تکنیک یادگیری ماشینی برای تشخیص تصاویر کف فلوتاسیون در یک فرآیند فلوتاسیون ناپایدار

عنوان فارسی مقاله:تکنیک یادگیری ماشینی برای تشخیص تصاویر کف فلوتاسیون در یک فرآیند فلوتاسیون ناپایدار

چکیده

این مقاله بر تجزیه و تحلیل رابطه بین پایداری فرآیند فلوتاسیون و کارایی الگوریتم‌های یادگیری ماشین (ML) بر اساس تصاویر کف فلوتاسیون متمرکز شده است. یک فرآیند ML باید محققان را قادر به ساخت الگوریتم‌های هوش مصنوعی (AI) برای کنترل فرآیند فلوتاسیون کند. تصویر کف فلوتاسیون شامل اطلاعاتی است که فرآیند فلوتاسیون را مشخص می کند. اطلاعات را می توان با کمک الگوریتم های تشخیص تصویر (IR) بر اساس ML استخراج کرد. این امکان ساخت یک سیستم کنترل فرآیند فلوتاسیون را در کارخانه فرآوری مواد معدنی فراهم می کند که بر اساس تشخیص تصاویر کف فلوتاسیون است. الگوریتم‌های IR نتایج تشخیص تصویر پایداری را ارائه نمی‌دهند و در شرایطی که پارامترهای فرآیند فلوتاسیون بسیار ناپایدار هستند، کارآمد نیستند. نتایج طبقه‌بندی برای فرآیند پایدار و ناپایدار به ترتیب برابر با ۱۱/۷۵ درصد و ۶۲/۶۹ درصد بود. داده‌های تجربی جمع‌آوری‌شده در کارخانه فرآوری مواد معدنی سرب/روی لهستان، بینش بهتری نسبت به روابط بین پارامترهای فرآیند فلوتاسیون و کارایی ML ارائه می‌کند. این روابط مورد تجزیه و تحلیل قرار گرفت و دستورالعمل هایی برای ساخت فرآیند ML برای کنترل فرآیند فلوتاسیون تدوین شده است.

ادامه مطلب

راهنمای خرید:

لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: Machine Learning Technique for Recognition of Flotation Froth Images in a Nonstable Flotation Process

Abstract

The paper is focused on the analysis of the relation between the stability of the flotation process and the efficiency of Machine Learning (ML) algorithms based on the flotation froth images. An ML process should enable researchers to construct Artificial Intelligence (AI) algorithms for flotation process control. The image of the flotation froth includes information characterizing the flotation process. The information can be extracted with the aid of the Image Recognition (IR) algorithms based on the ML. This enables construction of a flotation process control system in the mineral processing plant, which is based on the recognition of images of the flotation froth. The IR algorithms do not provide stable image recognition results and are not efficient in the situation where the parameters of the flotation process are highly unstable. The classification results were equal to 75.11% and 69.62% for a stable and unstable process, respectively. The experimental data collected at the Polish Pb/Zn mineral processing plant provided better insight to the relationships between the flotation process parameters and ML efficiency. These relationships were analyzed, and guidelines for the construction of the ML process for flotation process control have been formulated.