В останні роки штучний інтелект (AI) поступово застосовувався на різних етапах переробки корисних копалин, таких як аналіз властивостей руди та ідентифікація, інтелектуальне керування гравітаційною сепарацією, магнітною сепарацією, флотацією та оптимізацією процесів дроблення та подрібнення.
Порівняно з традиційними технологіями керування та комп’ютерними методами, -штучний інтелект демонструє значні переваги у вирішенні складних проблем, моделюванні поведінки людини та адаптації до змін у зовнішньому середовищі. Це вважається неминучим шляхом для розвитку промисловості глибокої{2}}переробки корисних копалин.
Інтелектуальний аналіз та ідентифікація
В аналізі та ідентифікації руди глибоке навчання виділяється особливо в обробці зображень. У поєднанні з такими алгоритмами, як згорточні нейронні мережі (CNN), він може ефективно аналізувати мікроскопічні зображення або дані сканування руди. Обробляючи спектральні дані мінералів, нейронні мережі можуть автоматично ідентифікувати хімічний склад і структуру різних мінералів, усуваючи виснажливі етапи ручного аналізу.
Автоматичне розпізнавання різних типів руд відіграє вирішальну роль в оцінці мінеральних ресурсів і оцінці якості руди. Дослідники також об’єднали моделі глибокого-навчання, щоб автоматично отримувати характеристики поширення мінералів із мікроскопічних зображень і зображень скануючої електронної мікроскопії (SEM), щоб розрахувати розмір вивільнення мінералів.
Інтелектуальне гравітаційне розділення
Переваги інтелектуальної гравітаційної сепарації полягають у тому, що саме обладнання не вимагає додавання реагентів і має низькі експлуатаційні витрати. Управління за допомогою штучного інтелекту- може ще більше підвищити точність розділення та рівень автоматизації, що робить його особливо придатним для сипучих матеріалів, таких як вугілля, ільменіт і хроміт.
Однак обмеження інтелектуального гравітаційного розділення також цілком очевидні. Більшість досліджень залишаються на стадії лабораторії чи пілотного-масштабу з серйозною нестачею промислової онлайн-валідації. На методи розпізнавання інтерфейсу-на основі машинного{3}}зіру-значно впливають каламутність суспензії, покриття піною та умови освітлення, що призводить до недостатньої адаптивності. Гідродинамічні та-механізми взаємодії багатьох частинок у гравітаційному розділенні є складними, і існуючі датчики не можуть надати достатньо багато інформації про стан-у реальному часі, що обмежує вхідні розміри моделей,-на основі даних. Крім того, характеристики поділу сильно відрізняються для різних типів руди та фракцій розміру, що ускладнює міграцію моделі.
У майбутньому інтелектуальна розробка гравітаційного розділення вимагатиме більш просунутих методів онлайн-виявлення (наприклад, ультразвукова доплерівська велосиметрія, електрорезистивна томографія) та інтеграції результатів моделювання обчислювальної гідродинаміки (CFD) у гібридні структури моделювання.
Інтелектуальна магнітна сепарація
Дослідження інтелектуальної магнітної сепарації почалися відносно пізно, але швидко розвивалися, головним чином зосереджуючись на оптимізації робочих параметрів, онлайн-прогнозуванні рівня та інтелектуальних системах керування.
Переваги інтелектуальної магнітної сепарації включають: вхідні змінні процесу магнітної сепарації відносно добре-визначені, з меншою нелінійністю, ніж флотація, що дозволяє методам-на основі даних легше досягати задовільних результатів; звичайні прилади (амперметри, витратоміри, денситометри) пропонують високу точність і просте обслуговування, що призводить до низьких витрат на отримання даних; а магнітна сепарація часто складається з кількох-етапів, тому локальна оптимізація може дати значні переваги.
Недоліки такі: для слабомагнітних мінералів характеристики намагніченості та поведінка агрегації частинок є складними, і більшість існуючих моделей рідко включають мікроскопічні фактори (такі як розподіл сприйнятливості частинок і магнітогідродинаміка). У високо-магнітних сепараторах матриця має тенденцію забиватися після тривалої роботи, що призводить до зменшення градієнта магнітного поля, але датчики струму мають труднощі з наданням ранніх попереджень. Коли кілька магнітних сепараторів працюють узгоджено, локальна оптимізація одного блоку не обов’язково дорівнює глобальній оптимізації, що вимагає-системи спільної оптимізації для всього підприємства. Крім того, поведінка магнітної сепарації грубих і дрібних фракцій значно відрізняється, що ускладнює уніфіковану емпіричну модель для охоплення всіх випадків.
Розумна флотація
Дослідження штучного інтелекту є найбільш просунутими в галузі флотації, головним чином зосередженими на трьох областях: аналіз пінного зображення, прогнозування ефективності флотації та інтелектуальне керування та оптимізація.
Основними перевагами інтелектуальної флотації є: суттєве зменшення залежності від людського досвіду, підвищення стійкості процесу до перешкод і досягнення переходу від «покладання на досвід для читання піни» до «точного-регулювання на основі даних». Він здатний обробляти багато-вимірні нелінійні зв’язки та розкривати приховані шаблони, які людям важко виявити. Після замкнутого-контролю циклу дисперсія ключових показників ефективності зменшується, а стабільність продукту покращується.
З точки зору фактичних переваг, зареєстровані випадки показують, що після застосування штучного інтелекту рівень концентрату може підвищитися на 3-6%, відновлення може покращитися на 2-5%, а споживання реагенту може зменшитися на 8-15%. Тим не менш, широкомасштабне промислове застосування інтелектуальної флотації все ще стикається з серйозними проблемами.
Оптимізація процесів
Оптимізація-процесів дроблення та подрібнення на основі штучного інтелекту включає: використання таких моделей, як випадкові ліси, опорні векторні машини та згорткові нейронні мережі для визначення твердості руди, оцінки розміру частинок і розподілу за розміром, оптимізації операцій дроблення, прогнозування здатності до подрібнення руди в режимі онлайн і виконання багато-параметричної оптимізації подрібнення. Ці зусилля перетворюють дроблення та подрібнення з ручного керування на інтелектуальну та спільну роботу, модернізуючи процес від «пасивного регулювання» до «активного прогнозування».
У практичних застосуваннях онлайн-визначення розміру подрібнених частинок і щільності целюлози вже досягло промислового впровадження з такими технологіями, як лазерне-вимірювання-розміру частинок-зміщенням і-визначення концентрації Na-22 за винятком джерела, які комерційно застосовуються.