表输入变量和参数的预测方法;图2以图形方式显示这项工作计划。

4.1。统计模型

为了执行建模,最近的文献在浸出过程中被认为是,考虑到变量影响铜的复苏。此外,历史运营数据和流程相关的试验测试结果考虑在内,我们称之为试验数据。试点测试包括测试列有严格的控制措施对灌溉利率,酸浓度灌溉解决方案,和操作周期,取决于测试的条件。一个案例研究与数据库生成大约30000块的数据。

以下4.4.1。数据收集

本研究的目的,历史数据库相应的工业和驾驶性能从SCM因特网公司使用。存储在数据库中的数据对应于植物数据操作(加权值和累积每日)和试验数据。

操作工厂数据得到4小时的频率为1年。一些时间,灌溉是停在一些细胞或模块服务;由于这些时期,忽视不一致的结果和相应的数据并没有考虑数据收集过程;一些“噪音”系统和无用的信息也被忽视。对于试验数据,信息收集的方法是相同的用于数据的操作。

下一步是确定参数影响铜的复苏和与这些信息形成一个健壮的数据库用于过程模型的制备和评价使用不同的技术来确定一个符合工厂的要求(调整超过95%)对植物和飞行员操作数据。统计模型的参数考虑详细的表1。

执行一个搜索找到合适的变量的组合生产最成功的模型所需的响应。系统响应被定义为铜的比例提取。验证模型,响应变量是监控。该模型监控为了获得最适合的操作条件和变化。当模型偏差低于可接受(远低于预期的95%),该模型调整和重塑考虑操作范围,最初没有考虑;参数,最初没有考虑现在。

选择变量的子集,以确保一个实际模型,使用Minitab软件生成系数。详细的计算系数如下:var,-cuad,调整-cuad,p的锦葵,(标准色散)。初步统计模型考虑了媒体的因素,用来避免overadjustment。此外,这个模型以下限制被认为是:的调整值 , -cuad (),平方是最高的新闻价值的因素是最高等级。

来自初步模型并利用一款统计软件工具,三个统计模型生成:线性调整模型,二次调整模型,立方调整模型。表2总结了这些模型和根据价值调整的结果 。

的嫡系的模型(1), 二次和三次模型(2) 在哪里(我) , ,和表示变量的输入值;(2) , ,和表示输入的重量;(3) 代表一个常数

4.2。ANN模型基础

执行RNA建模,应用MATLAB程序。网络编程,使用以下参数:收入变量(见表91),隐藏层,60%的信息网络,40%的信息网络验证,误差0.2 cycle-error,或最多500次迭代。培训和验证的数据是随机选择的。

在变量选择以下被认为是:操作专家经验积累的SCM因特网公司,驾驶的结果,参考书目,结果发现与上面描述的统计模型。在安的配置中,使用了9个输入变量(见表1),反向传播算法的多层感知器模型。

输出层神经元是由相应的预测铜复苏动态成堆,同样专注于实现预测误差估计不到5%。每个神经元获得使用的数学表达式的输出值是表示(3),()代表神经元的输入值和变量()代表的重量与神经元有关。的任务初始化权重与每个输入变量进行随机在一系列规范化并使用MATLAB的MAPMINMAX功能(一个函数用于正常神经元的输入和输出值),和阈值用于激活函数(乙状结肠函数)以类似的方式初始化(这些数据并未反映在这个文件,因为他们受保密协议的公司)。乙状结肠函数表示的数学表达式 在哪里(我) 代表了th神经元的输入值;(2) 代表了体重相关的神经元层的 ;(3) 代表的常数层。

5。结果

表2显示了获得的值,算法模型和ANN模型;如表所示,第二好的价值对应于立方模型。这些值超过所需的最小值(95%);然而,中获得的值模拟,使用立方算法模型,即将获得的是什么。

相对应的最佳值ANN模型在学习阶段和验证的安,97年,9%的调整,。图3显示了与安调整执行。

6。讨论

结果通过线性建模远非所需的(89.9% v / s 95%),这表明能力做出必要的调整远远超过可以由这种类型的建模。二次模型的调整结果大约22%比以前和获得价值是非常相似(调整),这意味着二次模型能更好地生成更现实的数据预测。关于立方模型,观察调整接近获得使用二次模型,这意味着高品位的使用模型不存在显著的改善与模型的调整,由于使用的限制技术和使用的数据所呈现的高可变性。

安系统建模的使用导致了从92.3%提高到97.9%,比立方模型。是观察到的使用安达到调整适合的目的,这是由于这一过程所使用的复杂网络调整现有的系统响应参数。

实现这些结果通过使用安,程序的使用如MATLAB或另一个先进的计算程序是必需的。由于复杂性较高的建模技术,它需要一个数据库和一个丰富的信息,给程序所需的信息评估尽可能多的情况下。另一方面,安的缺点不容易发现和统计模型相比,这就引出了一个问题,新用户。

7所示。结论

SCM因特网进行了模拟其他铜生产过程和凭经验知道,预测的成本远低于实验工作,但是,在这种情况下,我们的研究描述了一个预测模型,代表了浸出植物的行为,最初考虑的变量定义调整结果高于95%。

