An adaptive artificial neural network to model a Cu/Pb/Zn flotation circuit
Notice bibliographique
Résumé
We describe the planning and development of an artificial neural network model of line 3 of the Copper/Lead/Zinc flotation circuit at Brunswick Mining's concentrator at Bathurst, New Brunswick. The prototype model predicts the copper and lead assays of the concentrate streams of this rougher flotation circuit. In the model, the actual values and rates of change in the main process variables such as head grades, reagent addition, mass flow, density, pH, temperature, cell level and grind size are treated as inputs. The global error in both training and testing of the model is used to indicate the accuracy of the model. The model is fully adaptable, i.e., it can be updated when required to account for ore and/or processing changes that are not currently included in the ANN because of lack of instrumentation or reliability of measurements. The adaptation algorithm is used to select current data to replace records in the existing training and testing datafile. Retraining is conducted whenever the model accuracy declines to a pre-defined target value. The algorithm determines the frequency of retraining. The final system will be expanded to calculate a total of 12 assays using a separate ANN model for each. All models are independently updated. This approach to artificial neural networks provides plant engineers with a process model that is always current and reasonably accurate. Model access provides flexibility in adjusting set-points to achieve increased efficiency in the control of process variables.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».