کاربرد ترکیب شبکه عصبی مصنوعی و الگوریتم ژنتیک در فرآوری مواد معدنی، مطالعه موردی: بازیابی باریت از باطله درین کاشان

در سال های اخیر، با توجه به نقایص شبکه عصبی برای پیش‌بینی متغیرهای خروجی، از الگوریتم ژنتیک برای بهینه‌سازی وزن‌های اولیه شبکه عصبی استفاده شده است. نتایج به دست آمده نشان داده که الگوریتم ژنتیک تأثیر مهمی در بهینه سازی وزن‌های اولیه و بهبود عملکرد مدل شبکه عصبی مصنوعی دارد. در اين پژوهش نیز از ترکیب شبکه عصبي مصنوعي و الگوریتم ژنتیک به منظور پيش بيني شرايط بهينه فرآیند پرعیارسازی ثقلی (جیگ) کارخانه درین کاشان استفاده شده است. بهينه سازي، کنترل و ارزيابي عمليات جیگ، مستلزم شبيه¬سازي دقيق، مناسب و همه جانبه از آن است. ارائه چنين مدلي نياز به شناسايي کليه پارامترهاي موثر در فرآيند و تاثير همزمان اين عوامل بر خروجي فرآيند دارد. پارامترهاي مهمي همچون دبی آب ورودی، اندازه ذرات بار ورودی، ضخامت بستر و فرکانس جیگ مطالعه و تاثير آن بر بازيابي محصول سنگین جیگ بررسي شد. آزمايش ها در دو دانه بندی (76/4+8-) و (5/0+76/4-) ميلي متر روی باطله باریت درین انجام شد. مقدار ضریب همبستگی 86068/0 برای مرحله آموزش و مقدار 91763/0 برای مرحله آزمایش به دست آمد که این نتایج نشان‌دهنده برازش خوب داده‌های پیش‌بینی شده بر داده‌های اندازه‌گیری شده است و نیز می توان مدل پیشنهادی الگوریتم ژنتیک- شبکه عصبی و نتایج آن را به عنوان یک سیستم خبره برای بهینه‌سازی شرایط عملیاتی و ارزیابی اندرکنش پارامترها به منظور تخمین بازیابی مدنظر باریت در جیگ به کار برد.‌

پیش بینی، بازیابی، الگوریتم ژنتیک، جیگ، شبکه عصبی مصنوعی