view in publisher's site

Machine learning applications in minerals processing: A review

Highlights•Machine learning applications in mineral processing from 2004 to 2018 are reviewed.•Data-based modelling; fault detection and diagnosis; and machine vision identified as main application categories.•Future directions are proposed, including comments on technical research requirements and industrial application.•Searchable summaries of reviewed articles are provided in the supplementary material.AbstractMachine learning and artificial intelligence techniques have an ever-increasing presence and impact on a wide-variety of research and commercial fields. Disappointed by previous hype cycles, researchers and industrial practitioners may be wary of overpromising and underdelivering techniques. This review aims at equipping researchers and industrial practitioners with structured knowledge on the state of machine learning applications in mineral processing: the supplementary material provides a searchable summary of all techniques reviewed, with fields including nature of case study data (synthetic/laboratory/industrial), level of success, area of application (e.g. milling, flotation, etc), and major problem category (data-based modelling, fault detection and diagnosis, and machine vision). Future directions are proposed, including suggestions on data collection, technique comparison, industrial participation, cost-benefit analyses and the future of mineral engineering training.

برنامه‌های یادگیری ماشینی در پردازش مواد معدنی: مرور

کاره‌ای مهم یادگیری ماشین در پردازش مواد معدنی از سال ۲۰۰۴ تا ۲۰۱۸ بررسی می‌شوند. * مدل‌سازی مبتنی بر داده؛ تشخیص و تشخیص خطا؛ و دیدگاه ماشینی که به عنوان دسته‌های کاربردی اصلی شناخته می‌شود. مسیرهای آینده از جمله نظراتی در مورد الزامات تحقیقات فنی و کاربردهای صنعتی مطرح شده‌اند. خلاصه‌ای از مقالات بررسی شده در بخش مکمل یادگیری و تکنیک‌های هوش مصنوعی، حضور و تاثیر فزاینده‌ای بر روی طیف گسترده‌ای از زمینه‌های تحقیقاتی و تجاری دارد. محققان و متخصصان صنعتی ناامید از دوره‌های اعتیاد قبلی، ممکن است نسبت به تکنیک‌های overpromising و underdelivering محتاط باشند. این بررسی با هدف تجهیز محققان و متخصصان صنعتی با دانش ساختار یافته در زمینه کاربردهای یادگیری ماشین در پردازش مواد معدنی، به دنبال ارایه خلاصه‌ای قابل جستجو از تمامی تکنیک‌های مورد بررسی، سطح موفقیت، مساحت کاربرد (به عنوان مثال milling، فلوتاسیون، غیره)و مقوله مشکل اصلی (داده‌های مبتنی بر داده، تشخیص خطا و تشخیص اشتباه)می‌باشد. دستورالعمل‌های آینده از جمله پیشنهادها در مورد جمع‌آوری داده‌ها، مقایسه تکنیک، مشارکت صنعتی، تحلیل‌های هزینه - سود و آینده آموزش مهندسی مواد معدنی ارائه شده‌است.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله General Chemistry
  • ترجمه مقاله General Chemistry
  • مقاله شیمی عمومی
  • ترجمه مقاله شیمی عمومی
  • مقاله Mechanical Engineering
  • ترجمه مقاله Mechanical Engineering
  • مقاله مهندسی مکانیک
  • ترجمه مقاله مهندسی مکانیک
  • مقاله Geotechnical Engineering and Engineering Geology
  • ترجمه مقاله Geotechnical Engineering and Engineering Geology
  • مقاله مهندسی ژئوتکنیکی و مهندسی زمین‌شناسی
  • ترجمه مقاله مهندسی ژئوتکنیکی و مهندسی زمین‌شناسی
  • مقاله Control and Systems Engineering
  • ترجمه مقاله Control and Systems Engineering
  • مقاله مهندسی کنترل و سیستم‌ها
  • ترجمه مقاله مهندسی کنترل و سیستم‌ها
سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.