بررسی امکان پیش بینی بازیابی آهن در کارخانه های فرآوری سنگ آهن بر مبنای عیار خوراک با استفاده از هوش مصنوعی

هدف:  هدف از فرآوری سنگ آهن در کارخانه های فرآوری، دستیابی به محصولی با عیار مناسب و حداکثر بازیابی آهن است. میزان بازیابی آهن در سیستم های فرآوری به پارامترهای متعددی وابسته است که تعیین آن از طریق توزین و تست های آزمایشگاهی، زمان بر و پرهزینه می باشد. با توسعه استفاده از هوش مصنوعی برای پیش بینی و بهینه سازی عملکرد سیستم های صنعتی، به نظر می رسد که این فناوری بتواند راهگشای بسیاری از مسائل مطرح در صنایع فرآوری مواد معدنی، از جمله کارخانه های فرآوری سنگ آهن باشد. لذا هدف از این تحقیق، امکان سنجی استفاده از هوش مصنوعی برای پیش بینی 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، داده های 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، جمع آوری 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 به عنوان ورودی های مدل و بازیابی آهن به عنوان خروجی در نظر گرفته شدند.نتایج: هر دو مدل عملکرد نسبتا مشابهی دارند، اما CFNN از پارامترهای آماری بهتری برخوردار است. مقدار R² در مدل CFNN برای خطوط تولید چغارت و سه چاهون به ترتیب ۸۳۱/۰ و ۸۳۷/۰ به دست آمد، در حالی که RMSE این مدل ها به ترتیب ۶۵۵/۱و ۸۲۳/۱ 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 پیش بینی کند.نتیجه گیری: استفاده از عیارهای Fe و FeO به تنهایی به عنوان ورودی مدل ها، 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 تاثیر بیشتری بر بازیابی آهن می گذارد. نتایج این تحقیق نشان می دهد که استفاده از هوش مصنوعی برای پیش بینی بازیابی آهن بسیار امیدوارکننده است. با افزایش دقت مدل ها از طریق افزودن داده ها و پارامترهای ورودی، می توان به مدل هایی دست یافت که قادر به کاهش هزینه ها و زمان مورد نیاز برای عیارسنجی در کارخانه هستند.

کلیدواژه ها:

بازیابی آهن ، جدایش مغناطیسی ، مدلسازی ، شبکه عصبی ، فراوری مواد معدنی