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

با توجه به نقش بازیابی در محاسبه ارزش اقتصادی بلوک کانسنگ و تأثیر مقدار این ارزش بر محاسبات طراحی و برنامه‌ریزی 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 به‌صورت کیفی و با روش‌های مبتنی بر طبقه‌بندی داده‌ها از مجموعه روش‌‌های داده‌کاوی و به‌صورت کمّی، با دو روش رگرسیون چندمتغیره و مدل هوشمند شبکه عصبی، بر اساس داده‌های 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 Cu، CuOو CuS و میزان بازیابی عنصر Cu در محصول نهایی، فرآیند پیش‌بینی بازیابی کل ذخیره به‌صورت کیفی با روش‌های طبقه‌بندی درخت تصمیم، قانون بیز و  الگوریتم نزدیک‌ترین 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، مدل‌های به‌دست‌آمده 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 به‌عنوان ابزار دقیق‌تری در پیش‌بینی بازیابی نسبت به مدل رگرسیون چندمتغیره عمل می‌کند. نتایج آنالیز حساسیت این مدل نشان داد، عیار Cu مهم‌ترین عامل و عیار CuO و CuS نیز به ترتیب، دیگر عوامل تاثیرگذار بر تغییرات بازیابی هستند.