АНАЛІЗ МОЖЛИВОСТІ ПІДВИЩЕННЯ ЕФЕКТИВНОСТІ ПРОЦЕСУ ФІЛЬТРУВАННЯ ТОНКОПОДРІБНЕНОГО ЗАЛІЗОРУДНОГО МАГНЕТИТОВОГО КОНЦЕНТРАТУ
DOI:
https://doi.org/10.32782/3041-2080/2026-6-25Ключові слова:
магнетитовий концентрат, керамічний вакуум-фільтр, зневоднення, залишкова волога, градієнтний бустинг, машинне навчання, DR‑обкотишіАнотація
У статті досліджено можливість підвищення ефективності процесу фільтрування тонкоподрібненого залізорудного магнетитового концентрату для забезпечення стабільних показників вологості сировини, необхідних для виробництва високоякісних DR-обкотишів. Основною метою роботи є підвищення ефективності процесу фільтрування за допомогою розробки математичної моделі на основі методу градієнтного бустингу для прогнозування залишкової вологи концентрату та оптимізації технологічних параметрів роботи керамічних дискових вакуум-фільтрів КДФ-90. Експериментальні дослідження виконано на промислових фільтрах КДФ-90 ПРАТ «ЦГЗК» з використанням масиву з 199 промислових точок, що містять 20 ознак, включно з базовими та комбінованими технологічними параметрами. Для побудови моделі застосовано Gradient Boosting Regressor зі стандартизацією ознак, стратифікованим поділом вибірки 80/20 та оптимізацією гіперпараметрів за критерієм максимізації коефіцієнта детермінації R² на тестовій вибірці. Оптимізована модель забезпечила значення R² = 0,4091 на тестових даних при середній абсолютній похибці MAE = 0,3380%, що перевищує показники лінійних моделей та є співставним з іншими ансамблевими методами, показник кореневого середньоквадратичного відхилення склав RMSE = 0,4078%. Встановлено, що найбільший вплив на залишкову вологу мають вміст класу -0,056 мм, вакуум у зоні сушки та комбінований параметр добутку вмісту заліза загального і фракції -0,040 мм. Практична значимість розробленої моделі полягає у можливості зменшення коливань вологості концентрату, підвищення стабільності процесу огрудкування та формуванні рекомендацій щодо впровадження системи автоматизованого прогнозування і контролю вологості в промислових умовах.
Посилання
Muwanguzi A. J. B., Karasev A. V., Jönsson P. G. Characterization of chemical composition and microstructure of natural iron ore from Muko deposits. ISIJ International. 2012. Vol. 52, no. 9. P. 1607–1612. DOI: https://doi.org/10.5402/2012/174803
Білецький В. С., Олійник Т. А., Смирнов В. О., Скляр Л. В. Техніка та технологія збагачення корисних копалин. Частина 3. Заключні процеси. Кривий Ріг : Видавець ФОП Чернявський Д. О., 2019. 230 с.
Mamghaderi H., Aghababaei S., Gharabaghi M., Noaparast M., Albijanic B., Rezaei A. Investigation on the effects of chemical pretreatment on the iron ore tailing dewatering. Colloids and Surfaces A: Physicochemical and Engineering Aspects. 2021. Vol. 625. Article 126855. DOI: https://doi.org/10.1016/j.colsurfa.2021.126855
Sohn H. Y., Roy S. Development of a Moving-Bed Ironmaking Process for Direct Gaseous Reduction of Iron Ore Concentrate. Metals. 2022. Vol. 12, no. 11. Article 1889. DOI: https://doi.org/10.3390/met12111889
Liu H., You K. Optimization of dewatering process of concentrate pressure filtering by support vector regression. Scientific Reports. 2022. Vol. 12. Article 7135. DOI: https://doi.org/10.1038/s41598-022-11259-9
McCoy J. T., Auret S. Machine learning applications in minerals processing: A review. Minerals Engineering. 2019. Vol. 132. P. 95–109. DOI: https://doi.org/10.1016/j.mineng.2018.12.004
Chaedir B. A., Kurnia J. C., Sasmito A. P., Mujumdar A. S. Advances in dewatering and drying in mineral processing. Drying Technology. 2021. Vol. 39, no. 11. P. 1667–1684. DOI: https://doi.org/10.1080/07373937.2021.1907754
Araujo Jr. A. M., França S. C. A., Tavares L. M. Influence of process variables on the ceramic capillary filtration of iron ore slurries. Minerals Engineering. 2022. Vol. 182. Article 107562. DOI: https://doi.org/10.1016/j.mineng.2022.107562
Zhang H., Wang F., He D., Zhao L. A two-step coordinated optimization model for a dewatering process. Canadian Journal of Chemical Engineering. 2021. Vol. 99. P. 742–754. DOI: https://doi.org/10.1002/cjce.23886
Олійник Т. А. Перспективи розвитку технологій збагачення залізних руд. Збагачення корисних копалин : Наук.-техн. зб. 2018. Вип. 69(110). С. 32–44.
Oliinyk T., Sklyar L., Kushniruk N., Holiver N., Tora B. Ocena skuteczności technologii wzbogacania kwarcytu hematytowego. Inżynieria Mineralna. 2023. Z. 1(51). S. 33–44. DOI: http://doi.org/10.29227/IM-2023-01-04
Zhang J., Guo Y., Zheng F., Wang S., Chen F., Yang L. High efficiency filtration and optimization of pelletizing performance of fine hematite concentrate using sulfuric acid filter aid: Behavior and mechanism. Powder Technology. 2024. Vol. 448. Article 120260. DOI: https://doi.org/10.1016/j.powtec.2024.120260
Kang Z., Cui B., Shen Y., Zhao Q., Du H., Zhang Y. Ultrafine hematite flocculation: In-depth analysis of multi-factor and multi-index coordinated optimisation. Process Safety and Environmental Protection. 2025. Vol. 198. Article 107211. DOI: https://doi.org/10.1016/j.psep.2025.107211
Chen T., Guestrin C. XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. San Francisco, CA, USA, 2016. P. 785–794. DOI: https://doi.org/10.1145/2939672.2939785
Friedman J. H. Greedy function approximation: A gradient boosting machine. Annals of Statistics. 2001. Vol. 29, no. 5. P. 1189–1232. DOI: https://doi.org/10.1214/aos/1013203451
Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. 2nd ed. New York : Springer, 2009. 745 p. DOI: https://doi.org/10.1007/978-0-387-84858-7
Breiman L. Random forests. Machine Learning. 2001. Vol. 45, no. 1. P. 5–32. DOI: https://doi.org/10.1023/A:1010933404324
Probst P., Boulesteix A., Bischl B. Tunability: Importance of hyperparameters of machine learning algorithms. Journal of Machine Learning Research. 2019. Vol. 20, no. 53. P. 1–32. URL: https://jmlr.org/papers/v20/18-444.html (дата звернення: 23.12.2024).
Pedregosa F., Varoquaux G., Gramfort A. [et al.] Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research. 2011. Vol. 12. P. 2825–2830. URL: https://jmlr.org/papers/v12/pedregosa11a.html (дата звернення: 23.12.2024).
Lundberg S. M., Lee S. I. A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems. 2017. Vol. 30. P. 4765–4774. URL: https://proceedings.neurips.cc/paper/2017/hash/8a20a8621978632d76c43dfd28b67767-Abstract.html (дата звернення: 23.12.2024).
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія

Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial 4.0 International License.




