Umělá inteligence (AI) byla v posledních letech postupně aplikována v různých fázích zpracování nerostů, jako je analýza a identifikace vlastností rudy, inteligentní řízení gravitační separace, magnetické separace, flotace a optimalizace procesů drcení a mletí.
Ve srovnání s tradičními technologiemi řízení a počítačovými-metodami vykazuje AI významné výhody při řešení složitých problémů, simulaci lidského chování a přizpůsobování se změnám ve vnějším prostředí. Je považována za nevyhnutelnou cestu pro rozvoj hlubinného-průmyslu zpracování nerostných surovin.
Inteligentní analýza a identifikace
Při analýze a identifikaci rud vyniká hluboké učení zejména při zpracování obrazu. V kombinaci s algoritmy, jako jsou konvoluční neuronové sítě (CNN), dokáže efektivně analyzovat mikroskopické obrazy nebo data skenování rud. Zpracováním spektrálních dat minerálů mohou neuronové sítě automaticky identifikovat chemické složení a strukturu různých minerálů, což eliminuje zdlouhavé manuální analýzy.
Automatické rozpoznávání různých typů rud hraje klíčovou roli při hodnocení nerostných zdrojů a třídění kvality rudy. Výzkumníci také zkombinovali modely hlubokého{1}}učení, aby automaticky extrahovali charakteristiky šíření minerálů z mikroskopických snímků a snímků ze skenovací elektronové mikroskopie (SEM), aby mohli vypočítat velikost uvolňování minerálů.
Inteligentní gravitační separace
Výhody inteligentní gravitační separace spočívají ve skutečnosti, že samotné zařízení nevyžaduje žádné přidávání činidla a má nízké provozní náklady. Řízení pomocí AI- může dále zlepšit přesnost separace a úrovně automatizace, takže je zvláště vhodné pro sypké materiály, jako je uhlí, ilmenit a chromit.
Omezení inteligentní gravitační separace jsou však také zcela evidentní. Většina studií zůstává ve fázi laboratorního nebo pilotního-rozsahu, s vážným nedostatkem průmyslového online ověřování. Metody rozpoznávání rozhraní založené na strojovém -vidění- jsou silně ovlivněny zákalem kalu, pokrytím pěnou a světelnými podmínkami, což má za následek nedostatečnou přizpůsobivost. Hydrodynamické a multi{6}}mechanismy interakce částic při gravitační separaci jsou složité a stávající senzory nejsou schopny poskytnout dostatečně bohaté informace o stavu v reálném čase-, což omezuje vstupní rozměry dat-řízených modelů. Kromě toho se separační charakteristiky velmi liší mezi různými typy rud a velikostními frakcemi, což ztěžuje migraci modelu.
V budoucnu bude inteligentní vývoj gravitační separace vyžadovat pokročilejší online detekční techniky (např. ultrazvukovou Dopplerovu velocimetrii, elektrickou odporovou tomografii) a integraci výsledků simulace výpočetní dynamiky tekutin (CFD) do hybridních modelovacích rámců.
Inteligentní magnetická separace
Výzkum inteligentní magnetické separace začal relativně pozdě, ale rychle se rozvíjel, zejména se zaměřením na optimalizaci provozních parametrů, online predikci sklonu a inteligentní řídicí systémy.
Mezi výhody inteligentní magnetické separace patří: vstupní proměnné procesu magnetické separace jsou relativně dobře-definovány, s nižší nelinearitou než flotace, což umožňuje metodám založeným na datech-snáze dosáhnout uspokojivých výsledků; konvenční přístroje (ampérmetry, průtokoměry, hustoměry) nabízejí vysokou přesnost a jednoduchou údržbu, což má za následek nízké náklady na pořízení dat; a magnetická separace je často uspořádána ve vícestupňových sériích, takže místní optimalizace může přinést značné výhody.
Nevýhody jsou následující: u slabě magnetických minerálů jsou magnetizační charakteristiky a agregační chování částic složité a většina existujících modelů zřídka zahrnuje mikroskopické faktory (jako je distribuce citlivosti částic a magnetohydrodynamika). U magnetických separátorů s vysokým -gradientem má matrice tendenci se po delším provozu ucpávat, což vede ke snížení gradientu magnetického pole, ale proudové senzory mají potíže s poskytováním včasných varování. Když více magnetických separátorů funguje v koordinaci, lokální optimalizace jedné jednotky se nutně nerovná globální optimalizaci, což vyžaduje-celozávodní rámec pro kolaborativní optimalizaci. Navíc se chování při magnetické separaci hrubých a jemných frakcí značně liší, což ztěžuje, aby jednotný empirický model pokryl všechny případy.
Inteligentní flotace
Výzkum umělé inteligence je nejpokročilejší v oblasti flotace a soustředí se především na tři oblasti: analýzu obrazu pěny, předpověď výkonu flotace a inteligentní řízení a optimalizaci.
Hlavní výhody inteligentní flotace jsou: výrazné snížení spoléhání se na lidskou zkušenost, zvýšení odolnosti procesu vůči rušení a dosažení posunu od „spoléhání se na zkušenosti při čtení pěny“ k „přesné regulaci-řízené daty“. Dokáže zpracovávat více-dimenzionální nelineární vztahy a odhalovat skryté vzorce, které je pro člověka obtížné odhalit. Po řízení s uzavřenou-cyklickou smyčkou se sníží rozptyl klíčových ukazatelů výkonu a zlepší se stabilita produktu.
Pokud jde o skutečné přínosy, hlášené případy ukazují, že po aplikaci umělé inteligence se kvalita koncentrátu může zvýšit o 3-6 %, výtěžnost se může zlepšit o 2–5 % a spotřeba činidla se může snížit o 8–15 %. Rozsáhlá průmyslová aplikace inteligentní flotace však stále čelí vážným problémům.
Optimalizace procesů
Optimalizace procesů drcení a mletí-na základě umělé inteligence zahrnuje: používání modelů, jako jsou náhodné lesy, podpůrné vektorové stroje a konvoluční neuronové sítě, k identifikaci tvrdosti rudy, odhadu velikosti částic a distribuce velikosti, optimalizaci operací drcení, předpovídání mletí rudy online a provádění více-parametrové optimalizace mletí. Tyto snahy přeměňují drcení a mletí z ručního ovládání na inteligentní a kolaborativní provoz, čímž se proces zdokonaluje z „pasivního nastavení“ na „aktivní predikci“.
V praktických aplikacích již dosáhla průmyslová implementace online detekce velikosti částic mletí a hustoty buničiny, přičemž se komerčně používají technologie, jako je laserové -měření velikosti částic vytěsňovacího zařízení- a detekce koncentrace Na-22 z osvobozeného-zdroje.