مقایسه روش های طبقه بندی، شبکه عصبی مصنوعی و رگرسیون چندمتغیره در برآورد بازیابی فلز از بلوک کانسنگ
<span lang="AR-SA" dir="RTL">با توجه به نقش بازیابی در محاسبه ارزش اقتصادی بلوک کانسنگ و تأثیر مقدار این ارزش بر محاسبات طراحی و برنامه</span><span></span><span lang="AR-SA" dir="RTL">ریزی تولید معدن، تعیین بازیابی فلز از بلوک کا...
| Main Authors: | , , |
|---|---|
| Format: | Article |
| Language: | fas |
| Published: |
Imam Khomeini International University
2020-06-01
|
| Series: | Muhandisī-i manābi̒-i ma̒danī |
| Subjects: | |
| Online Access: | http://jmre.journals.ikiu.ac.ir/article_1912_b338653ac650ac9dea8acc840fcc0619.pdf |
| _version_ | 1819150016523010048 |
|---|---|
| author | جواد غلام نژاد رضا لطفیان یوسف میرزائیان لرد کیوان |
| author_facet | جواد غلام نژاد رضا لطفیان یوسف میرزائیان لرد کیوان |
| author_sort | جواد غلام نژاد |
| collection | DOAJ |
| description | <span lang="AR-SA" dir="RTL">با توجه به نقش بازیابی در محاسبه ارزش اقتصادی بلوک کانسنگ و تأثیر مقدار این ارزش بر محاسبات طراحی و برنامه</span><span></span><span lang="AR-SA" dir="RTL">ریزی تولید معدن، تعیین بازیابی فلز از بلوک کانسنگ ارسالی به کارخانه فرآوری، از اهمیت بالایی برخوردار است. هدف از این پژوهش، بررسی قابلیت برآورد بازیابی بلوک کانسنگ به</span><span></span><span lang="AR-SA" dir="RTL">صورت کیفی و با روشهای مبتنی بر طبقه‌بندی داده‌ها از مجموعه روشهای داده‌کاوی و به</span><span></span><span lang="AR-SA" dir="RTL">صورت کمّی، با دو روش رگرسیون چندمتغیره و مدل هوشمند شبکه عصبی، بر اساس داده</span><span></span><span lang="AR-SA" dir="RTL">های آنالیز خوراک ورودی کارخانه است. برای نیل به این هدف، معدن مس میدوک مورد مطالعه قرار گرفت و با استفاده از 58 نمونه آنالیزشده عیار خوراک کارخانه، شامل عیارهای </span><span>Cu</span><span lang="AR-SA" dir="RTL">، </span><span>CuO</span><span lang="AR-SA" dir="RTL">و </span><span>CuS</span><span dir="RTL"> <span lang="AR-SA">و میزان بازیابی عنصر </span></span><span>Cu</span><span dir="RTL"> <span lang="AR-SA">در محصول نهایی، فرآیند پیش‌بینی بازیابی کل ذخیره به</span></span><span></span><span lang="AR-SA" dir="RTL">صورت کیفی با روشهای طبقه‌بندی درخت تصمیم، قانون بیز و الگوریتم نزدیک</span><span></span><span lang="AR-SA" dir="RTL">ترین همسایه انجام شد. برای برآورد کمّی میزان بازیابی ذخیره، مدل رگرسیون چندمتغیره و شبکه عصبی مصنوعی برای شاخص‌های عیاری مذکور و میزان بازیابی بین 47 نمونه از 58 نمونه برقرار شد و توسط 11 نمونه آنالیزشده آزمایشی، مدل</span><span></span><span lang="AR-SA" dir="RTL">های به</span><span></span><span lang="AR-SA" dir="RTL">دست</span><span></span><span lang="AR-SA" dir="RTL">آمده اعتبارسنجی شدند. معیارهای میانگین خطا و جذر میانگین مربعات خطا در مدل رگرسیونی به ترتیب 021702<sub>/</sub>0 و 024972<sub>/</sub>0 و در مدل شبکه عصبی مصنوعی به ترتیب 015753<sub>/</sub>0 و 021404<sub>/</sub>0 محاسبه شدند. بنابراین مدل شبکه عصبی مصنوعی به</span><span></span><span lang="AR-SA" dir="RTL">عنوان