因此,确定安是SCM因特网矿业浸出的最佳模式植物,由于现有的高可变性的植物和测试结果。获得的调整为97.9%,高于95%的调整最初要求。

本研究曾获得比较预测模型,它可以凭着直觉,调整神经模型的精确性有潜力用于未来铜产量预测的过程。此外,经历了安在定义的模型,可用于未来过程模拟与铜的改善程度通过softcomputing技术在SCM因特网公司或类似的公司。

的利益冲突

作者宣称没有利益冲突。

确认

感谢将SCM因特网支持这个项目,专门为协作提供数据和存储和经验提供给作者选择用于建模的参数和标准。

引用

1. m . Milivojevic s Stopic b·弗里德里希·b·Stojanovic和d . Drndarevic“镍红土的高压浸出过程的计算机模拟实验和神经网络的设计,“国际期刊的矿产、冶金和材料,19卷,不。7,584 - 594年,2012页。视图:出版商的网站|谷歌学术搜索
2. h . Kamran Haghighi、d . Moradkhani和m . m . Salarirad”建模的协同作用LIX 984 n和D2EHPA铁和锌的分离使用人工神经网络,”事务的印度理工学院金属,卷67,不。3、331 - 341年,2014页。视图:出版商的网站|谷歌学术搜索
3. 国际新闻发布。铜:初步数据为2013年9月,2013年。
4. 诉弗洛雷斯,y Hadfeg, j . Bekios A . Quelopana和c .美尼斯”解释的方法来自动生成一个基于规则的专家系统和本体,“先进的智能系统和计算卷,537年,第176 - 167页,2017年。视图:出版商的网站|谷歌学术搜索
5. 洛杉矶德”,模糊逻辑、神经网络和软计算,”ACM的通信,37卷,不。3、77 - 84年,1994页。视图:出版商的网站|谷歌学术搜索
6. l·g·马瑞医生j·b·Yianatos和c·a·莱”模糊监督控制浮选柱。”矿业工程,11卷,不。8,739 - 748年,1998页。视图:出版商的网站|谷歌学术搜索
7. 洛杉矶德”,软计算和模糊逻辑”,IEEE软件,11卷,不。6,48-56,1994页。视图:出版商的网站|谷歌学术搜索
8. j . j . Hopfield人工神经网络,4卷,柏林,1988年。
9. a . j .麻仁、c t . Harston和r . m .巴氏神经计算应用手册美国加州圣地亚哥分校,2014年。
10. a·弗里曼詹姆斯和m . Skapura大卫,神经网络:算法,应用程序和编程技术美国,addison - wesley,纽约,纽约,1991年。
11. m . Cilimkovic“神经网络和反向传播算法,”FettTu-SofiaBg,2010年。视图:谷歌学术搜索
12. 诉Skorpil和j . Stastny“神经网络和反向传播算法,”电子Bulg索佐波尔,20 - 22,2006页。视图:谷歌学术搜索
13. 李和j . c . Chen”表面粗糙度在线识别系统使用人工神经网络系统将操作,“国际先进制造技术杂志》上,22卷,不。7 - 8,498 - 509年,2003页。视图:出版商的网站|谷歌学术搜索
14. C.-X。冯和x。王”,表面粗糙度预测建模:神经网络与回归,”工业工程师学会(IIE)。国际教育协会事务,35卷,不。1,11-27,2003页。视图:出版商的网站|谷歌学术搜索
15. H.-Y。蜀,H.-C。陆,周宏儒。风扇,M.-C。常,J.-C。陈,“预测台湾都市固体废物能量使用多层感知器神经网络,”空气与废物管理协会杂志》上卷,56号6,852 - 858年,2006页。视图:出版商的网站|谷歌学术搜索
16. t . c . Ogwueleka和f . n . Ogwueleka”造型的能量使用人工神经网络的城市固体垃圾,”环境卫生科学与工程杂志》上,7卷,不。3、259 - 266年,2010页。视图:谷歌学术搜索
17. m . Paliwal和a·库马尔,”神经网络和统计技术:回顾应用程序”专家系统与应用程序,36卷,不。1,2-17,2009页。视图:出版商的网站|谷歌学术搜索
18. 科雷亚先生的解释一个贝叶斯网络分类器的决策树。留言。
19. h . Golmohammadi a Rashidi, s . Safdari”Predvid{中风}anje precipitacije feri约翰u procesu bioluženja primenom parcijalnih najmanjih kvadrata我veštačke neuronske mreže,”化工化工工程季度,19卷,不。3、321 - 331年,2013页。视图:出版商的网站|谷歌学术搜索
20. d . e . Rumelhart、g·e·辛顿和r . j·威廉姆斯,“学习back-propagating错误的陈述,”自然》第六卷,第5336 - 323页,1986年。视图:谷歌学术搜索
21. h . Kamran Haghighi m . Rafie d . Moradkhani b . Sedaghat和a . Abdollahzadeh”建模的过渡从镍镉锌重金属植物残渣利用人工神经网络,”事务的印度理工学院金属,卷68,不。5,741 - 756年,2015页。视图:出版商的网站|谷歌学术搜索
22. o . Salmani努里,e . Allahkarami m . Irannajad和a . Abdollahzadeh“选择性指数估计和分离效率的铜浮选过程使用ANN模型,”Geosystem工程,20卷,不。1,每周,2017页。视图:出版商的网站|谷歌学术搜索

版权

版权©2017克劳迪奥·莱等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。