Горный институт КНЦ РАН, Апатиты РФ

Никитин Р. М., ученый секретарь, канд. техн. наук, r.nikitin@ksc.ru

Лукичев С. В., директор, д-р техн. наук, старший научный сотрудник, s.lukichev@ksc.ru

Опалев А. С., ведущий научный сотрудник, канд. техн. наук, a.opalev@ksc.ru

Апатитский филиал Мурманского арктического университета, Апатиты, РФ
Бирюков В. В., доцент, birukovval@rambler.ru

Разработано компьютерное приложение для создания адаптивных моделей процессов и технологических схем обогащения полезных ископаемых на основе технологии машинного обучения. Программа позволяет получать веса синапсов нейронной сети, связывающей входные и выходные показатели технологического процесса с заранее заданной точностью. В основу ее алгоритма положены принципы архитектуры нейронных сетей прямого распространения, включающей нейроны смещения. Программа может использоваться для непосредственного управления обогатительными процессами в структуре АСУ ТП, поиска оптимальных значений входных и выходных данных технологических процессов, прогнозирования их результатов с целью поиска наиболее быстрого и эффективного управляющего воздействия. На основе результатов работы приложения с данными, полученными при опробовании секции обогащения железосодержащей руды дробильно-обогатительной фабрики, разработана блочная адаптивная модель качественно-количественной схемы секции обогащения. Возможность корректировки наборов обучающих данных позволяет поддерживать состояние нейронной сети, отвечающее изменению условий работы обогатительного производства.

1. Khopunov E. A. Digitization of subsoil use technologies. Izvestiya Vysshikh Uchebnykh Zavedenii. Gornyi Zhurnal. 2021. No. 2. pp. 70–78.
2. Gritsayuk Ya. O., Osipova V. A. Digital transformation of beneficiation processes. KIP i Avtomatika: Obsluzhivanie i Remont. 2021. No. 1. pp. 29–31.
3. Rylnikova M. V., Strukov K. I., Radchenko D. N., Esina E. N. Digital transformation: A prerequisite and foundation for sustainable development of mining operations. Gornaya Promyshlennost. 2021. No. 3. pp. 74–78.
4. Nagovitsyn O. V. The development of MGIS in the modern realities of the Russian mining industry. Digital technologies in mining. Abstracts of the All-Russian scientific and technical conference. Apatity: KSC RAS, 2023. pp. 36–37.

5. Noome Z. M., Roux J. D., Padhi R. Optimal control of mineral processing plants using constrained model predictive static programming. Journal of Process Control. 2023. Vol. 129. DOI: 10.1016/j.jprocont.2023.103067
6. Aleksandrova T. N., Chanturia A. V. Ore preparation process selection for ferruginous quartzites based on simulation modeling. Obogashchenie Rud. 2023. No. 1. pp. 3–9.
7. Blyudenov A. P., Makushev S. Yu., Cherepanov D. V., Schneider D. A. Digitalization of a processing plant. Gornaya Promyshlennost. 2023. No. 3. pp. 15–18.
8. McCoy J. T., Auret L. Machine learning applications in minerals processing: A review. Minerals Engineering. 2019. Vol. 132. pp. 95–109.
9. Aldrich C. Deep learning in mining and mineral processing operations: A review. IFAC – Papers OnLine. 2020. Vol. 53, Iss. 2. pp. 11920–11925.
10. Ohenojaa M., Koistinen A., Hultgren M. et al. Continuous adaptation of a digital twin model for a pilot flotation plant. Minerals Engineering. 2023. Vol. 198. DOI: 10.1016/j.mineng.2023.108081
11. Zhang D., Gao X. A digital twin dosing system for iron reverse flotation. Journal of Manufacturing Systems. 2022. Vol. 63. pp. 238–249.
12. Koh E. J. Y., Amini E., Gaur S. et al. An automated machine learning (Auto ML) approach to regression models in minerals processing with case studies of developing industrial comminution and flotation models. Minerals Engineering. 2022. Vol. 189. DOI: 10.1016/j.mineng.2022.107886
13. Gomez-Flores A., Ilyas S., Heyes G. W., Kim H. A critical review of artificial intelligence in mineral concentration. Minerals Engineering. 2022. Vol. 189. DOI: 10.1016/j.mineng.2022.107884
14. Bakhmetova N. A., Tokarev S. V. Modeling of technological processes using neural networks. Sovremennye Naukoyemkie Tekhnologii. 2008. No. 2. pp. 139–140.
15. Antipin A. L., Zelenina L. I. Process modeling based on neural networks. Sovremennye Nauchnye Issledovaniya i Innovatsii. 2015. No. 7. URL: https://web.snauka.ru/issues/2015/07/55119 (accessed: 08.12.2024).
16. Jamróz D., Niedoba T., Pieta P., Surowiak A. The use of neural networks in combination with evolutionary algorithms to optimise the copper flotation Enrichment process. Applied Sciences. 2020. Vol. 10, Iss. 9. DOI: 10.3390/app10093119
17. Lu J., Li Ch., Ding J. Ensemble random weights neural network based online prediction model of the production rate for mineral beneficiation process. Proc. of the 5^th IFAC workshop on mining, mineral and metal processing. Shanghai, China. August 2018. DOI: 10.1016/j.ifacol.2018.09.383
18. Peng F., Nie Q. Research status and prospect of application of neural network in mineral processing prediction. Proc. of the 4^th International conference on cyber security intelligence and analytics. Cham: Springer, 2022. Vol. 2. pp. 615–621.