مقایسه روش های طبقه بندی، شبکه عصبی مصنوعی و رگرسیون چندمتغیره در برآورد بازیابی فلز از بلوک کانسنگ

<span lang="AR-SA" dir="RTL">با توجه به نقش بازیابی در محاسبه ارزش اقتصادی بلوک کانسنگ و تأثیر مقدار این ارزش بر محاسبات طراحی و برنامه</span><span>‌</span><span lang="AR-SA" dir="RTL">ریزی تولید معدن، تعیین بازیابی فلز از بلوک کانسنگ ارسالی به کارخانه فرآوری، از اهمیت بالایی برخوردار است. هدف از این پژوهش، بررسی قابلیت برآورد بازیابی بلوک کانسنگ به</span><span>‌</span><span lang="AR-SA" dir="RTL">صورت کیفی و با روش‌های مبتنی بر طبقه‌بندی داده‌ها از مجموعه روش‌‌های داده‌کاوی و به</span><span>‌</span><span lang="AR-SA" dir="RTL">صورت کمّی، با دو روش رگرسیون چندمتغیره و مدل هوشمند شبکه عصبی، بر اساس داده</span><span>‌</span><span lang="AR-SA" dir="RTL">های آنالیز خوراک ورودی کارخانه است. برای نیل به این هدف، معدن مس میدوک مورد مطالعه قرار گرفت و با استفاده از 58 نمونه آنالیزشده عیار خوراک کارخانه،  شامل عیارهای </span><span>Cu</span><span lang="AR-SA" dir="RTL">، </span><span>CuO</span><span lang="AR-SA" dir="RTL">و </span><span>CuS</span><span dir="RTL"> <span lang="AR-SA">و میزان بازیابی عنصر </span></span><span>Cu</span><span dir="RTL"> <span lang="AR-SA">در محصول نهایی، فرآیند پیش‌بینی بازیابی کل ذخیره به</span></span><span>‌</span><span lang="AR-SA" dir="RTL">صورت کیفی با روش‌های طبقه‌بندی درخت تصمیم، قانون بیز و  الگوریتم نزدیک</span><span>‌</span><span lang="AR-SA" dir="RTL">ترین همسایه انجام شد. برای برآورد کمّی میزان بازیابی ذخیره، مدل رگرسیون چندمتغیره و شبکه عصبی مصنوعی برای شاخص‌های عیاری مذکور و میزان بازیابی بین 47 نمونه از 58 نمونه برقرار شد و توسط 11 نمونه آنالیزشده آزمایشی، مدل</span><span>‌</span><span lang="AR-SA" dir="RTL">های به</span><span>‌</span><span lang="AR-SA" dir="RTL">دست</span><span>‌</span><span lang="AR-SA" dir="RTL">آمده اعتبارسنجی شدند. معیارهای میانگین خطا و جذر میانگین مربعات خطا در مدل رگرسیونی به ترتیب 021702_/0 و 024972_/0 و در مدل شبکه عصبی مصنوعی به ترتیب 015753_/0 و 021404_/0 محاسبه شدند. بنابراین مدل شبکه عصبی مصنوعی به</span><span>‌</span><span lang="AR-SA" dir="RTL">عنوان ابزار دقیق</span><span>‌</span><span lang="AR-SA" dir="RTL">تری در پیش</span><span>‌</span><span lang="AR-SA" dir="RTL">بینی بازیابی نسبت به مدل رگرسیون چندمتغیره عمل می</span><span>‌</span><span lang="AR-SA" dir="RTL">کند. نتایج آنالیز حساسیت این مدل نشان داد، عیار </span><span>Cu</span><span dir="RTL"> <span lang="AR-SA">مهم</span></span><span>‌</span><span lang="AR-SA" dir="RTL">ترین عامل و عیار </span><span>CuO</span><span dir="RTL"> <span lang="AR-SA">و </span></span><span>CuS</span><span dir="RTL"> <span lang="AR-SA">نیز به ترتیب، دیگر عوامل تاثیرگذار بر تغییرات بازیابی هستند.</span></span>