Комплексна методологія створення розширених датасетів для моделювання процесу магнітної сепарації залізної руди

Олександр Воловецький
Отримано 06.08.2024, Доопрацьовано 17.11.2024, Прийнято 24.12.2024
Анотація

Дослідження пропонує інноваційний підхід до створення розширених наборів даних для моделювання магнітної сепарації залізної руди, що є важливим для підвищення ефективності та автоматизації процесів збагачення в гірничодобувній промисловості. Мета дослідження полягала в розробці методології створення розширених наборів даних для моделювання магнітної сепарації залізної руди, яка враховує специфіку українських родовищ та дозволяє генерувати репрезентативні дані в умовах обмеженості реальних виробничих даних шляхом інтеграції фізичного моделювання з методами машинного навчання. Методи дослідження: моделювання з використанням математичного навчання, симуляція на основі фізичних процесів, статистичний аналіз. У дослідженні розглянуто використання симулятора USIM PAC для моделювання системи збагачення залізної руди та адаптацію даних для магнітного збагачення, що забезпечує точність моделювання технологічних процесів збагачення. Застосуванням симулятору отримано набір даних фізичного моделювання частини процесу збагачення на основі даних Валявкінського родовища. Проаналізовано первинне моделювання набору даних, включаючи статистичні характеристики, форму розподілу та тести на нормальність для виявлення полів, що потребують корекції. На основі результатів аналізу визначено конкретні вимоги до розподілу даних у новому датасеті, який має бути сформований для подальшого використання. Відповідно до цих вимог реалізовано декілька математичних моделей, що відтворюють задані критерії та параметри. Для кожного поля даних ретельно підібрано найкращу модель та виконано корекцію датасету за її даними, щоб максимально наблизити розподіл до бажаного. Для отриманих скоригованих даних проведена всебічна валідація результатів з акцентом на збереженні фізичної достовірності даних та їх відповідності реальним процесам збагачення. Проведено детальний аналіз відкоригованих даних, а також статистичні характеристики результуючого датасету, в результаті чого підтверджена ефективність розробленої комплексної методології моделювання та адаптації даних для магнітного збагачення залізної руди. Методологія має практичну цінність завдяки інноваційному підходу до створення розширених наборів даних для моделювання магнітної сепарації залізної руди, що підвищує ефективність і автоматизацію процесів збагачення, враховуючи специфіку родовищ та генеруючи репрезентативні дані в умовах обмеженості реальних даних

Ключові слова:
нелінійне моделювання збагачення; керування сепарацією; машинне навчання в збагаченні; автоматизація збагачувальних процесів; симуляція технологічних параметрів

Взято з Том 22, № 2, 2024

Сторінки 10–27

Використані джерела ЦИТУВАТИ

[1] Altman, N.S. (1992). An introduction to kernel and nearest-neighbor nonparametric regression. The American Statistician, 46(3), 175-185.

[2] Bogdanov, O. (Ed.). (1984). Ore beneficiation handbook: Basic processes. Moscow: Nedra.

[3] Box, G.E.P., & Cox, D.R. (1964). An analysis of transformations. Journal of the Royal Statistical Society. Series B (Methodological), 26(2), 211-252.

[4] Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5-32. doi: 10.1023/A:1010933404324.

[5] Brochot, S., Durance, M.V., Fourniguet, G., Guillaneau, J.C., & Villeneuve, J. (1995). Modelling the minerals diversity: A challenge for ore processing simulation. In EUROSIM 1995 congress on modelling and simulation. Vienna: Federation of European Simulation Societies.

[6] Brochot, S., Villeneuve, J., Guillaneau, J.C., Durance, M.V., & Bourgeois, F. (2002). USIM PAC 3: Design and optimisation of mineral processing plants from crushing to refining. In Mineral processing plant design, practice, and control (pp. 479-494). Englewood: Society for Mining, Metallurgy, and Exploration.

[7] Chen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. In Proceedings of the 22nd ACM SIGKDD international conference on knowledge discovery and data mining (pp. 785-794). New York: Association for Computing Machinery. doi: 10.1145/2939672.2939785.

[8] Chowdhury, R., Billah, M.M., Roy, S., Banik, S.C., & Barua, A. (2024). Analyzing the effect of the density of medium on efficiency of hydrocyclone separator in sorting of PVC and PET using CFD. Results in Materials, 21, article number 100497. doi: 10.1016/j.rinma.2023.100497.

