فهرست نشریات علمی دسترسی آزاد ایران

هدف:  هدف از فرآوری سنگ آهن در کارخانه‌های فرآوری، دستیابی به محصولی با عیار مناسب و حداکثر بازیابی آهن است. میزان بازیابی آهن در سیستم‌های فرآوری به پارامترهای متعددی وابسته است که تعیین آن از طریق توزین و تست‌های آزمایشگاهی، زمان‌بر و پرهزینه می‌باشد. با توسعه استفاده از هوش مصنوعی برای پیش‌بینی و بهینه‌سازی عملکرد سیستم‌های صنعتی، به نظر می‌رسد که این فناوری بتواند راهگشای بسیاری از مسائل مطرح در صنایع فرآوری مواد معدنی، از جمله کارخانه‌های فرآوری سنگ آهن باشد. لذا هدف از این تحقیق، امکان‌سنجی استفاده از هوش مصنوعی برای پیش‌بینی بازیابی آهن بر مبنای عیار آهن (Fe) و اکسید آهن (FeO) به عنوان اولین قدم در راستای توسعه کاربرد این فناوری در صنایع معدنی است.مواد و روش: برای انجام این پژوهش، داده‌های روزانه عیار Fe و FeO در خوراک و بازیابی آهن مربوط به کارخانه کنسانتره سنگ آهن مرکزی، که شامل دو خط تولید چغارت و سه چاهون است، جمع‌آوری شد. مدلسازی بازیابی آهن با استفاده از دو مدل MLP  (Multilayerperceptron neural network) و CFNN  (Cascade forward neural network) انجام گرفت. در این مدلسازی، عیار Fe و FeO خوراک به‌عنوان ورودی‌های مدل و بازیابی آهن به‌عنوان خروجی در نظر گرفته شدند.نتایج: هر دو مدل عملکرد نسبتاً مشابهی دارند، اما CFNN از پارامترهای آماری بهتری برخوردار است. مقدار R² در مدل CFNN برای خطوط تولید چغارت و سه چاهون به ترتیب 831/0 و 837/0 به‌دست آمد، در حالی که RMSE این مدل‌ها به‌ترتیب 655/1و 823/1 محاسبه شد. با بررسی نتایج مشخص گردید که مدل CFNN قادر است با اطمینان ۹۵ درصد، بازیابی آهن را با خطای نسبی کمتر از ۵ درصد برای هر دو خط تولید پیش‌بینی کند.نتیجه‌گیری: استفاده از عیارهای Fe و FeO به تنهایی به عنوان ورودی مدل‌ها، نمی تواند به یک مدل جامع جهت جایگزینی با محاسبات مرسوم، تبدیل شود، لذا تاثیر سایر پارامتر های موثر کاملا در این پژوهش مشخص می گردد. همچنین آنالیز حساسیت نشان داد که بازیابی آهن با هر دو پارامتر ورودی مدل رابطه مستقیم دارد، اما عیار Fe خوراک تأثیر بیشتری بر بازیابی آهن می گذارد. نتایج این تحقیق نشان می‌دهد که استفاده از هوش مصنوعی برای پیش‌بینی بازیابی آهن بسیار امیدوارکننده است. با افزایش دقت مدل‌ها از طریق افزودن داده‌ها و پارامترهای ورودی، می‌توان به مدل‌هایی دست یافت که قادر به کاهش هزینه‌ها و زمان مورد نیاز برای عیارسنجی در کارخانه هستند.