دانشگاه صنعتی امیرکبیر نشریه مهندسی عمران امیرکبیر 2588-297X 50 3 2018 08 23 Perdition of Semi-autogenous mill Power Using Radial Artificial Neural Network Based on Principal Component پیش‌بینی توان کشی آسیای نیمه خود شکن با شبکه عصبی مصنوعی شعاعی بر اساس مولفه‌های اصلی 511 518 1952 10.22060/ceej.2017.12599.5240 FA فاطمه السادات حسینیان دانشکده مهندسی معدن و متالورژی، دانشگاه صنعتی امیرکبیر، تهران، ایران بهرام رضایی دانشکده مهندسی معدن و متالورژی، دانشگاه صنعتی امیرکبیر، تهران، ایران سعید سلطانی محمدی دانشکده مهندسی، دانشگاه کاشان، کاشان، ایران 0000-0002-8390-1917 Journal Article 2017 03 11 Providing of semi-autogenous (SAG) mill models for prediction of its effectiveness is one of the most useful tools for better design of grinding circuit. Many SAG mill models have been presented in the literature, but in most of them have not been predicted the mill performance in industrial scale. Semi-autogenous mill power has an effective impact on the mill performance. So in this study, a new model based on combination of radial artificial neural network and principal component is presented to predict semi-autogenous mill power. The feed moisture, mass flowrate, mill load cell weight, SAG mill solid percent, inlet and outlet water to the SAG mill and work index selected as input variables and evaluated the effect of them on the mill power. The results showed that the trained hybrid model of artificial neural network and principal component with R=0.8456 and RMSE= 68.0752 can be used to predict the semi-autogenous mill power in industrial scale. The sensitivity analysis results showed that all model input parameters had a significant effect on the output. ارائه مدل های آسیای نیمه خودشکن برای پیش بینی کارآیی آن یکی از ابزارهای مفید برای طراحی بهتر مدار خردایش است. هرچند پیش از این مدل های آسیای نیمه خودشکن زیادی ارائه شده است ولی در اکثر آنها پیش بینی کارآیی آسیا در مقیاس صنعتی انجام نشده است. توان کشی آسیای نیمه خودشکن تاثیر موثری بر کارآیی آسیا دارد؛ بنابراین در این مطالعه، مدل جدیدی بر اساس ترکیب شبکه عصبی مصنوعی شعاعی و مولفه های اصلی برای پیش بینی توانکشی آسیای نیمه خود شکن ارائه شده است. پارامترهای رطوبت بار اولیه، دبی بار اولیه، وزن بار داخل آسیا، درصد جامد بار اولیه، دبی آب ورودی و خروجی به آسیا و اندیس کار انتخاب و تاثیر آن بر توانکشی آسیا بررسی شد. نتایج نشان داد که مدل ترکیبی شبکه عصبی مصنوعی و مولفه های اصلی آموزش یافته با R = 0/8456و RMSE = 68/0752قابلیت استفاده برای پیش بینی توان کشی آسیای نیمه خودشکن در مقیاس صنعتی را دارد. نتایج آنالیز حساسیت نشان داد که تمامی پارامترهای ورودی به مدل تاثیر معناداری بر خروجی دارند. https://ceej.aut.ac.ir/article_1952_1113d7a76ffceca1bb350bfe145467c6.pdf