ابراهیم اله کرمی - دانشکده مهندسی معدن و متالورژی- دانشگاه امیرکبیر (پلی تکنیک) تهران
امید سلمانی نوری - دانشکده مهندسی معدن و متالورژی- دانشگاه امیرکبیر (پلی تکنیک) تهران
علی اکبر عبدالله زاده - دانشکده مهندسی معدن و متالورژی- دانشگاه امیرکبیر (پلی تکنیک) تهران دانشگاه کاشان
مهدی ایران نژاد - دانشکده مهندسی معدن و متالورژی- دانشگاه امیرکبیر (پلی تکنیک) تهران

در این مقاله، مدل های شبکه عصبی مصنوعی و رگرسیون غیرخطی چندگانه برای تخمین عملکرد متالورژیکی (عیار و بازیابی) فرایند صنعتی شناورسازی مس تحت شرایط عملیاتی مختلف توسعه یافت. در هر دو روش، مدلسازی بر اساس ۹۲ اندازهگیری تحت شرایط عملیاتی مختلف کارخانه تغلیظ مس سرچشمه کرمان انجام گرفت. پارامترهای ورودی برای هر دو روش مدلسازی pH، غلظت کلکتور و کفساز، عیار مس و مولیبدن در بار ورودی میباشند. مدل شبکه عصبی چند لایه پرسپترون با الگوریتم پس انتشار خطا با ساختار ۶:۷:۵:۲ جهت تخمین عیار و بازیابی مس توسعه یافت. برای ارزیابی عملکرد هر دو مدل، از دو معیار اندازهگیری آماری، میانگین مجموع مربعات خطا (MSE) و ضریب همبستگی (R) استفاده گردید. نتایج نشان داد، هر دو مدل قابلیت تخمین عملکرد متالورژیکی مس را در محدوده وسیعی از شرایط عملیاتی خواهد داشت. مدل قدرتمند شبکه عصبی با مقادیر ضریب همبستگی و MSE، ۰/۹۹ و ۰/۰۴۰۹ برای عیار مس و ۰/۹۹ و ۰/۰۱۹۹ برای بازیابی مس عملکرد بهتری نسبت به روش رگرسیون غیر خطی چندگانه با مقادیر ضریب همبستگی و MSE، ۰/۵۷ و ۴/۲۳۱ برای عیار و ۰/۶۴ و ۲/۰۱۲ برای بازیابی مس، دارد. از مطالعه حاضر میتوان دریافت که مدل شبکه عصبی با صحت بیشتری عیار و بازیابی مس را نسبت به روشهای سنتی آماری تخمین خواهد زد.

تخمین عملکرد متالورژیکی، رگرسیون غیرخطی، شبکه عصبی مصنوعی، شناورسازی مس