پيش بيني كارايي جدايش مس و انديس انتخابي مس از موليبدن در فلوتاسيون مس با استفاده از شبكه عصبي مصنوعي

Prediction of Separation Efficiency and Selectivity Index of Cu-Mo in Copper Flotation By Neural Network

در دو دهه اخير، استفاده از روش شبكه عصبي به منظور كنترل و مدلسازي فرايند¬هاي مختلف فراوري مواد مواد معدني نظير مرحله خردايش و آسيا كني، فرايند فلوتاسيون، فرايندهاي هيدرومتالورژيكي و فرايند شست و شوي زغال رواج يافته است. مهم ترين هدف كنترل سلولهاي فلوتاسيون، تضمين بازدهي متالورژيكي فرآيند است. لذا استفاده از مدل هاي پيش بيني كننده مانند شبكه هاي عصبي براي پيش بيني كيفيت محصول، به منظور كنترل بهتر فرآيند، امري ضروري است. در اين مقاله شبكه عصبي پس انتشار خطا با ساختار 2-10-10-8 براي پيش بيني همزمان كارايي جدايش مس و انديس انتخابي مس از موليبدن در كنسانتره مدار فلوتاسيون پيشنهاد گرديد. به منظور توسعه مدل از 8 متغير ورودي و 2 متغير خروجي استفاده شد. متغيرهاي ورودي متشكل از (pH، كلكتور، كفساز و گازوئيل بر حسب گرم بر تن، با ورودي بر حسب هزار تن، درصد جامد و عيار ورودي مس و موليدن در بار ورودي است. همچنين خروجي¬ها متشكل از (كارايي جدايش مس و انديس انتخابي گادين موليبدن از مس) بودند. نتايج به دست آمده در قياس با داده هاي واقعي، نشان داد كه پيش بيني انجام شده از مدل شبكه عصبي داراي دقت پيش بيني بسيار بالا با ضريب همبستگي (1 =R2) و ميانگين مربعات خطا (10- 10 × 3505/4=MSE ) است

In two last decade, in order to control and modeling of mineral processing stages such as crushing and grinding, Flotation process, Hydrometallurgical processes and coal washing, the neural network method has used. One of the most important objects from controlling of flotation cells is Warrant the metallurgical efficiency of the process. So, application of predictive models like neural network is necessary to predict the production quality. In this study, multi-layer NNs with Back Propagation (BP) algorithm with 8-10-10-2 structure has been used to Simultaneous estimation of Cu separation efficiency and selectivity index of Cu-Fe. The chemical reagents dosage (collector, frother and fuel oil), pH, solid percent, feed rates, Cu and Mo grades in the flotation feed were used as the input variables. The results showed that the proposed approach models can be used for accurate estimation in which the correlation coefficient and mean square error of ANN model was (R2=1) (MSE=4. 3505*10-10), respectively.