相关实验视频
Updated: Jun 11, 2025
09:17
Surrogate Model Development for Digital Experiments in Welding
Published on: March 28, 2025
714
实验研究和神经网络建模的整合,用于估计戴维斯管试验中的铁回收
Mohammad Tahami1, Mohammad-Reza Mohammadi2, Mahin Schaffie2
1Department of Mining Engineering, Shahid Bahonar University of Kerman, Kerman, Iran. tahami@eng.uk.ac.ir.
Scientific reports
|September 29, 2024
概括
这项研究开发了神经网络来预测铁矿石回收,发现通用回归神经网络 (GRNN) 比传统的戴维斯管测试更准确. 基于料的铁回收,GRNN准确地模拟了铁回收.
科学领域:
- 矿物加工 矿物加工
- 计算智能是一种计算智能.
- 材料科学 材料科学 材料科学
背景情况:
- 磁性分离对于铁矿石丰富至关重要.
- 戴维斯管 (DT) 测试是标准的,但需要大量的时间来优化磁回收.
- 精确预测铁回收对于高效的矿石加工至关重要.
研究的目的:
- 开发和比较通用回归神经网络 (GRNN) 和辐射基函数 (RBF) 神经网络,用于预测铁矿石回收.
- 根据DT测试结果,使用料的Fe和FeO含量来建模铁回收.
- 评估开发的神经网络模型的可靠性和准确性.
主要方法:
- 对铁矿石样本进行了613次戴维斯管试验,其含有不同含量的Fe和FeO.
- 使用DT测试数据开发了GRNN和RBF神经网络,Fe和FeO含量作为输入.
- 进行敏感性和杆分析以评估模型性能和可靠性.
主要成果:
- 与RBF相比,GRNN在预测铁回收方面表现优越.
- GRNN 实现了高精度,AAPRE 为 3.929%,RMSE 为 2.804,R2 为 0.976.
- 灵敏度分析显示,FeO含量对铁回收的影响比Fe含量更大.
结论:
- GRNN是预测铁矿石回收的可靠而准确的模型,在传统的DT测试上显著改进.
- 开发的GRNN模型为优化磁分离过程提供了更快,更有效的替代方案.
- 杆分析证实了GRNN的高可靠性,确定了最小的异常值.
