بخشی از مقاله
چکیده
بهبود صحت پیشبینی پارامترهای متالورژیکی در کارخانه فلوتاسیون به منظور مدیریت کارآمد فرایند امری ضروری است. لذا در این مقاله، از الگوریتم ژنتیک برای بهبود تخمین عیار و بازیابی مس در کارخانه فلوتاسیون مس سرچشمه کرمان توسط شبکه عصبی مصنوعی استفاده شد. پارامترهای اندازهگیری شده فرایند pH، غلظت کلکتور و کفساز، درصد جامد و عیار مس در بار اولیه هستند، که بهعنوان متغیرهای ورودی برای شبکه عصبی درنظر گرفته شدند.
ساختار بهینه شبکه عصبی با دو لایه مخفی - 5:7:4: 2 - با استفاده از روش سعی و خطا تعیین گردید. با توجه به نقایص شبکه عصبی برای پیشبینی متغیرهای خروجی، از الگوریتم ژنتیک برای بهینهسازی وزنهای اولیه شبکه عصبی استفاده شد. عملکرد مدل با استفاده از معیار آماری میانگین مجموع مربعات خطا - MSE - ارزیابی شد. نتایج به دست آمده نشان داد، الگوریتم ژنتیک تأثیر مهمی در بهینه سازی وزنهای اولیه و بهبود عملکرد مدل شبکه عصبی مصنوعی دارد.
.1 مقدمه
بسیاری از محققین شبکههای عصبی مصنوعی را برای مدلسازی فرایند شناورسازی بکار بردند. مولان و همکارانش از شبکه عصبی پیشخور با الگوریتم آموزش پس انتشار خطا برای پیشبینی عیار و بازیابی فرایند شناورسازی مس استفاده کردند. آنها همچنین تأثیر مشخصات کف از قبیل اندازه حباب، پایداری کف را بر غلظت کف را با استفاده از شبکه عصبی پیشبینی کردند Moolman - و همکاران، . - 1995 جیلک و همکارانش، از شبکه عصبی برای پیشبینی آزمایش فلوتاسیون استفاده کردند.
آنها به تأثیر متغیرهای شناورسازی بر تعداد مراحل مدار شناورسازی پی بردند Cilek - ، . - 2002 همچنین، لابیدی و همکارانش از این روش برای پیشبینی تأثیر پارامترهای عملیاتی بر کارایی حذف جوهر از کاغذ توسط فلوتاسیون استفاده کردند. آنها دریافتند که مدل شبکه عصبی را میتوان با دقت زیادی در شبیهسازی کارخانه جوهرزدایی به منظور تعیین شرایط بهینه عملیاتی استفاده کرد
شبکه عصبی مصنوعی به عنوان یک روش نوین، در مدلسازی و پیشبینی فرآیندهایی که برای شناخت و توصیف دقیق آنها راهحل و رابطه صریحی وجود ندارد، عملکرد خوبی از خود نشان داده است. شبکه عصبی با برخورداری از قابلیت تشخیص الگو، رابطه خوبی بین دادههای ورودی و خروجی برقرار میکند. این روش در قیاس با دیگر روشها، حساسیت کمتری نسبت به وجود خطا در اطلاعات ورودی دارد. مدلهای شبکه عصبی مصنوعی با آموزشی که دیدهاند، میتوانند، بدون ایجاد رابطه صریح ریاضی، رفتار سیستم را پیشبینی کنند. اکنون این شبکهها با ساختارهای متنوع و وسیع، در بسیاری از علوم، ازجمله مهندسی معدن، گسترش یافته اند
درواقع الگوریتمهای ژنتیک از اصول انتخاب طبیعی داروین برای یافتن فرمول بهینه جهت پیشبینی یا تطبیق الگو استفاده میکنند. الگوریتمهای ژنتیک اغلب گزینه خوبی برای تکنیکهای پیشبینی بر مبنای تصادف هستند. الگوریتم ژنتیک - GA - روش برنامهنویسی است که از تکامل ژنتیکی بهعنوان یک الگوی حل مسئله استفاده میکند. مسئلهای که باید حل شود، ورودی است و راهحلها طبق یک الگو کدگذاری میشوند که تابع هدف نام دارد، هر راهحل ارزیابی میگردد که اکثر آنها بهصورت تصادفی انتخاب میشوند.
روشهای مبتنی بر پیشبینی برای دستیابی به شرایط مناسب و مدیریت کارآمد فرایند امری ضروری است. روشهای از قبیل شبکه عصبی مصنوعی - ANN - برای تخمین پارامترهای متالورژیکی فرایند استفادهشده است. شبکه عصبی یکی از رایجترین روشهای مدلسازی و پیشبینی است . اگرچه، شبکه عصبی برای حل بسیاری از مسائل پیشبینی کاربرد گستردهای دارد، ولی محدودیتهای زیادی با این روش همراه است.
