A Multi-Method Machine Learning Framework for Simulating Power Dynamics in an Iron Ore Cone Crusher Plant
Notice bibliographique
Résumé
Comminution, particularly post-crushing, is a critical phase in mineral processing that reduces run-of-mine ore to an acceptable particle size before undergoing a downstream beneficiation process. Despite its importance, this stage has been under-investigated probably due to challenges of sampling and data collection and inadequate technical and financial support. This research presents a multi-method machine learning framework designed to simulate the power dynamics within an industrial-scale iron ore cone crusher circuit. The framework integrates advanced artificial intelligence techniques to evaluate energy consumption and estimate cone crushers output K80 accurately. The developed framework spans from different algorithms by data preprocessing techniques such as normalization and Principal Component Analysis (PCA) to standardize and reduce the dataset’s dimensionality, coupled with multiple machine learning algorithms, including Gradient Boosting Machines (CatBoost, LightGBM, XGBoost), Support Vector Regression (SVR), and Long Short-Term Memory (LSTM) networks. The study utilized real-time data collected over six months by considering the key operational parameters such as total tonnage, hopper filling levels, power draw, cone position, and crusher discharge settings. The modeling approach was assessed using Mean Absolute Error (MAE), Root Mean Square Error (RMSE), Asymmetric Loss (AL), and the coefficient of determination (R2) as performance metrics. Results indicated that the LSTM model outperformed other methods by achieving the lowest MAE and RMSE and the highest R2 score of 0.92, thereby demonstrating superior precision in estimation. However, XGBoost showed optimal performance in managing asymmetric loss, highlighting its efficiency in error management across different scenarios. Model residual analysis, performance metrics box plots, and scatter plots comparing measured and estimated data across the models are also provided for further analysis. This study demonstrates the transformative potential of machine learning models in refining industrial process simulations, ultimately driving enhanced productivity and sustainability in the mining industry.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».