Study of the internal environment quality monitoring system for a laboratory model of a mining separator at key sensitive points of operation and process control using artificial intelligence
Notice bibliographique
Résumé
Modeling the quality of the indoor environment in buildings using neural networks, as an element supporting automatic process control, has become extremely popular nowadays. By analogy, attempts are being made to use the experience gained in construction and implement it in industry. The publication proposes a method of modeling feedforward neural networks, thanks to which it is possible to obtain the most efficient network with one hidden layer in terms of the given quality criterion. This network was implemented in the control system of the mining separator operation as part of pilot studies. The research included testing a laboratory model of the separator placed in a sea container modified for the separator function, in which modern automation technologies and monitoring of environmental parameters were integrated. Among others, time, outside temperature, set temperature, temperature error and controller output were measured. The measurements were taken at the points of installation of devices sensitive to the working environment - controllers, I/O modules, X-ray (XRT-DE) and optical analysis (VIS-NIR), enabling precise examination of the composition and quality of mineral resources. The internal environmental conditions in the housings of the above-mentioned sensitive elements and in the server room were the basis for the analysis. The aim was to develop a performance model enabling effective improvement of the working environment of all electrical and mechanical devices affecting energy efficiency and the internal environment. Separators operate in a very diverse environment, such as: tropical forests, Canadian Tundra, or desert areas in Africa, as well as EU countries, the USA and Australia. These devices are used in both open pit and underground mines. The use of modern technologies and mobile solutions in the mining industry contributes to increased efficiency, operational safety and, consequently, minimizing the negative impact on the environment. The research results confirmed that precise monitoring and control to ensure environmental conditions at selected separator points is crucial to ensuring the continuity and quality of the separation process.
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 | 0,000 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 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) | 0,002 | 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 ».