آمار
| تعداد نشریات | 4 |
| تعداد شماره‌ها | 157 |
| تعداد مقالات | 1,987 |
| تعداد مشاهده مقاله | 1,092,193 |
| تعداد دریافت فایل اصل مقاله | 854,521 |
پیش‌بینی توان کشی آسیای نیمه خود شکن با شبکه عصبی مصنوعی شعاعی بر اساس مولفه‌های اصلی | ||
| نشریه مهندسی عمران امیرکبیر | ||
| مقالات آماده انتشار، پذیرفته شده ، انتشار آنلاین از تاریخ 28 مرداد 1396 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22060/ceej.2017.12599.5240 | ||
| نویسندگان | ||
فاطمه السادات حسینیان1؛ بهرام رضایی1؛ سعید سلطانی محمدی  2
| ||
| 1گروه فرآوری مواد معدنی، دانشکده مهندسی معدن و متالورژی، دانشگاه صنعتی امیرکبیر، تهران، ایران | ||
| 2مهندسی معدن، دانشکده مهندسی، دانشگاه کاشان، کاشان | ||
| چکیده | ||
| ارائه مدل‌های آسیای نیمه خودشکن برای پیش‌بینی کارآیی آن یکی از ابزارهای مفید برای طراحی بهتر مدار خردایش است. هرچند پیش از این مدل‌های آسیای نیمه خودشکن زیادی ارائه شده است ولی در اکثر آن‌ها پیش‌بینی کارآیی آسیا در مقیاس صنعتی انجام نشده است. توان‌کشی آسیای نیمه خودشکن تاثیر موثری بر کارآیی آسیا دارد؛ بنابراین در این مطالعه، مدل جدیدی بر اساس ترکیب شبکه عصبی مصنوعی شعاعی و مولفه‌های اصلی برای پیش‌بینی توان‌کشی آسیای نیمه خود شکن ارائه شده است. پارامترهای رطوبت بار اولیه، دبی بار اولیه، وزن بار داخل آسیا، درصد جامد بار اولیه، دبی آب ورودی و خروجی به آسیا و اندیس کار انتخاب و تاثیر آن بر توان‌کشی آسیا بررسی شد. نتایج نشان داد که مدل ترکیبی شبکه عصبی مصنوعی و مولفه‌های اصلی آموزش یافته با 8512/0 = R و 7115/65 = RMSE قابلیت استفاده برای پیش‌بینی توان‌کشی آسیای نیمه خود شکن در مقیاس صنعتی را دارد. نتایج آنالیز حساسیت نشان داد که تمامی پارامترهای ورودی به مدل تاثیر معناداری بر خروجی دارند. | ||
| کلیدواژه ها | ||
| آسیای نیمه خودشکن؛ توان‌کشی؛ شبکه عصبی مصنوعی؛ شبکه های پایه شعاعی؛ مولفه‌های اصلی | ||
| موضوعات | ||
| روش های نوین مهندسی؛ مهندسی معدن و متالورژی | ||
| عنوان مقاله [English] | ||
| Perdition of semi-autogenous mill power using radial artificial neural network based on principal component Analysis | ||
| نویسندگان [English] | ||
| Fatemeh Sadat Hoseinian, Bahram Rezai, Saeed Soltani-Mohammadi | ||
| چکیده [English] | ||
| Providing of semi-autogenous (SAG) mill models for prediction of its effectiveness is one of the most useful tools for better design of grinding circuit. Many SAG mill models have been presented in the literature, but in most of them have not been predicted the mill performance in industrial scale. Semi-autogenous mill power has an effective impact on the mill performance. So in this study, a new model based on combination of radial artificial neural network and principal component is presented to predict semi-autogenous mill power. The feed moisture, mass flowrate, mill load cell weight, SAG mill solid percent, inlet and outlet water to the SAG mill and work index selected as input variables and evaluated the effect of them on the mill power. The results showed that the trained hybrid model of artificial neural network and principal component with R=0.8512 and RMSE= 65.7115 can be used to predict the semi-autogenous mill power in industrial scale. The sensitivity analysis results showed that all model input parameters had a significant effect on the output. | ||
| کلیدواژه ها [English] | ||
| Semi-autogenous mill, mill power, radial artificial neural network, Radial bases function, principal component | ||
|
آمار تعداد مشاهده مقاله: 18 |
||