[9] Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine Learning, 20(3), 273-297. doi: 10.1007/BF00994018.

[10] Davis, J.C. (2002). Statistics and data analysis in geology. Hoboken: Wiley.

[11] Friedman, J.H. (2001). Greedy function approximation: A gradient boosting machine. The Annals of Statistics, 29(5), 1189-1232.

[12] Gaudin, A.M. (1939). Principles of mineral dressing. New York: McGraw-Hill.

[13] Gelman, A., & Hill, J. (2006). Data analysis using regression and multilevel/hierarchical models. Cambridge: Cambridge University Press.

[14] Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. Cambridge: MIT Press.

[15] Grossmann, I.E., & Guillén-Gosálbez, G. (2010). Scope for the application of mathematical programming techniques in the synthesis and planning of sustainable processes. Computers & Chemical Engineering, 34(9), 1365-1376. doi: 10.1016/j.compchemeng.2009.11.012.

[16] Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: Data mining, inference, and prediction. New York: Springer. doi: 10.1007/978-0-387-84858-7.

[17] Hodouin, D. (2009). Automatic control in mineral processing plants: An overview. IFAC Proceedings Volumes, 42(23), 1-12. doi: 10.3182/20091014-3-CL-4011.00003.

[18] Hoerl, A.E., & Kennard, R.W. (1970). Ridge regression: Biased estimation for nonorthogonal problems. Technometrics, 12(1), 55-67.

[19] James, G., Witten, D., Hastie, T., & Tibshirani, R. (2021). An introduction to statistical learning. New York: Springer. doi: 10.1007/978-1-0716-1418-1.

[20] Kadlec, P., Gabrys, B., & Strandt, S. (2009). Data-driven soft sensors in the process industry. Computers & Chemical Engineering, 33(4), 795-814. doi: 10.1016/j.compchemeng.2008.12.012.

[21] Karpatne, A., Atluri, G., Faghmous, J.H., Steinbach, M., Banerjee, A., Ganguly, A., Shekhar, S., Samatova, N., & Kumar, V. (2017). Theory-guided data science: A new paradigm for scientific discovery from data. IEEE Transactions on Knowledge and Data Engineering, 29(10), 2318-2331. doi: 10.1109/TKDE.2017.2720168.

[22] Khaleghi, B., Khamis, A., Karray, F.O., & Razavi, S.N. (2013). Multisensor data fusion: A review of the state-of-the-art. Information Fusion, 14(1), 28-44. doi: 10.1016/j.inffus.2011.08.001.

[23] Kinaci, M.E., Lichtenegger, T., & Schneiderbauer, S. (2020). A CFD-DEM model for the simulation of direct reduction of iron-ore in fluidised beds. Chemical Engineering Science, 227, article number 115858. doi: 10.1016/j.ces.2020.115858.

[24] Kupin, A. (2008). Intelligent identification and control in beneficiation processes. Kyiv: Korniychuk.

[25] Lasi, H., Fettke, P., Kemper, H.-G., Feld, T., & Hoffmann, M. (2014). Industry 4.0. Business & Information Systems Engineering, 6(4), 239-242. doi: 10.1007/s12599-014-0334-4.

[26] Li, Y., Bao, J., Chen, T., Yu, A., & Yang, R. (2022). Prediction of ball milling performance by a convolutional neural network model and transfer learning. Powder Technology, 403, article number 117409. doi: 10.1016/j.powtec.2022.117409.

[27] Liu, J., Xue, Z., Dong, Z., Yang, X., Fu, Y., Man, X., & Lu, D. (2021). Multiphysics modelling simulation and optimisation of aerodynamic drum magnetic separator. Minerals, 11(7), article number 680. doi: 10.3390/min11070680.

[28] Massey, F.J. (1951). The Kolmogorov-Smirnov test for goodness of fit. Journal of the American Statistical Association, 46(253), 68-78. doi: 10.1080/01621459.1951.10500769.

[29] McCoy, J.T., & Auret, L. (2019). Machine learning applications in minerals processing: A review. Minerals Engineering, 132, 95-109. doi: 10.1016/j.mineng.2018.12.004.

