کاربرد قواعد انجمنی برای پیش بینی بازیابی در یک مدار فلوتاسیون صنعتی

از داده‌کاوی به عنوان کشف دانش نهفته در داده‌های موجود در یک پایگاه داده تعبیر می‌شود. امروزه به واسطه اتوماسیون کارخانه‌های فرآوری و افزایش تعداد سنسورها و تجهیزات اندازه‌گیری در خط تولید، حجم زیادی از داده‌های فرآیند در دسترس هستند. در این تحقیق از فن‌های مختلف داده‌کاوی برای مدل‌سازی و پیش‌بینی شاخص‌های متالورژیکی یک کارخانه فلوتاسیون صنعتی بر حسب متغیرهای فرآیند استفاده شده است. در کارخانه مذکور روزانه 20 هزار تن ماده معدنی با عیار مس حدود 6/0 درصد به کنسانتره مس با عیار 28-30 درصد تبدیل می‌شود. تغییرپذیری شدید ماهیت بار ورودی به کارخانه موجب شده است تا پیش‌بینی شاخص‌های فرآیند به یکی از چالش‌های اصلی مهندسین فرآیند تبدیل شود. در این تحقیق قابلیت الگوریتم‌های مختلف داده‌کاوی شامل درخت تصمیم، سری‌های زمانی و شبکه عصبی برای مدل‌سازی فرآیند بر اساس داده‌های 317 شیفت عملیات تولید بررسی شد و قواعد انجمنی بین برخی از متغیرهای فرآیند و شاخص‌های پاسخ فرآیند به دست آمد. نتایج حاکی از قابلیت مناسب فن‌های داده‌کاوی برای پیش‌بینی رفتار فرآیند در مواردی است که توسعه و استفاده از مدل‌های فیزیکی غیرممکن است.

prediction of the recovery in an industrial flotation circuit using association rules

data mining is commonly referred to as knowledge discovery within a database. these days, vast amounts of the process data are available due to the several variables involved, high level of automation, and many instruments underuse in the mineral processing plants. in this research, various data mining techniques were used to predict the metallurgical performance of a large copper flotation plant. the flotation plant under study treats 20000 tpd of the copper ore containing 0.6% cu and produces the copper concentrate containing 27-30% cu. prediction of the copper recovery in the plant is one of the main challenges for process engineers due to the extreme variation of the feed characteristics in the plant. the capabilities of different data mining algorithms, including decision trees, time series, and artificial neural networks, were evaluated using the data from 317 operation shifts. results showed that data mining is an effective and reliable technique for assessing, modeling, and predicting the processes for those physical models that are difficult or impossible to develop.