Viimastel aastatel on tehisintellekti (AI) järk-järgult rakendatud mineraalide töötlemise erinevates etappides, nagu maagi omaduste analüüs ja tuvastamine, gravitatsioonilise eraldamise intelligentne juhtimine, magnetiline eraldamine, flotatsioon ning purustamis- ja jahvatusprotsesside optimeerimine.
Võrreldes traditsiooniliste juhtimistehnoloogiate ja{0}}arvutipõhiste meetoditega on tehisintellektil olulisi eeliseid keeruliste probleemide lahendamisel, inimkäitumise simuleerimisel ja väliskeskkonna muutustega kohanemisel. Seda peetakse mineraalide süvatöötlemise tööstuse{2}}edenemise vältimatuks teeks.
Arukas analüüs ja tuvastamine
Maagi analüüsimisel ja tuvastamisel paistab sügav õppimine silma eelkõige pilditöötluses. Koos selliste algoritmidega nagu konvolutsioonilised närvivõrgud (CNN) saab see tõhusalt analüüsida mikroskoopilisi pilte või maagi skaneerimise andmeid. Töödeldes mineraalide spektraalandmeid, suudavad närvivõrgud automaatselt tuvastada erinevate mineraalide keemilise koostise ja struktuuri, välistades tüütud käsitsi analüüsi etapid.
Erinevate maagitüüpide automaatsel tuvastamisel on maavarade hindamisel ja maagi kvaliteedi hindamisel ülioluline roll. Teadlased on kombineerinud ka süvaõppemudeleid, et eraldada mikroskoopilistest piltidest ja skaneeriva elektronmikroskoopia (SEM) kujutistest automaatselt mineraalide leviku karakteristikud, et arvutada mineraalide vabanemise suurus.
Arukas gravitatsiooniline eraldamine
Intelligentse gravitatsioonilise eraldamise eelised seisnevad selles, et seadmed ise ei hõlma reaktiivi lisamist ja nende kasutuskulud on madalad. AI-abiga juhtimine võib veelgi parandada eraldamise täpsust ja automatiseerimise taset, muutes selle eriti sobivaks puistematerjalide, nagu kivisüsi, ilmeniit ja kromiit, jaoks.
Aruka gravitatsioonilise eraldamise piirangud on aga samuti üsna ilmsed. Enamik uuringuid jääb labori- või katsestaadiumisse{1}}, kusjuures tööstuslik veebipõhine valideerimine puudub. Masina-nägemise-põhiseid liidese tuvastusmeetodeid mõjutavad tugevalt läga hägusus, vahukate ja valgustingimused, mille tulemuseks on ebapiisav kohanemisvõime. Gravitatsioonilise eraldamise hüdrodünaamilised ja mitmeosakeste interaktsioonimehhanismid on keerulised ja olemasolevad andurid ei suuda pakkuda piisavalt rikkalikku reaalajas olekuteavet, mis piirab andmepõhiste mudelite{8}}sisendmõõtmeid. Lisaks on eraldusomadused erinevate maagitüüpide ja suurusega fraktsioonide lõikes väga erinevad, muutes mudeli migratsiooni keeruliseks.
Tulevikus nõuab gravitatsioonilise eraldamise intelligentne arendamine täiustatud online-tuvastustehnikaid (nt ultraheli Doppleri kiiruse mõõtmine, elektritakistustomograafia) ja vedelike arvutusliku dünaamika (CFD) simulatsiooni tulemuste integreerimist hübriidmudelite raamistikesse.
Arukas magnetiline eraldamine
Aruka magnetilise eraldamise uurimine algas suhteliselt hilja, kuid on kiiresti arenenud, keskendudes peamiselt tööparameetrite optimeerimisele, online-klassi ennustamisele ja intelligentsetele juhtimissüsteemidele.