[30] Montgomery, D.C. (2021). Introduction to statistical quality control. Hoboken: John Wiley & Sons.

[31] Morkun, V., Morkun, N., Tron, V., & Sulyma, T. (2020). Synthesizing models of nonlinear dynamic objects in concentration on the basis of Volterra-Laguerre structures. Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu, 2, 30-36. doi: 10.33271/nvngu/2020-2/030.

[32] Napier-Munn, T.J., Morrell, S., Morrison, R.D., & Kojovic, T. (2014). Mineral comminution circuits: Their operation and optimisation. Indooroopilly, Qld Australia: Julius Kruttschnitt Mineral Research Centre, University of Queensland.

[33] Pearson, K. (1901). On lines and planes of closest fit to systems of points in space. The London, Edinburgh, and Dublin Philosophical Magazine and Journal of Science, 2(11), 559-572. doi: 10.1080/14786440109462720.

[34] Porkuian, O., Morkun, V., Morkun, N., & Serdyuk, O. (2019). Predictive control of the iron ore beneficiation process based on the Hammerstein hybrid model. Acta Mechanica Et Automatica, 13(4), 262-270. doi: 10.2478/ama-2019-0036.

[35] Python Spyder IDE. (n.d.). Retrieved from https://www.spyder-ide.org/.

[36] Rajendran, S., & Murty, C.V.G.K. (Eds.). (2023). Mineral processing: Beneficiation operations and process optimisation through modelling. Amsterdam: Elsevier. doi: 10.1016/C2019-0-03555-8.

[37] Rosenblatt, M. (1956). Remarks on some nonparametric estimates of a density function. The Annals of Mathematical Statistics, 27(3), 832-837. doi: 10.1214/aoms/1177728190.

[38] Rumelhart, D.E., Hinton, G.E., & Williams, R.J. (1986). Learning representations by back-propagating errors. Nature, 323, 533-536. doi: 10.1038/323533a0.

[39] Shalev-Shwartz, S., & Ben-David, S. (2014). Understanding machine learning: From theory to algorithms. Cambridge: Cambridge University Press.

[40] Shapiro, S.S., & Wilk, M.B. (1965). An analysis of variance test for normality (complete samples). Biometrika, 52(3/4), 591-611. doi: 10.2307/2333709.

[41] Shenoy, V.V., Prasad, G.R., & Kumar, A.S. (2024). Effects of external magnetic field on flow separation, control and reattachment. Journal of the Brazilian Society of Mechanical Sciences and Engineering, 46(7), article number 404. doi: 10.1007/s40430-024-04968-x.

[42] Silverman, B.W. (1986). Density estimation for statistics and data analysis. London: Chapman & Hall.

[43] Sokur, M., Argat, R., Biletskyi, V., & Ravinska, V. (2022). Selection of rational principle scheme of iron quartz enrichment. Transactions of Kremenchuk Mykhailo Ostrohradskyi National University, 1(132), 149-156. doi: 10.32782/1995-0519.2022.1.20.

[44] Svoboda, J. (2004). Magnetic techniques for the treatment of materials. Dordrecht: Springer. doi: 10.1007/1-4020-2107-0.

[45] Wiegel, R.L. (1975). Liberation in magnetite iron formations. Transactions of the Society of Mining Engineers of AIME, 258(3), 247-256.

[46] Wills, B.A., & Finch, J.A. (2015). Wills’ mineral processing technology: An introduction to the practical aspects of ore treatment and mineral recovery. Oxford: Butterworth-Heinemann. doi: 10.1016/C2010-0-65478-2.

[47] Yang, N., Zhang, Z., Yang, J., & Hong, Z. (2022). Applications of data augmentation in mineral prospectivity prediction based on convolutional neural networks. Computers & Geosciences, 161, article number 105075. doi: 10.1016/j.cageo.2022.105075.

[48] Yeo, I.-K., & Johnson, R.A. (2000). A new family of power transformations to improve normality or symmetry. Biometrika, 87(4), 954-959.

Volovetskyi, О. (2024). Comprehensive methodology for creating enhanced datasets for modelling the process of magnetic separation of iron ore. Journal of Kryvyi Rih National University, 22(2), 10-27. https://doi.org/10.31721/2306-5451-2024-2-22-10-27
uk