ابزار دقیق</span><span></span><span lang="AR-SA" dir="RTL">تری در پیش</span><span></span><span lang="AR-SA" dir="RTL">بینی بازیابی نسبت به مدل رگرسیون چندمتغیره عمل می</span><span></span><span lang="AR-SA" dir="RTL">کند. نتایج آنالیز حساسیت این مدل نشان داد، عیار </span><span>Cu</span><span dir="RTL"> <span lang="AR-SA">مهم</span></span><span></span><span lang="AR-SA" dir="RTL">ترین عامل و عیار </span><span>CuO</span><span dir="RTL"> <span lang="AR-SA">و </span></span><span>CuS</span><span dir="RTL"> <span lang="AR-SA">نیز به ترتیب، دیگر عوامل تاثیرگذار بر تغییرات بازیابی هستند.</span></span> |
| first_indexed | 2024-12-22T14:10:48Z |
| format | Article |
| id | doaj.art-12a6501df5ac4da1b72274ff5dfe2380 |
| institution | Directory Open Access Journal |
| issn | 2538-5143 2676-6132 |
| language | fas |
| last_indexed | 2024-12-22T14:10:48Z |
| publishDate | 2020-06-01 |
| publisher | Imam Khomeini International University |
| record_format | Article |
| series | Muhandisī-i manābi̒-i ma̒danī |
| spelling | doaj.art-12a6501df5ac4da1b72274ff5dfe23802022-12-21T18:23:13ZfasImam Khomeini International UniversityMuhandisī-i manābi̒-i ma̒danī2538-51432676-61322020-06-0152214110.30479/jmre.2019.10997.12841912مقایسه روش های طبقه بندی، شبکه عصبی مصنوعی و رگرسیون چندمتغیره در برآورد بازیابی فلز از بلوک کانسنگجواد غلام نژاد0رضا لطفیان1یوسف میرزائیان لرد کیوان2دانشیار، دانشکده مهندسی معدن و متالورژی، دانشگاه یزد، یزددانشجوی دکتری، دانشکده مهندسی معدن و متالورژی، دانشگاه یزد، یزداستادیار، دانشکده مهندسی معدن و متالورژی، دانشگاه یزد، یزد<span lang="AR-SA" dir="RTL">با توجه به نقش بازیابی در محاسبه ارزش اقتصادی بلوک کانسنگ و تأثیر مقدار این ارزش بر محاسبات طراحی و برنامه</span><span></span><span lang="AR-SA" dir="RTL">ریزی تولید معدن، تعیین بازیابی فلز از بلوک کانسنگ ارسالی به کارخانه فرآوری، از اهمیت بالایی برخوردار است. هدف از این پژوهش، بررسی قابلیت برآورد بازیابی بلوک کانسنگ به</span><span></span><span lang="AR-SA" dir="RTL">صورت کیفی و با روشهای مبتنی بر طبقه‌بندی داده‌ها از مجموعه روشهای داده‌کاوی و به</span><span></span><span lang="AR-SA" dir="RTL">صورت کمّی، با دو روش رگرسیون چندمتغیره و مدل هوشمند شبکه عصبی، بر اساس داده</span><span></span><span lang="AR-SA" dir="RTL">های آنالیز خوراک ورودی کارخانه است. برای نیل به این هدف، معدن مس میدوک مورد مطالعه قرار گرفت و با استفاده از 58 نمونه آنالیزشده عیار خوراک کارخانه، شامل عیارهای </span><span>Cu</span><span lang="AR-SA" dir="RTL">، </span><span>CuO</span><span lang="AR-SA" dir="RTL">و </span><span>CuS</span><span dir="RTL"> <span lang="AR-SA">و میزان بازیابی عنصر </span></span><span>Cu</span><span dir="RTL"> <span lang="AR-SA">در محصول نهایی، فرآیند پیش‌بینی بازیابی کل ذخیره به</span></span><span></span><span lang="AR-SA" dir="RTL">صورت کیفی با روشهای طبقه‌بندی درخت تصمیم، قانون بیز و الگوریتم نزدیک</span><span></span><span lang="AR-SA" dir="RTL">ترین همسایه انجام