كنفرانس بين المللی مهندسی صنايع و سيستم ها

صفحه اصلی / دوازدهمین كنفرانس بين المللی مهندسی صنايع و سيستم ها

پیشبینی عیار مس در فرایند ذوب فلش مجتمع مس سرچشمه با بهرهگیری از الگوریتمهای یادگیری جمعی

نویسندگان :

سارا شفیعی نژاد¹ یاسمن اسدی² محمدرضا نامجو³ امیر ابراهیمی زاده⁴

1- دانشگاه شهید باهنر کرمان 2- دانشگاه شهید باهنر کرمان 3- دانشگاه شهید باهنر کرمان 4- دانشگاه شهید باهنر کرمان

کلمات کلیدی :

پیش بینی مس،یادگیری جمعی،درخت تصمیم،جنگل تصادفی،XGBoost،ذوب فلش

چکیده :

هدف این پژوهش، طراحی و ارزیابی مدلهای یادگیری ماشین برای پیشبینی عیار مس در فرایند ذوب فلش مجتمع مس سرچشمه براساس دادههای واقعی حاصل از تولیدات روزانه طی سالهای 1400 تا1404 است. عیار مس در خروجی مات کوره فلش، یکی از مهمترین شاخصهای کیفیت و بهرهوری در فرایند ذوب مس محسوب میشود. این پارامتر مستقیماً بر مصرف انرژی، راندمان بازیابی مس، ترکیب شیمیایی سرباره، کیفیت آندهای تولیدی و درنهایت خلوص کاتد مس تأثیرگذار است. نوسانات نامطلوب در عیار مات میتواند منجر به افزایش هزینههای عملیاتی و افت کیفیت محصول نهایی شود؛ بنابراین، پیشبینی دقیق عیار مس و شناسایی عوامل مؤثر بر آن، ابزاری راهبردی برای بهینهسازی عملیات ذوب، کاهش ضایعات و پشتیبانی از تصمیمگیریهای سیاستگذاری تولید به شمار میرود. بدین منظور، سه الگوریتم یادگیری جمعی شامل درخت تصمیم ، جنگل تصادفی و XGBoost بر روی مجموعه دادهای پیاده سازی شدند. پس از پیشپردازش دادهها، پارامترهای مدلها با استفاده از جستجوی شبکهای و اعتبارسنجی متقابل بر مبنای ضریب تعیین و میانگین مربعات خطاها و درصد میانگین قدرمطلق خطاها بهینهسازی گردیدند. نتایج ارزیابی نهایی برروی دادههای تست نشان داد که مدل XGBoost با R2 55/0 و MSE 00078/0 و MAPE 51/2 عملکرد بهتری نسبت به مدلهای درخت تصمیم و جنگل تصادفی ارائه داده است. تحلیل اهمیت ویژگیها، خروجی خشککن SiO2 را بهعنوان مؤثرترین عامل در پیشبینی عیار مات معرفی کرد. باوجود این، محدودیتهای موجود در دادهها مانع از دستیابی به ضریب تعیین بالای 60% شد که نشاندهنده پتانسیل بهبود با بهکارگیری مدلهای پیچیدهتر است. نتایج این پژوهش میتواند مبنایی عملی برای تحلیلهای سیاستگذاری، بهینهسازی فرایند ذوب و افزایش بهرهوری کلی واحد تولید مس فراهم آورد.