Enhancing XRF sensor-based sorting of porphyritic copper ore using particle swarm optimization-support vector machine (PSO-SVM) algorithm
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».