پیشبینی اندازه ذرات مواد معدنی با خطای کمتر از ۱۰میکرون با هوش مصنوعی گروه هوش مصنوعی: محققان دانشگاه با توسعه سامانه های هوش مصنوعی، دقت پیشبینی اندازه ذرات در کارخانه های فرآوری مواد معدنی را بهبود داده و خطای پیشبینی را به کمتر از ۱۰ میلیون رسانده اند. به گزارش گروه هوش مصنوعی به نقل از دانشگاه تهران، تیمی از محققان دانشگاه، سیستم های تولید بر روی هوش مصنوعی و ماشینی برای بهینه سازی مدارهای آسیاکنی و کارخانه های فرآوری مواد معدنی توسعه داده شده اند که با تاکید بر شیوه های واقعی، دقت پیش بینی اندازه های ذرات محصول را به خطایی کمتر از ۱۰ میلیون رسانده است.این سیستم که توسط تیم فناور دانشگاه تهران (OptiMine) با هدایت علمی و راهبردی مهدی قراباغی، عضو هیات علمی دانشکده مهندسی معدن دانشکدگان فنی دانشگاه تهران و با مشارکت مهندسان ابوالفضل محمدخدایی، پوریا ضیایی و شهریار محمدی و بقیه اعضای تولید شده، توسعه داده شده است. هوشمندانه تر از تجهیزات موجود است. مهدی قراباغی، سرپرست تیم پژوهشی درباره ی طراحی این سیستم اظهار داشت: مصرف بالای انرژی الکتریکی یکی از چالش های اساسی در معادن و صنایع معدنی بشمار می رود. در همین جهت، تیم فناور دانشگاه تهران (OptiMine) راهکاری هوشمند مبتنی بر هوش مصنوعی و ماشین برای بهینه سازی عملکرد مدارهای آسیاکنی و کارخانه های فری مواد معدنی توسعه داده شده است. اینکه توسعه آن از رساله دکتری جواد تقوی شروع شد، نمونه ای از پژوهش پژوهشی دانشگاهی برای حل مسایل واقعی صنعت است که طرح دفاع از آن توسط طرح هاتف انجام شده است. پروژه ایده آل، بهره برداری از ماشین و هوش مصنوعی برای تبدیل عملیات سازی به دانش کاربردی، صنعت هوشمند و شناسایی شرایطی است که در آن می توان با کمترین مصرف انرژی و مقدار کمیت و تناژ، کیفیت محصول را در حد مطلوب حفظ کرد. این موضوع، بجای اتکا فقط به نقطه نظر ثابت و تجربه راهبری سنتی در کارخانه های فرآوری، امکان تحلیل نظام مندی را می دهد و از تصمیم گیری های بهره برداری را پشتیبانی می کند. وی ادامه داد: یکی از تحقیقات فنی مهم این پروژه، توسعه و ارزیابی مدلهای ماشین برای پیش بینی اندازه های محصول و مصرف انرژی آسیایی بر پایه داده های واقعی صنعتی است. در ارزیابی های انجام شده، دقت پیش بینی اندازه گیری محصول به خطایی کمتر از ۱۰ میکرون رسیده است. نتیجه ای که شیوه های هوشمند را برای شناخت و پیش بینی رفتارهای پیچیده آسیاکنی نشان میدهد. علاوه بر این، سایر بخش های مدار کارخانه فرآوری نیز در دست اقدام است. این مجموعه ها، قدمی اساسی در شناسایی عوامل اثرگذار بر عملکرد و هم شرایط عملیاتی مناسب برای بهبود شاخصهای انرژی و تولید محصول باکیفیت به شماره می رود. عضو هیات علمی مهندسی معدن دانشگاه تهران عنوان کرد: هدف محوری OptiMine فراتر از پیش بینی عملکرد تجهیزات بوده و شامل حرکت به طرف کاهش مصرف انرژی در کارخانه های فرآوری بدون کیفیت محصول و فراهم کردن زمینه افزایش تناژ تولید محصول است. در صنعت فرآوری مواد معدنی که انرژی مصرفی بخش مهمی از هزینه های عملیاتی را می دهد، کاهش مصرف انرژی از نظر اقتصادی و زیست محیطی باارزش است.قراباغی درباره ی چشم انداز فعالیتهای آینده این تیم اظهار داشت: چشم اندازی این تیم، کارخانه هوشمندسازی فرآوری و توسعه سیستم های هوشمند و قابل توسعه برای تولید پایش کارخانه های فرآوری است. سیستم ای که زمینه عبور از بهره برداری تجربی به تصمیم گیری هوشمند و مبتنی بر شواهد را فراهم می آورد. این تیم با پیوند دانش مهندسی فرآوری مواد و تکنولوژی های جدید مصنوعی، در پی برداشتن قدمی عملی برای افزایش راندمان انرژی، افزایش توان تولید و هوشمندسازی فرآیندهای معدنی است. قابل ذکر است این طرح فناور، یکی از ۲۰ برگزیده شده در نخستین نمایشگاه هاتف دانشگاه تهران بود. منبع: گروه هوش مصنوعی 1405/08/19 13:28:13 5.0 / 5 3 تگها: پژوهش , تحقیقات , تکنولوژی , تولید مطلب را می پسندید؟ (1) (0) تازه ترین مطالب مرتبط بهترین خودروی تسلا از خط تولید خارج شد رؤیای پرواز چندماهه هواپیماهای خورشیدی به حقیقت نزدیک شد برنامه معاونت علمی برای بومی سازی تجهیزات راهبردی صنعت پتروشیمی توسعه آفت کش های گیاهی با فناوری نانو و میکروکپسوله سازی نظرات بینندگان در مورد این مطلب لطفا شما هم در مورد این مطلب نظر دهید = ۹ بعلاوه ۱ نظر دادن