Enhancing XRF sensor-based sorting of porphyritic copper ore using particle swarm optimization-support vector machine (PSO-SVM) algorithm
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
X-ray fluorescence (XRF) sensor-based ore sorting enables efficient beneficiation of heterogeneous ores, while intraparticle heterogeneity can cause significant grade detection errors, leading to misclassifications and hindering widespread technology adoption. Accurate classification models are crucial to determine if actual grade exceeds the sorting threshold using localized XRF signals. Previous studies mainly used linear regression (LR) algorithms including simple linear regression (SLR), multivariable linear regression (MLR), and multivariable linear regression with interaction (MLRI) but often fell short attaining satisfactory results. This study employed the particle swarm optimization support vector machine (PSO-SVM) algorithm for sorting porphyritic copper ore pebble. Lab-scale results showed PSO-SVM outperformed LR and raw data (RD) models and the significant interaction effects among input features was observed. Despite poor input data quality, PSO-SVM demonstrated exceptional capabilities. Lab-scale sorting achieved 93.0% accuracy, 0.24% grade increase, 84.94% recovery rate, 57.02% discard rate, and a remarkable 39.62 ¥/t net smelter return (NSR) increase compared to no sorting. These improvements were achieved by the PSO-SVM model with optimized input combinations and highest data quality (T=10, T is XRF testing times). The unsuitability of LR methods for XRF sensor-based sorting of investigated sample is illustrated. Input element selection and mineral association analysis elucidate element importance and influence mechanisms.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,000 | 0,000 |
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 découle