الگوریتم یادگیری شبکه عصبی از قبیل الگوریتم پس انتشار خطا، وزنها و بایاسهای شبکه را با محاسبه خطا تنظیم میکند. معمولاً این شبکهها با انتخاب تصادفی وزنهای اولیه آموزش میبینند که این آموزش منجر بهسرعت کم همگرایی و گیر افتادن در مینیمم محلی میشود. در نتیجه، غالباً شبکه عصبی برای پیداکردن یک راه حل مناسب ناتوان است. عملکرد شبکه عصبی مصنوعی را میتوان با استفاده از روش فرا ابتکاری الگوریتم ژنتیک بهبود بخشید. در این مقاله از الگوریتم ژنتیک برای بهینهسازی وزنهای اولیه برای بهبود عملکرد شبکه عصبی استفاده شد
.2 دادهها و روش تحقیق
در این مقاله، برای مدلسازی و پیشبینی فرایند فلوتاسیون از شبکه عصبی مصنوعی استفاده شد. آموزش شبکه عصبی با وزنهای اولیه تصادفی انجام میپذیرد که منجر به ناتوانی شبکه عصبی در ارائه پاسخ مناسب برای مسئله مدلسازی میشود. الگوریتم ژنتیک یکی از قدرتمندترین الگوریتمهای فرا ابتکاری است که برای بهینهسازی وزنهای اولیه شبکه عصبی استفاده شد.
.1,2 شبکه عصبی مصنوعی
در مدلهای شبکه عصبی، از مدل ریاضی سلول عصبی که نورون نامیده میشود، استفاده میگردد. نورون کوچکترین واحد سازنده شبکه عصبی است. شبکه عصبی متشکل از یکلایه ورودی، یک یا چندلایه پنهان و یکلایه خروجی است. هر لایه دارای تعداد مشخصی نورون است که بهوسیله ضرایب وزنی به نورونهای لایه دیگر مرتبط هستند. ضرایب وزنی شبکه در حین فرایند آموزش شبکه بر مبنای الگوریتم پس انتشار خطا آموزش میبینند. برای انتقال خروجی هر لایه به لایههای بعدی معمولاً از توابع انتقال خطی، تانژانت هایپربولیک و سیگموئیدی استفاده میشود. سادهترین نوع شبکه عصبی دارای توپولوژی پیشخور هست که در آن جریان اطلاعات همیشه از ورودی به خروجی است
در این تحقیق، برای مدلسازی فرایند، از 92 داده اندازهگیری تحت شرایط مختلف عملیاتی pH - ، غلظت کلکتور و کفساز، درصد جامد و عیار مس در بار اولیه - استفاده شد. برای آموزش و آزمایش شبکه به ترتیب از 69 و 23 داده استفاده شد. توپولوژی شبکه عصبی چندلایه پرسپترون1 با الگوریتم آموزش پس انتشار خطا با قانون آموزش بیزی 2 است. ساختار مناسب شبکه عصبی با استفاده از فرایند سعی و خطا به صورت 5:7:4:2 تعیین شد که در شکل 1 نشان داده شده است. معمولا جهت آموزش شبکه از وزنهای اولیه تصادفی استفاده میشود که منجر به ایجاد خلل در فرایند آموزش و پاسخ نامناسب برای فرایند مدلسازی میگردد. لذا در این تحقیق، برای رفع کمبودهای اشاره شده در بالا، از الگوریتم ژنتیک برای یافتن وزنهای اولیه بهینه برای شبکه عصبی استفاده شد.
شکل .1 ساختار شبکه عصبی مناسب برای پیشبینی عیار و بازیابی مس
.2,2 الگوریتم ژنتیک
الگوریتم ژنتیک یکی از قدرتمندترین روشهای فراابتکاری جهت یافتن نقاط حداقل و حداکثر یک تابع هدف است. روش حل الگوریتم ژنتیک بدین صورت است که فضای مسئله به صورت تصادفی و مرحله به مرحله جستجو میشود و در حقیقت هدف جستجو، پیدا کردن جوابهای بهتر در هر مرحله نسبت به جوابهای قبل است. یکی از ویژگیهای شاخص الگوریتم ژنتیک، امکان اجرای موازی است که توانایی حل مسائل بسیار بزرگ و پیچیده را فراهم میآورد.
روش کار این الگوریتم به این صورت است که در ابتدا پارامترهای فضای جستجو در قالب رشتههایی به نام کروموزوم شکل میگیرند. هر کروموزوم نشاندهنده یک جواب برای مسئله مورد نظر است. کروموزومها در کنار هم مجموعهای را تشکیل میدهند که جمعیت نامیده میشود و در شروع عملیاتمعمولاً عناصر جمعیت اولیه به صورت تصادفی انتخاب میشوند. الگوریتم بهصورت تکراری روی عناصر جمعیت دو عملگر تقاطع و جهش را اعمال کرده و از یک جمعیت، جمعیت جدید را بهوجود میآورد. معمولاً به جوابهای یک جمعیت، نسل گفته میشود.