Aruka magneteralduse eeliste hulka kuuluvad: magneteraldusprotsessi sisendmuutujad on suhteliselt hästi-defineeritud, väiksema mittelineaarsusega kui flotatsioonil, mis võimaldab andmepõhistel meetoditel hõlpsamini rahuldavaid tulemusi saavutada; tavapärased instrumendid (ampermeetrid, vooluhulgamõõturid, densitomeetrid) pakuvad suurt täpsust ja lihtsat hooldust, mille tulemuseks on madalad andmete hankimise kulud; ja magneteraldus on sageli korraldatud mitme-etapilise seeriana, seega võib kohalik optimeerimine anda märkimisväärset kasu.
Puudused on järgmised: nõrgalt magnetiliste mineraalide puhul on osakeste magnetiseerimisomadused ja agregatsioonikäitumine keerukad ning enamik olemasolevaid mudeleid sisaldavad harva mikroskoopilisi tegureid (nagu osakeste tundlikkuse jaotus ja magnetohüdrodünaamika). Kõrge-gradientidega magnetseparaatorites kipub maatriks pärast pikaajalist töötamist ummistuma, mis viib magnetvälja gradiendi vähenemiseni, kuid vooluanduritel on raskusi varajase hoiatusega. Kui mitu magnetseparaatorit töötavad koordineeritult, ei võrdu ühe üksuse lokaalne optimeerimine tingimata globaalse optimeerimisega, mistõttu on vaja tehase{3}}ülese koostöö optimeerimise raamistikku. Lisaks on jämedate ja peenfraktsioonide magnetilise eraldamise käitumine väga erinev, mistõttu on ühtse empiirilise mudeli jaoks raske kõiki juhtumeid katta.
Arukas flotatsioon
AI-uuringud on kõige arenenumad flotatsiooni valdkonnas, keskendudes peamiselt kolmele valdkonnale: vahukujutise analüüs, flotatsiooni jõudluse prognoosimine ning intelligentne juhtimine ja optimeerimine.
Intelligentse flotatsiooni peamised eelised on järgmised: oluliselt vähendada sõltuvust inimkogemusest, suurendada protsessi vastupanuvõimet häiretele ja saavutada nihe "kogemusele toetudes vahu lugemiseks" "andmepõhisele täpsele reguleerimisele"{0}}. See on võimeline käsitlema mitmemõõtmelisi mittelineaarseid seoseid ja paljastama peidetud mustreid, mida inimestel on raske tuvastada. Pärast suletud-ahela juhtimist väheneb peamiste toimivusnäitajate erinevus ja toote stabiilsus paraneb.
Tegeliku kasu osas näitavad teatatud juhtumid, et pärast tehisintellekti pealekandmist võib kontsentraadi kvaliteet tõusta 3-6%, taastumine võib paraneda 2–5% ja reaktiivi tarbimine võib väheneda 8–15%. Sellegipoolest seisab intelligentse flotatsiooni laiaulatuslik tööstuslik kasutamine silmitsi tõsiste väljakutsetega.
Protsessi optimeerimine
AI-põhine purustamis- ja jahvatusprotsesside optimeerimine hõlmab: selliste mudelite kasutamist nagu juhuslikud metsad, tugivektorimasinad ja konvolutsioonilised närvivõrgud, et tuvastada maagi kõvadust, hinnata osakeste suurust ja suurusjaotust, optimeerida purustamisoperatsioone, ennustada maagi jahvatavust võrgus ja optimeerida jahvatamist mitme parameetriga. Need jõupingutused muudavad purustamise ja jahvatamise käsitsi juhtimisest intelligentseks ja koostööks, muutes protsessi passiivselt reguleerimiselt aktiivseks ennustamiseks.
Praktilistes rakendustes on jahvatusosakeste suuruse ja paberimassi tiheduse veebipõhine tuvastamine juba tööstuslikult rakendatud. Selliseid tehnoloogiaid nagu laser{0}}nihkeosakeste-suuruse mõõtmine ja vaba{2}}allika Na-22 kontsentratsiooni tuvastamine on kaubanduslikult rakendatud.