شد. برای برآورد کمّی میزان بازیابی ذخیره، مدل رگرسیون چندمتغیره و شبکه عصبی مصنوعی برای شاخص‌های عیاری مذکور و میزان بازیابی بین 47 نمونه از 58 نمونه برقرار شد و توسط 11 نمونه آنالیزشده آزمایشی، مدل</span><span></span><span lang="AR-SA" dir="RTL">های به</span><span></span><span lang="AR-SA" dir="RTL">دست</span><span></span><span lang="AR-SA" dir="RTL">آمده اعتبارسنجی شدند. معیارهای میانگین خطا و جذر میانگین مربعات خطا در مدل رگرسیونی به ترتیب 021702<sub>/</sub>0 و 024972<sub>/</sub>0 و در مدل شبکه عصبی مصنوعی به ترتیب 015753<sub>/</sub>0 و 021404<sub>/</sub>0 محاسبه شدند. بنابراین مدل شبکه عصبی مصنوعی به</span><span></span><span lang="AR-SA" dir="RTL">عنوان ابزار دقیق</span><span></span><span lang="AR-SA" dir="RTL">تری در پیش</span><span></span><span lang="AR-SA" dir="RTL">بینی بازیابی نسبت به مدل رگرسیون چندمتغیره عمل می</span><span></span><span lang="AR-SA" dir="RTL">کند. نتایج آنالیز حساسیت این مدل نشان داد، عیار </span><span>Cu</span><span dir="RTL"> <span lang="AR-SA">مهم</span></span><span></span><span lang="AR-SA" dir="RTL">ترین عامل و عیار </span><span>CuO</span><span dir="RTL"> <span lang="AR-SA">و </span></span><span>CuS</span><span dir="RTL"> <span lang="AR-SA">نیز به ترتیب، دیگر عوامل تاثیرگذار بر تغییرات بازیابی هستند.</span></span>http://jmre.journals.ikiu.ac.ir/article_1912_b338653ac650ac9dea8acc840fcc0619.pdfبازیابیطبقه‌بندیرگرسیون چندمتغیرهشبکه عصبی مصنوعی |
| spellingShingle | جواد غلام نژاد رضا لطفیان یوسف میرزائیان لرد کیوان مقایسه روش های طبقه بندی، شبکه عصبی مصنوعی و رگرسیون چندمتغیره در برآورد بازیابی فلز از بلوک کانسنگ Muhandisī-i manābi̒-i ma̒danī بازیابی طبقه‌بندی رگرسیون چندمتغیره شبکه عصبی مصنوعی |
| title | مقایسه روش های طبقه بندی، شبکه عصبی مصنوعی و رگرسیون چندمتغیره در برآورد بازیابی فلز از بلوک کانسنگ |
| title_full | مقایسه روش های طبقه بندی، شبکه عصبی مصنوعی و رگرسیون چندمتغیره در برآورد بازیابی فلز از بلوک کانسنگ |
| title_fullStr | مقایسه روش های طبقه بندی، شبکه عصبی مصنوعی و رگرسیون چندمتغیره در برآورد بازیابی فلز از بلوک کانسنگ |
| title_full_unstemmed | مقایسه روش های طبقه بندی، شبکه عصبی مصنوعی و رگرسیون چندمتغیره در برآورد بازیابی فلز از بلوک کانسنگ |
| title_short | مقایسه روش های طبقه بندی، شبکه عصبی مصنوعی و رگرسیون چندمتغیره در برآورد بازیابی فلز از بلوک کانسنگ |
| title_sort | مقایسه روش های طبقه بندی، شبکه عصبی مصنوعی و رگرسیون چندمتغیره در برآورد بازیابی فلز از بلوک کانسنگ |
| topic | بازیابی طبقه‌بندی رگرسیون چندمتغیره شبکه عصبی مصنوعی |
| url | http://jmre.journals.ikiu.ac.ir/article_1912_b338653ac650ac9dea8acc840fcc0619.pdf |
| work_keys_str_mv | AT jwạdgẖlạmnzẖạd mqạyshrwsẖhạyṭbqhbndysẖbḵhʿṣbymṣnwʿywrgrsywncẖndmtgẖyrhdrbrậwrdbạzyạbyflzạzblwḵḵạnsng AT rḍạlṭfyạn mqạyshrwsẖhạyṭbqhbndysẖbḵhʿṣbymṣnwʿywrgrsywncẖndmtgẖyrhdrbrậwrdbạzyạbyflzạzblwḵḵạnsng AT ywsfmyrzạỷyạnlrdḵywạn mqạyshrwsẖhạyṭbqhbndysẖbḵhʿṣbymṣnwʿywrgrsywncẖndmtgẖyrhdrbrậwrdbạzyạbyflzạzblwḵḵạnsng |