Resumen

Para predecir los indicadores tecnológicos clave (grado de concentrado y tasa de recuperación de relaves) del proceso de flotación, se propone un modelo de sensor suave basado en una red neuronal de avance (FNN) optimizado mediante un algoritmo híbrido que combina el algoritmo de optimización de enjambre de partículas (PSO) y el algoritmo de búsqueda gravitacional (GSA). Aunque el GSA tiene una mejor capacidad de optimización, su velocidad de convergencia es lenta y es fácil caer en un óptimo local. Por ello, en este trabajo, el vector de velocidad y el vector de posición del GSA se ajustan mediante el algoritmo PSO para mejorar su velocidad de convergencia y la precisión de la predicción. Finalmente, se adopta el algoritmo híbrido propuesto para optimizar los parámetros del modelo de sensor suave FNN. Los resultados de la simulación muestran que el modelo tiene una mejor generalización y precisión de predicción para el grado de concentrado y la tasa de recuperación de relaves para cumplir con los requisitos de los sensores suaves en línea del control en tiempo real en el proceso de flotación.

• Materias:Inteligencia artificial Algoritmos genéticos Ingeniería civil Neurociencia Cognitiva
• Subjects:Artificial intelligence Genetic algorithms Civil engineering Cognitive Neuroscience
• Palabras claves:tasa de recuperación de colas, proceso de flotación, grado de concentrado, precisión de la predicción, modelo de sensores, velocidad de convergencia lenta, mejor capacidad de optimización, indicadores tecnológicos clave, parámetros de fnn, algoritmo de búsqueda gravitacional
• Keywords:tailing recovery rate, flotation process, concentrate grade, prediction accuracy, sensor model, slow convergence velocity, better optimization capabilities, key technology indicators, parameters of fnn, gravitational search algorithm